My grandfather used to have Japanese friends to whom he used to send handwritten letters from India and he used to study Japanese as a hobby. My relatives who worked with a Japanese firm always used to give me positive feedback and encouraged me to go forward if given opportunity. I always wanted to work in abroad and learn a new language. When I got both of these opportunities in Japan during my 4th year of engineering, I was super excited and went for it. I am grateful for the language teachers who helped me with Japanese which helped me clear the exams. After the Japanese exam results I was eagerly waiting for the interviews so that I could go to japan and work. But due to coronavirus the borders were closed and there were no opportunities in japan. I had enrolled with a particular agency which had promised a job but they did not give any clear responses. During this time I came across a former student from Fast offer international on my Instagram feed who gave good response and details about the process for the interviews through fast offer . I registered with fast offer and the first round was an introductory meeting in which they discussed about our interest in working in japan and current working conditions. I did not clear the first round and I was disheartened. Then I started to apply to jobs in japan through LinkedIn but nothing was working for me. After few months I thought I will try again one last time or else I would have to discontinue with my dream of working in japan and start looking for jobs in india.
Finally this time I cleared the first round and I was applicable for the interviews. Soon after I sent my self introduction videos and documents I got shortlisted for one of the companies. I had few mentoring sessions and orientation sessions which really gave me the confidence to attend the interviews but sadly I was not able to clear this interview. I did not give up instead I started practising my Japanese , kept myself busy by doing internships. In the month of November 2022 I was shortlisted for this product based company in Japan. I thought that this is the final chance and I need to give my best. After this I was allotted with a mentor, who helped me and guided me throughout . I will be forever grateful for him. He made sure that all my doubts were cleared and checked each and every presentations. After the mentoring sessions I had orientation session with one of the ASIA to JAPAN team members who again helped me with my presentations and gave extra tips for interviews. I had my first interview with the HR of the company and I cleared the first interview. After the HR round there was a coding round and I passed the interview and accepted the offer. This was one the best year end gift that I could ever asked for and I will remember forever. I am thankful for the entire FAST OFFER International team for giving me this opportunity, I would like to thank the entire team for helping and guiding me. I cannot wait to start my journey in japan.
1)タイトル:コンボリューショナルニューラルネットワークを使って10種類動物の識別することと分類することです。
2)人数：4名
3) 目的: – 様々な課題と機会の特定（調査）。
– 様々なクラスの動物のデータ集める。
– 動物の種類を識別し、分類する効率的なモデルの開発。
– 動物を識別するためのユーザインタフェースを提供。
4) プロジェクト内容: 動物認識モデルは、主にリアルタイムの野生動物監視に使用することができます。
野生動物を保護し、生態系を維持することができます。生物学者の仕事も軽減されます。動物認識システムは、森林地帯に住む人々、リゾート地や森林を横切る道路を旅行する人々が野生動物の識別に多くの困難を感じている場合に役立ちます。このシステムは、野生動物の監視システムとして機能し、近づいてくる危険な動物をすべて検出し、安全な場所に移動するよう人々に警告を発します。
視覚的特徴は、動物の分類と識別に重要な役割を果たします。ディープラーニングは、マシンビジョンシステムの研究領域で急速に拡大しているアプリケーションです。ロバストな分類・識別モデルの開発に役立ちます。これは、動物種の分類と識別に使用できるモデルを構築するための利点として使用することができます。多くのデータが生成されるため、VGG16の標準的なアーキテクチャを使用したCNN（Convolution Neural Network）を使用し、正確なCNNを内蔵しています。
5) 使用したソフトウエア: pythonとTensorflowとJupyter Notebook
6) 過程: このプロジェクトで使用するデータセットは、Kaggleから収集したものです。取得したデータセットは、10クラスに属する28,266枚の画像から構成されています。このデータセットには、象、馬、バイソン、猫、犬などの一般的な動物が含まれています。データセット内の画像は全てRGB色空間であり、JPEG形式で保存されています。
収集されたデータには、さまざまな次元の画像が含まれています。機械学習モデルが学習するためには、すべての入力画像が、高さ、深さ、フォーマット、エンコーディングなど、同じ特性を持つ必要があります。データセットには様々なサイズの画像が含まれているため、各画像を128×128ピクセルの固定サイズに再成形する。
このステップでは、データセットをトレーニングデータ、テストデータ、検証データの3つのカテゴリに分割する。各カテゴリは異なる種類の動物で構成される。トレーニングセットは、CNNモデルのトレーニングに使用される合計2万枚の画像から構成される。このモデルは、異なる種類の動物を持つ画像を区別することを学習する。検証セットは3264枚の画像からなり、学習プロセスの各反復においてモデルの効率をテストするために使用される。テストセットは5000枚の画像からなり、最終的なモデルの性能をテストするために使用される。このデータセットの分割は、学習中にモデルが見ていないデータでモデルの性能をテストするため、重要であります。
7) 結果: 約10エポックの学習で最大83.18%の精度が得られ、テストでは最大76.3%、検証では75.77%でありました。また、入力された動物画像を分類するプロセスをナビゲートするために、Tkinterを用いたユーザフレンドリーなGUIを開発した。また、Tkinter を用いて、入力された動物画像を分類するためのユーザフレンドリな GUI を開発しました。
