上の「カメラ起動」を押すか、
下の「画像を選ぶ」で画像を指定してください
上位5候補
MobileNet が知っているのは ImageNet の1000クラスだけです。「人」のクラスはなく、犬は約120種に細かく分かれています。身近な物だと、キーボード・マウス・マグカップ・バナナ・ボトル・時計などはよく当たります。
ベンチマーク
モデルの大きさ（α）と実行方式を総当たりで切り替えて、推論速度を測ります。入力には現在のカメラ映像か画像を使います（どちらもなければランダムな画像）。
計測結果がここにグラフで表示されます
| 実行方式 | α | Top-1（公称） | 中央値 ms | 95%点 ms | 推論/秒 | 初回 ms | 読込 ms |
|---|
「初回」はシェーダのコンパイルなどを含む最初の1回の時間です。「読込」は重みのダウンロード時間なので、2回目以降はブラウザのキャッシュで短くなります。WASM / CPU は GPU を使わない方式です。
画像をドロップするか、
下のボタンで画像を用意してください
赤: 隠すと確信度が下がる場所（判断の根拠） 青: 隠すと上がる場所（邪魔になっている）
加工して確信度を見る
スイープ（どこまで耐えるか）
加工を1つ選び、最小から最大まで41段階に変えて、追跡中のクラスの確信度をグラフにします。
どこを見ているか
画像の一部を灰色の四角で隠して何度も推論し、確信度が大きく変わった場所を色で示します（occlusion sensitivity）。現在の加工はそのまま反映されます。
背景や周辺の物が赤くなっている場合、モデルは対象そのものではなく「文脈」で判断しているかもしれません。
MobileNet の「最後の分類層の手前」の特徴ベクトル（1280次元）を使い、見せたサンプルに一番近いものを探して判定します（k近傍法）。学習と言っても数秒で、自分だけのクラスを作れます。
クラスとサンプル 0 枚
カメラを起動するか、
試したい画像をドロップしてください
素の MobileNet の判定: —
どれくらい見分けられるか
登録したサンプルを1枚ずつ抜いて、残りのサンプルで判定したときの正解率を測ります。「全モデルで比較」は α を変えて同じデータで正解率を比べます。
評価のコツ: 撮影するときは角度・距離・背景を変えてください。同じ構図の連写ばかりだと、正解率が実際より高く出ます。