realworld_image_AI_classifier の日本語タイトル：猫と犬のフルスタック画像分類アプリ

AI/ML
realworld_image_AI_classifier の日本語タイトル：猫と犬のフルスタック画像分類アプリ

realworld_image_AI_classifier の日本語タイトル：猫と犬のフルスタック画像分類アプリ

TensorFlow と MobileNetV2 を用いた猫 vs 犬の画像分類をフルスタックで実装したリポジトリ。モデルの学習（Jupyter Notebook）、FastAPI による推論バックエンド、React フロントエンドによる画像アップロードと結果表示を含み、転移学習で高速に学習・推論を行えるシンプルな実装が特徴です。デモは画像アップロード→即時推論で、信頼度（confidence）を返します。クラウドやコンテナ展開も想定しやすい構成です。（約300字）

https://github.com/DenuwanU03/realworld_image_AI_classifier

概要

本リポジトリは「Cat vs Dog Image Classifier (Full-Stack AI App)」を実装したサンプルプロジェクトです。TensorFlow（Keras）を使ったモデル学習部分は Jupyter Notebook ベースで、転移学習のアプローチとして MobileNetV2 をバックボーンに使用しています。学習済みモデルはバックエンド（FastAPI）で読み込まれ、REST API を通じてアップロードされた画像に対してリアルタイムに「Cat / Dog」とその確信度を返します。フロントエンドは React で構成され、ユーザーはブラウザ上で画像をアップロードして結果を視覚的に受け取れます。学習・推論・UI を一貫して試せるエンドツーエンドの参考実装です。

GitHub

リポジトリの統計情報

  • スター数: 1
  • フォーク数: 0
  • ウォッチャー数: 1
  • コミット数: 2
  • ファイル数: 8
  • メインの言語: Jupyter Notebook

主な特徴

  • MobileNetV2 を用いた転移学習で猫/犬の2クラス分類を実装
  • 学習用 Notebook、FastAPI バックエンド、React フロントのフルスタック構成
  • 画像アップロードから即時推論 → 信頼度を返すデモ機能
  • 軽量モデルを活かしたエッジ寄せやコンテナ化に適した設計

技術的なポイント

本プロジェクトの技術的な肝は「転移学習 × フルスタック展開」にあります。MobileNetV2 はパラメータが比較的少なく、モバイルや軽量サーバでの推論に向くため、学習時間と推論レイテンシーのバランスが良い点が採用理由です。典型的な流れとしては、ImageNet で事前学習済みの MobileNetV2 を読み込み、上位に全結合層（または GlobalAveragePooling → Dense）を追加して2クラスの出力（softmax）を持たせ、まずはベースを固定して上位のみ学習、必要に応じて一部をアンロックしてファインチューニングします。入力画像はリサイズ（例：224×224）と正規化（スケール変換）が前処理に含まれ、データ拡張（回転、フリップ、ズーム等）で汎化性能を高めることが一般的です。

運用面では、学習済みモデルを TensorFlow の SavedModel や .h5 形式で保存し、FastAPI 側で tf.keras.models.load_model を用いてロードします。API はマルチパート（multipart/form-data）で画像を受け取り、PIL/OpenCV で読み込んで前処理を適用、モデルに投げて確率値（confidence）とクラスを返す設計が想定されます。フロントエンドは React から Fetch/axios でエンドポイントへ送信し、受け取った結果をプログレスやバッジで表示します。

実運用で注意すべき点として、学習は GPU 環境で行うのが望ましく、推論は CPU 環境でも MobileNetV2 なら十分高速です。スケーラビリティを考える場合は、Uvicorn/gunicorn によるワーカ設定、コンテナ化（Docker）、あるいは ONNX 変換→量子化による推論高速化を検討します。評価指標は単純な精度に加え、混同行列や ROC/AUC、クラス不均衡がある場合のリコール/精度の検討が重要です。

プロジェクトの構成

主要なファイルとディレクトリ：

  • .gitattributes: file
  • .gitignore: file
  • README.md: file
  • backend: dir
  • frontend: dir

…他 3 ファイル

補足説明：

  • backend ディレクトリ: FastAPI を使った推論サーバーが入る想定。モデルロード、/predict 等のエンドポイント、画像前処理ロジック、CORS 設定や依存関係（requirements.txt）が配置されることが一般的です。
  • frontend ディレクトリ: React アプリ。画像アップロード UI、アップロード時のプレビュー、API 呼び出しと結果表示のロジックを含むコンポーネントが想定されます。
  • Jupyter Notebook（メイン言語が Notebook 表記のファイル）: モデル定義、データ読み込み、前処理、学習ループ、評価、モデル保存までの実験記録が保管されています。

まとめ

転移学習とフルスタック構成を学ぶには最適なサンプルで、実践的な学習→推論→UI 展開の流れが理解できます。（約50字）

リポジトリ情報：

READMEの抜粋：

Cat vs Dog Image Classifier (Full-Stack AI App)

A complete end-to-end AI application that classifies images as Cat or Dog using deep learning and transfer learning.

This project includes:

  • Model training with TensorFlow
  • FastAPI backend for inference
  • React frontend for image upload and prediction

Demo Features

  • Upload any image
  • AI predicts Cat or Dog
  • Shows prediction confidence
  • Real-time inference

Model Details

  • Architecture: MobileNetV2 (Trans…