Submit Search
Upload
ハンズオン2: DIGITS による物体検出入門
•
2 likes
•
2,424 views
NVIDIA Japan
Follow
このラボでは、ディープラーニングを使って画像内での物体検出を行う方法を学びます。 NVIDIA DIGITS を使って、いくつかの手法を実際に試していただけます。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 75
Download now
Download to read offline
Recommended
ハンズオン セッション 2: DIGITS による物体検出入門
ハンズオン セッション 2: DIGITS による物体検出入門
NVIDIA Japan
ハンズオン セッション 3: リカレント ニューラル ネットワーク入門
ハンズオン セッション 3: リカレント ニューラル ネットワーク入門
NVIDIA Japan
ハンズオン1: DIGITS によるディープラーニング入門
ハンズオン1: DIGITS によるディープラーニング入門
NVIDIA Japan
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
NVIDIA Japan
ハンズオン セッション 1: DIGITS によるディープラーニング入門
ハンズオン セッション 1: DIGITS によるディープラーニング入門
NVIDIA Japan
DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類
NVIDIA Japan
DIGITS による物体検出入門
DIGITS による物体検出入門
NVIDIA Japan
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
NVIDIA Japan
Recommended
ハンズオン セッション 2: DIGITS による物体検出入門
ハンズオン セッション 2: DIGITS による物体検出入門
NVIDIA Japan
ハンズオン セッション 3: リカレント ニューラル ネットワーク入門
ハンズオン セッション 3: リカレント ニューラル ネットワーク入門
NVIDIA Japan
ハンズオン1: DIGITS によるディープラーニング入門
ハンズオン1: DIGITS によるディープラーニング入門
NVIDIA Japan
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
NVIDIA Japan
ハンズオン セッション 1: DIGITS によるディープラーニング入門
ハンズオン セッション 1: DIGITS によるディープラーニング入門
NVIDIA Japan
DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類
NVIDIA Japan
DIGITS による物体検出入門
DIGITS による物体検出入門
NVIDIA Japan
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
NVIDIA Japan
20161122 gpu deep_learningcommunity#02
20161122 gpu deep_learningcommunity#02
ManaMurakami1
GTC 2017 ディープラーニング最新情報
GTC 2017 ディープラーニング最新情報
NVIDIA Japan
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
NVIDIA Japan
これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座
NVIDIA Japan
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
NVIDIA Japan
エヌビディアのディープラーニング戦略 TESLA P100 & NVIDIA DGX-1
エヌビディアのディープラーニング戦略 TESLA P100 & NVIDIA DGX-1
NVIDIA Japan
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
NVIDIA Japan
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
NVIDIA Japan
ディープラーニングの車載応用に向けて
ディープラーニングの車載応用に向けて
Ikuro Sato
ゲームにおけるニューラルネットワーク「NERO における学習と進化 」(後半)
ゲームにおけるニューラルネットワーク「NERO における学習と進化 」(後半)
Youichiro Miyake
ディープラーニングの最新動向
ディープラーニングの最新動向
Preferred Networks
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
Kensho Hara
CNNチュートリアル
CNNチュートリアル
Ikuro Sato
Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?
Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?
kazuki ide
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
Toshihiko Yamakami
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
[DL輪読会]Efficient Video Generation on Complex Datasets
[DL輪読会]Efficient Video Generation on Complex Datasets
Deep Learning JP
【CVPR 2020 メタサーベイ】Image and Video Synthesis_Group14.1
【CVPR 2020 メタサーベイ】Image and Video Synthesis_Group14.1
cvpaper. challenge
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況
cvpaper. challenge
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
Keiichiro Ono
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
Keiichiro Ono
CND(認定ネットワークディフェンダー / Certified Network Defender)公式トレーニングのご紹介
CND(認定ネットワークディフェンダー / Certified Network Defender)公式トレーニングのご紹介
グローバルセキュリティエキスパート株式会社(GSX)
More Related Content
What's hot
20161122 gpu deep_learningcommunity#02
20161122 gpu deep_learningcommunity#02
ManaMurakami1
GTC 2017 ディープラーニング最新情報
GTC 2017 ディープラーニング最新情報
NVIDIA Japan
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
NVIDIA Japan
これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座
NVIDIA Japan
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
NVIDIA Japan
エヌビディアのディープラーニング戦略 TESLA P100 & NVIDIA DGX-1
エヌビディアのディープラーニング戦略 TESLA P100 & NVIDIA DGX-1
NVIDIA Japan
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
NVIDIA Japan
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
NVIDIA Japan
ディープラーニングの車載応用に向けて
ディープラーニングの車載応用に向けて
Ikuro Sato
ゲームにおけるニューラルネットワーク「NERO における学習と進化 」(後半)
ゲームにおけるニューラルネットワーク「NERO における学習と進化 」(後半)
Youichiro Miyake
ディープラーニングの最新動向
ディープラーニングの最新動向
Preferred Networks
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
Kensho Hara
CNNチュートリアル
CNNチュートリアル
Ikuro Sato
Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?
Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?
kazuki ide
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
Toshihiko Yamakami
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
[DL輪読会]Efficient Video Generation on Complex Datasets
[DL輪読会]Efficient Video Generation on Complex Datasets
Deep Learning JP
【CVPR 2020 メタサーベイ】Image and Video Synthesis_Group14.1
【CVPR 2020 メタサーベイ】Image and Video Synthesis_Group14.1
cvpaper. challenge
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況
cvpaper. challenge
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
Keiichiro Ono
What's hot
(20)
20161122 gpu deep_learningcommunity#02
20161122 gpu deep_learningcommunity#02
GTC 2017 ディープラーニング最新情報
GTC 2017 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
エヌビディアのディープラーニング戦略 TESLA P100 & NVIDIA DGX-1
エヌビディアのディープラーニング戦略 TESLA P100 & NVIDIA DGX-1
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
ディープラーニングの車載応用に向けて
ディープラーニングの車載応用に向けて
ゲームにおけるニューラルネットワーク「NERO における学習と進化 」(後半)
ゲームにおけるニューラルネットワーク「NERO における学習と進化 」(後半)
ディープラーニングの最新動向
ディープラーニングの最新動向
3D CNNによる人物行動認識の動向
3D CNNによる人物行動認識の動向
CNNチュートリアル
CNNチュートリアル
Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?
Can Spatiotemporal 3D CNNs Retrace the History of 2D CNNs and ImageNet?
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
[DL輪読会]Efficient Video Generation on Complex Datasets
[DL輪読会]Efficient Video Generation on Complex Datasets
【CVPR 2020 メタサーベイ】Image and Video Synthesis_Group14.1
【CVPR 2020 メタサーベイ】Image and Video Synthesis_Group14.1
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
「数字を見せろ」から「コードを見せろ」へ 〜過程の透明性を確保したデータ可視化を目指す〜
Similar to ハンズオン2: DIGITS による物体検出入門
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
Keiichiro Ono
CND(認定ネットワークディフェンダー / Certified Network Defender)公式トレーニングのご紹介
CND(認定ネットワークディフェンダー / Certified Network Defender)公式トレーニングのご紹介
グローバルセキュリティエキスパート株式会社(GSX)
【セミナー講演資料】CND(認定ネットワークディフェンダー)公式トレーニング紹介
【セミナー講演資料】CND(認定ネットワークディフェンダー)公式トレーニング紹介
グローバルセキュリティエキスパート株式会社(GSX)
Certified network defender
Certified network defender
Trainocate Japan, Ltd.
【卒業論文】特徴付加型敵対的生成ネットワークによる ファッションデザイン画像生成(Fashion Design Generation based on G...
【卒業論文】特徴付加型敵対的生成ネットワークによる ファッションデザイン画像生成(Fashion Design Generation based on G...
鬼木 渚沙
発見から納品へ
発見から納品へ
You&I
Intel OpenVINO™ ツールキットのご紹介
Intel OpenVINO™ ツールキットのご紹介
Hiroshi Ouchiyama
ビジュアライゼーションの役割とUI開発のイノベーション(1)
ビジュアライゼーションの役割とUI開発のイノベーション(1)
BizCOLLEGE
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
クラウドスキルチャレンジの概要と進め方 for ALGYAN
クラウドスキルチャレンジの概要と進め方 for ALGYAN
YasuhiroHanda2
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
Keisuke Tameyasu
20170921 日本生物物理学会 マイクロソフトのR&DクラウドとAI
20170921 日本生物物理学会 マイクロソフトのR&DクラウドとAI
Kukita Gen
Ldd13 present
Ldd13 present
Masashi Kayahara
Dream sparkで夢のマイホーム
Dream sparkで夢のマイホーム
tosaka 2
機械学習 (AI/ML) 勉強会 #1 基本編
機械学習 (AI/ML) 勉強会 #1 基本編
Fujio Kojima
プロ直伝 伝わるデータビジュアル術
プロ直伝 伝わるデータビジュアル術
E2D3.org
Quality characteristics
Quality characteristics
Shinsuke Matsuki
Rethinking and Beyond ImageNet
Rethinking and Beyond ImageNet
cvpaper. challenge
20150930
20150930
nlab_utokyo
Similar to ハンズオン2: DIGITS による物体検出入門
(20)
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
San Diego Japan Bio Forum: ライフサイエンス向けデータ可視化技術の現状
CND(認定ネットワークディフェンダー / Certified Network Defender)公式トレーニングのご紹介
CND(認定ネットワークディフェンダー / Certified Network Defender)公式トレーニングのご紹介
【セミナー講演資料】CND(認定ネットワークディフェンダー)公式トレーニング紹介
【セミナー講演資料】CND(認定ネットワークディフェンダー)公式トレーニング紹介
Certified network defender
Certified network defender
【卒業論文】特徴付加型敵対的生成ネットワークによる ファッションデザイン画像生成(Fashion Design Generation based on G...
【卒業論文】特徴付加型敵対的生成ネットワークによる ファッションデザイン画像生成(Fashion Design Generation based on G...
発見から納品へ
発見から納品へ
Intel OpenVINO™ ツールキットのご紹介
Intel OpenVINO™ ツールキットのご紹介
ビジュアライゼーションの役割とUI開発のイノベーション(1)
ビジュアライゼーションの役割とUI開発のイノベーション(1)
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
クラウドスキルチャレンジの概要と進め方 for ALGYAN
クラウドスキルチャレンジの概要と進め方 for ALGYAN
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
20170921 日本生物物理学会 マイクロソフトのR&DクラウドとAI
20170921 日本生物物理学会 マイクロソフトのR&DクラウドとAI
Ldd13 present
Ldd13 present
Dream sparkで夢のマイホーム
Dream sparkで夢のマイホーム
機械学習 (AI/ML) 勉強会 #1 基本編
機械学習 (AI/ML) 勉強会 #1 基本編
プロ直伝 伝わるデータビジュアル術
プロ直伝 伝わるデータビジュアル術
Quality characteristics
Quality characteristics
Rethinking and Beyond ImageNet
Rethinking and Beyond ImageNet
20150930
20150930
More from NVIDIA Japan
HPC 的に H100 は魅力的な GPU なのか?
HPC 的に H100 は魅力的な GPU なのか?
NVIDIA Japan
NVIDIA cuQuantum SDK による量子回路シミュレーターの高速化
NVIDIA cuQuantum SDK による量子回路シミュレーターの高速化
NVIDIA Japan
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
NVIDIA Japan
20221021_JP5.0.2-Webinar-JP_Final.pdf
20221021_JP5.0.2-Webinar-JP_Final.pdf
NVIDIA Japan
開発者が語る NVIDIA cuQuantum SDK
開発者が語る NVIDIA cuQuantum SDK
NVIDIA Japan
NVIDIA Modulus: Physics ML 開発のためのフレームワーク
NVIDIA Modulus: Physics ML 開発のためのフレームワーク
NVIDIA Japan
NVIDIA HPC ソフトウエア斜め読み
NVIDIA HPC ソフトウエア斜め読み
NVIDIA Japan
HPC+AI ってよく聞くけど結局なんなの
HPC+AI ってよく聞くけど結局なんなの
NVIDIA Japan
Magnum IO GPUDirect Storage 最新情報
Magnum IO GPUDirect Storage 最新情報
NVIDIA Japan
データ爆発時代のネットワークインフラ
データ爆発時代のネットワークインフラ
NVIDIA Japan
Hopper アーキテクチャで、変わること、変わらないこと
Hopper アーキテクチャで、変わること、変わらないこと
NVIDIA Japan
GPU と PYTHON と、それから最近の NVIDIA
GPU と PYTHON と、それから最近の NVIDIA
NVIDIA Japan
GTC November 2021 – テレコム関連アップデート サマリー
GTC November 2021 – テレコム関連アップデート サマリー
NVIDIA Japan
テレコムのビッグデータ解析 & AI サイバーセキュリティ
テレコムのビッグデータ解析 & AI サイバーセキュリティ
NVIDIA Japan
必見!絶対におすすめの通信業界セッション 5 つ ~秋の GTC 2020~
必見!絶対におすすめの通信業界セッション 5 つ ~秋の GTC 2020~
NVIDIA Japan
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
NVIDIA Japan
2020年10月29日 Jetson活用によるAI教育
2020年10月29日 Jetson活用によるAI教育
NVIDIA Japan
2020年10月29日 Jetson Nano 2GBで始めるAI x Robotics教育
2020年10月29日 Jetson Nano 2GBで始めるAI x Robotics教育
NVIDIA Japan
COVID-19 研究・対策に活用可能な NVIDIA ソフトウェアと関連情報
COVID-19 研究・対策に活用可能な NVIDIA ソフトウェアと関連情報
NVIDIA Japan
Jetson Xavier NX クラウドネイティブをエッジに
Jetson Xavier NX クラウドネイティブをエッジに
NVIDIA Japan
More from NVIDIA Japan
(20)
HPC 的に H100 は魅力的な GPU なのか?
HPC 的に H100 は魅力的な GPU なのか?
NVIDIA cuQuantum SDK による量子回路シミュレーターの高速化
NVIDIA cuQuantum SDK による量子回路シミュレーターの高速化
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
Physics-ML のためのフレームワーク NVIDIA Modulus 最新事情
20221021_JP5.0.2-Webinar-JP_Final.pdf
20221021_JP5.0.2-Webinar-JP_Final.pdf
開発者が語る NVIDIA cuQuantum SDK
開発者が語る NVIDIA cuQuantum SDK
NVIDIA Modulus: Physics ML 開発のためのフレームワーク
NVIDIA Modulus: Physics ML 開発のためのフレームワーク
NVIDIA HPC ソフトウエア斜め読み
NVIDIA HPC ソフトウエア斜め読み
HPC+AI ってよく聞くけど結局なんなの
HPC+AI ってよく聞くけど結局なんなの
Magnum IO GPUDirect Storage 最新情報
Magnum IO GPUDirect Storage 最新情報
データ爆発時代のネットワークインフラ
データ爆発時代のネットワークインフラ
Hopper アーキテクチャで、変わること、変わらないこと
Hopper アーキテクチャで、変わること、変わらないこと
GPU と PYTHON と、それから最近の NVIDIA
GPU と PYTHON と、それから最近の NVIDIA
GTC November 2021 – テレコム関連アップデート サマリー
GTC November 2021 – テレコム関連アップデート サマリー
テレコムのビッグデータ解析 & AI サイバーセキュリティ
テレコムのビッグデータ解析 & AI サイバーセキュリティ
必見!絶対におすすめの通信業界セッション 5 つ ~秋の GTC 2020~
必見!絶対におすすめの通信業界セッション 5 つ ~秋の GTC 2020~
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
2020年10月29日 Jetson活用によるAI教育
2020年10月29日 Jetson活用によるAI教育
2020年10月29日 Jetson Nano 2GBで始めるAI x Robotics教育
2020年10月29日 Jetson Nano 2GBで始めるAI x Robotics教育
COVID-19 研究・対策に活用可能な NVIDIA ソフトウェアと関連情報
COVID-19 研究・対策に活用可能な NVIDIA ソフトウェアと関連情報
Jetson Xavier NX クラウドネイティブをエッジに
Jetson Xavier NX クラウドネイティブをエッジに
Recently uploaded
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
Recently uploaded
(8)
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
ハンズオン2: DIGITS による物体検出入門
1.
ハンズオンラボ DIGITS による物体検出入門 山崎和博 ディープラーニング ソリューションアーキテクト エヌビディア
2.
AGENDA ディープラーニングとは Qwiklabs/DIGITSの使い方 DIGITSによる物体検出入門ハンズオン
3.
ディープラーニングとは
4.
様々な分野でディープラーニングを応用 インターネットとクラウド 画像分類 音声認識 言語翻訳 言語処理 感情分析 推薦 メディアとエンターテイメント 字幕 ビデオ検索 リアルタイム翻訳 機械の自動化 歩行者検出 白線のトラッキング 信号機の認識 セキュリティと防衛 顔検出 ビデオ監視 衛星画像 医学と生物学 癌細胞の検出 糖尿病のランク付け 創薬
5.
機械学習 ニューラルネットワーク ディープラーニング ディープラーニングは機械学習の一分野
6.
人工ニューロン 神経回路網をモデル化 スタンフォード大学cs231講義ノートより 神経回路網 w1 w2 w3 x1
x2 x3 y y=F(w1x1+w2x2+w3x3) F(x)=max(0,x) 人工ニューロン(パーセプトロン)
7.
人工ニューラルネットワーク トレーニングできる単純な数学的なユニットの集合は、 複雑な機能を学ぶことができる 入力層 出力層 隠れ層 人工ニューラルネットワークは、十分なトレーニングデータが与えられれば、 生の入力データから出力を決定する、非常に複雑な関数を近似することができる。
8.
ディープラーニングの恩恵 ▪ ロバスト性 ▪ 特徴量の設計を行う必要がない ▪
特徴は、学習用データのバラつきの影響を押さえながら、自動的に学習・獲得される ▪ 一般性 ▪ 同じニューラルネットワークのアプローチを、多くの異なるアプリケーションやデータに適用できる ▪ スケーラブル ▪ より多くのデータで大規模並列化を行う事でパフォーマンスが向上する ディープラーニングとニューラルネットワーク
9.
畳込みニューラルネットワーク(CNN) • 画像認識・画像分類で使われる、高い認識精度を誇るアルゴリズム。畳込み層で画像の特徴を学習 目的 顔認識 トレーニングデータ 1,000万~1億イメージ ネットワークアーキテクチャ 10 層 10
億パラメータ ラーニングアルゴリズム 30 エクサフロップスの計算量 GPU を利用して30日 畳込み層 全結合層
10.
0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 2 2 1 1 1 0 1 2 2 2 1 1 0 1 2 2 2 1 1 0 0 1 1 1 1 1 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 -4 1 0 -8 入力ピクセル コンボリューション カーネル 出力ピクセル コンボリューションカーネルの係数と、 入力ピクセルを掛け、足し合わせた 値を出力とする。 畳込み層(CONVOLUTIONAL LAYER)
11.
ディープラーニング フレームワーク
12.
ディープラーニング フレームワーク Mocha.jl ディープラーニング フレームワーク GPUで高速化されたディープラーニング
フレームワークが多数存在 https://developer.nvidia.com/deep-learning-frameworks
13.
ディープラーニング フレームワーク Caffe Torch7
Theano TensorFlow Chainer インターフェース C++/Python/Matlab Lua/C Python C/C++/Python Python cuDNN 5 5 5 5 5 ライセンス BSD-2 BSD BSD Apache 2.0 MIT マルチGPU (1ノード) ○ ○ ○ ○ モデルの柔軟性 △ ◎ ◎ ○ ◎ CNN ○ ○ ○ ○ ○ RNN ○ #2033 ○ ○ ○ ○ RBM × ○ ○ ○ ○ 備考 高速 Caffe Model Zoo 多数のアルゴリズムを サポート 自動微分 自動微分 TensorBoard Define by Run CuPy
14.
CAFFE
15.
CAFFE とは? • Berkeley
Vision and learning Center (BVLC) において開発 • 多くのコントリビュータにより構成されるオープンソースコミュニティ • C++/CUDA による実装 • 高速で十分に検証された実装 • シームレスな GPU によるアクセラレーション • コマンドライン、Python, MATLAB インターフェース • リファレンスモデルやサンプルもある オープンソースのディープラーニング フレームワーク caffe.berkeleyvision.org http://github.com/BVLC/caffe
16.
CAFFE の機能 データのプリプロセスと管理 データフォーマット LevelDB・LMDB データベース インメモリ (C++・Python のみ) HDF5 画像ファイル プリプロセスツール 生画像から
LevelDB/LMDB を 作成 トレーニング用と検証用のデータ セット作成(シャッフル付き) 平均画像の生成 データ変換 画像のトリミング、リサイズ、 スケーリング、位置反転 平均値を引く
17.
CAFFE の機能 Protobuf モデルフォーマット ネットワーク構造や学習パラメータ の定義に使われる 様々なフォーマットに対応 Caffeのオートジェネレータで生 成可能 構文チェック機能も存在 コーディング不要 name:
“conv1” type: “Convolution” bottom: “data” top: “conv1” convolution_param { num_output: 20 kernel_size: 5 stride: 1 weight_filler { type: “xavier” } } ニューラルネットワークの定義
18.
CAFFE の機能 Loss関数: 分類 Softmax Hinge loss 線形回帰 Euclidean
loss 多値分類 Sigmoid cross entropy loss などなど…… 使用可能なレイヤー種別: Convolution Pooling Normalization 利用可能な関数: ReLU Sigmoid Tanh などなど…… ニューラルネットワークの定義
19.
DIGITS
20.
学習データの作成 モデルの作成 モデルのテスト学習過程の可視化 NVIDIA
DIGITS GPUで高速化されたディープラーニング トレーニング システム http://developer.nvidia.com/digits
21.
NVIDIA DIGITS 手元のPCからWebブラウザでアクセス可能なディープラーニング トレーニング
システム GPUで高速化されたディープラーニング トレーニング システム ユーザー インターフェース レイヤーの 可視化 学習モデルの 作成 データセット の作成 学習過程の 可視化 Chainer GPUGPU HW クラウドGPUクラスタマルチGPU Theano Torch Caffe cuDNN, cuBLAS CUDA 学習 NVCaffe cuDNN, cuBLAS CUDA • 画像分類と物体検出の為のDNNのデザ インと可視化の機能を提供 • NVIDIAが最適化したフレームワークで高 速に学習が可能 • ハイパーパラメータのチューニングを強力に サポート • 学習のジョブを簡単にスケジューリング、リ アルタイムにaccuracyとlossを監視 • 様々な学習データフォーマット、フレーム ワークに対応
22.
ハンズオンを開始しましょう
23.
DIGITSによる物体検出入門 — https://nvlabs.qwiklab.com にアクセス —
ログイン (or 新規ユーザ作成) — クラス “DLI20170522-Japan” を選択 — “エヌビディアDIGITSによる物体検出入門”を選択→ “選択”ボタンを押す — “ラボを開始”ボタンを押す — わからないことがあったら、会場のアシスタントに聞いてください! ログインからラボの開始まで
24.
DIGITSによる物体検出入門 https://nvlabs.qwiklab.com/にアクセス [DLI20170522-Japan]->[エヌビディアDIGITSによる物体検出]を選択 ラボの開始 ① ② ③
25.
DIGITSによる物体検出入門 ラボの開始 ① ②
26.
DIGITSによる物体検出入門 1. 学習データセットの作成 2. 学習モデルの作成、学習開始 3.
学習済みモデルのテスト DIGITSの使い方: ワークフロー 学習 推論 (インファレンス)
27.
DIGITSによる物体検出入門 DIGITSの使い方: ホーム画面への戻り方 ホーム画面に戻る
28.
DIGITSによる物体検出入門 DIGITSの使い方: データセット/モデルの表示 データセット表示 モデル表示 データセット作成 モデル作成
29.
DIGITSによる物体検出入門 DIGITSの使い方: データセット/モデルの作成 物体検出 [Object Detection]を選択 画像分類 [Classification]を選択
30.
DIGITSによる物体検出入門 — DIGITSは、Caffeを使って学習を行う事が出来る DIGITSの使い方: ネットワーク構造の変更方法 フレームワークの選択 (今日はCaffeを使います) ネットワークの選択 モデルのカスタマイズ画面 に遷移
31.
DIGITSによる物体検出入門 — Caffeのモデル定義ファイル(prototxt)を書き換える DIGITSの使い方: ネットワーク構造の変更方法 Layer{}で囲まれた部分が一つの層
32.
DIGITSによる物体検出入門 Jupyter notebook上での処理実行 選択されていると緑の枠が 表示される 再生ボタンでセル中の処理を実行 (Shift+Enterでも良い) 処理実行中は黒丸 それ以外は白丸 In[ ]と書いてあるセル中の処理は、実行可能
33.
ラボ開始 ここをクリック
34.
ディープラーニングによる物体検出 データセット Right Whale Recognition https://www.kaggle.com/c/noaa- right-whale-recognition クジラの顔を検出する
35.
物体検出の手法 1. スライディング ウィンドウ 画像全域をスキャンして検出 2.
候補の生成と分類 検出対象となる領域の候補を生成し、検出 3. 全畳み込みネットワーク (FCN) 畳み込みネットワークのみを用いて検出 4. DetectNet 回帰を併用し、物体を囲む矩形領域を推定 本ラボでそれぞれ説明します
36.
1. スライディング ウィンドウ ディープニューラルネットワークに「鯨」か「非鯨」の判別を学習させる 学習
37.
1. スライディング ウィンドウ 画像を分割、それぞれのパッチ(領域)に対して検出を試みる 検出 Whale Not
Whale
38.
1. スライディング ウィンドウ 1.
DIGITSを起動 2. 「鯨」「非鯨」を判別するニューラルネットワークを作成 [New Dataset / Images]->[Classification]からデータセットを作成 [New Model / Images]->[Classification]からモデルを作成し、学習 3. 学習後のモデルを用いて推論処理を行う ハンズオン
39.
1. スライディング ウィンドウ DIGITSを開く ↓ Imagesから “Classification”を選択 ↓ 初回だけログインを求められ るので何か入力(小文字で お願いします)
ここを 選択 New DatasetのImages を選んで
40.
1. スライディング ウィンドウ 1.
DIGITSを開く 2. [New Dataset / Images] -> [Classification]を選択する 3. 以下を入力 (2 ~ 3分かかります) データセット作成 1. Training images “/home/ubuntu/data/whale/data/train” 2. Dataset Name “whale_faces” 3.”Create”ボタンを クリック
41.
1. スライディング ウィンドウ データセットの作成完了後、 “Explorer
the db”ボタンを 押すと右の画面 学習データを見てみる
42.
1. スライディング ウィンドウ 1.
DIGITSのホーム画面に移動 2. [New Model / Images] -> [Classification]を選択 モデルの作成、学習 1. “whale_faces”を選択 2. Training epochsを“5” に変更
43.
1. スライディング ウィンドウ モデルの作成、学習 4.
“whale_faces_baseline”と入力 5. Createボタンをクリック 3. AlexNetを選択
44.
1. スライディング ウィンドウ 1.
Image Path を入力 /home/ubuntu/data/whale/data/train/face/w_2606.jpg 1画像を用いた認識のテスト 2. [Classify One]ボタンを押す
45.
1. スライディング ウィンドウ 学習が終わったら、ジョブIDを控える ジョブIDの確認 モデルのジョブID
46.
1. スライディング ウィンドウ Jupyter
notebookに戻り、先ほど学習したモデルを用いて推論(インファレンス)処理を行う 推論 先ほど作成した、モデルのジョブIDに変更
47.
1. スライディング ウィンドウ 認識結果
48.
1. スライディング ウィンドウ 高精度な、クジラの顔画像分類器が作成された。 認識精度
約98% 処理時間 約10秒 まとめ
49.
2. 候補の生成と分類 顔に対応する領域候補を生成 ニューラルネットワーク(CNN)で検出を行う 考え方 Whale Not Whale 注.
ハンズオンは行いません
50.
2. 候補の生成と分類 利点 対象となる候補領域数の削減による高速化 候補生成アルゴリズム次第で、物体の位置特定精度を向上可能 欠点 より複雑な多段処理パイプライン 候補を生成するための追加モデルの構築や学習 誤検出率は低くない 生成される候補の数によって推論時間が変わる 特性
51.
3. 全畳み込みネットワーク (FCN) 考え方 スライディング
ウインドウ 一つの領域で、一個の判定結果 FCN 一つの領域から、ヒートマップとして 判定結果を出力
52.
3. 全畳み込みネットワーク (FCN) 1.
検出方法1で作成した「鯨」と「非鯨」を分類するモデルを再利用 [Clone Job]でモデルを複製 2. 全畳み込みネットワークに書き換える ネットワーク定義を書きかえる (fc6 – fc8まで) 再度、学習を行う 3. 学習後のモデルを用いて推論処理を行う ハンズオン
53.
3. 全畳み込みネットワーク (FCN) 1.
DIGITSのホーム画面に戻る 2. [Models]を選択 3. ”whale_faces_baseline”をク リック (先ほど作成したモデルに移動) モデル作成 Clone Jobをクリック 2. [Models]を選択 3. “whale_faces_baseline”をクリック
54.
3. 全畳み込みネットワーク (FCN) 1.
[Clone Job]でモデルを複製 ハンズオン Clone Jobをクリック
55.
3. 全畳み込みネットワーク (FCN) 1.
[Standard Networks]->[(AlexNet横の)customize]をクリック 2. テキストボックス内部のネットワーク定義を書き換える ネットワーク定義の書き換え customizeをクリック fc6 – fc8までのエリアを書き換える (fc6とfc8を畳込み層に変更/fc7を削除)
56.
3. 全畳み込みネットワーク (FCN) [Model
Name]を”whale_faces_fcn”として、[Create]ボタンをクリック 学習の開始 createをクリック
57.
3. 全畳み込みネットワーク (FCN) 1.
学習が終わったら、ジョブIDを控える 推論 学習済みのモデルのジョブID モデルのジョブIDに変更 2. スクリプト中のジョブIDを更新して、実行
58.
3. 全畳み込みネットワーク (FCN) 検出結果
59.
3. 全畳み込みネットワーク (FCN) 処理時間 スライディングウインドウ
: 約10 秒 全畳み込みネットワーク : 約1.5秒 (画像の大きさに応じ、1.5 ~ 6秒程度) 性質 多くの場合、FCNの方が高精度、より多くのクジラを発見。 砕ける波や海面に反射する日光により混乱することもあるが、 適切なデータ拡大を使用することにより、誤検出を軽減。 まとめ
60.
4. DETECTNET 1. 画像をグリッドに分割 2.
グリッド単位でバウンディングボックス・信頼度を予測できるよう、ネットワークに学習させる 考え方: 学習時
61.
4. DETECTNET 学習用データの考え方 考え方: 学習時
62.
4. DETECTNET 考え方: ネットワーク、文献 DetectNet:
Deep Neural Network for Object Detection in DIGITS https://devblogs.nvidia.com/parallelforall/detectnet-deep-neural-network-object-detection-digits/
63.
4. DETECTNET 1. 画像をグリッドに分割 2.
グリッドごとに、バウンディングボックス・占有度(Coverage)を推論 3. バウンディングボックスをクラスタリング 4. 精度(mAP)を算出 考え方: 推論
64.
4. DETECTNET 1. DIGITSでDetectNetを使った鯨の位置検出を行うモデルを作成する ▪
[New Datasets / Images]->[Object Detection]から、 “whales_detectnet”という名前でデータセットを作成する ▪ 事前に準備されている“whale_detectnet”を選択し、 [Clone Job]でモデルを複製 ▪ 設定を行い、再学習 2. DIGITSのテスト機能を使い、学習済みのモデルのテストを行う ハンズオン
65.
4. DETECTNET 1. [Datasets]->[Object
Detection]を選択 2. 以下を入力 データセット作成 1. Training image folder ”/home/ubuntu/data/whale/data_336x224/train/images” 2. Training label folder “/home/ubuntu/data/whale/data_336x224/train/labels” 4. Validation label folder “/home/ubuntu/data/whale/data_336x224/val/labels” 3. Validation image folder “/home/ubuntu/data/whale/data_336x224/val/images” 5. Pad Image 値が入っている場合、削除し、空にする
66.
4. DETECTNET 1. ”whales_detectnet”という名前で、データセットを作成する データセット作成 2.”Create”ボタンをクリック 1.
“whales_detectnet”を入力
67.
4. DETECTNET 1. DIGITSのHome画面に戻る 2.
“Models”を選択 3. “whale_detectnet”をクリック 作成済みのモデルを使う 1. Home画面に戻る 2. “Models”を選択 3. “whale_detectnet”をクリック
68.
4. DETECTNET 作成済みのモデルを使う 1. “Clone
Job”をクリック
69.
4. DETECTNET 1. “whale_detectnet”を選択後、 [Clone
Job]でモデルを複製 2. 右の設定を行う 時間の都合で3 epochだけ、 学習します(8分ほどかかります) 学習: 3 epochのみ 1.whales_detectnetを選択 3.Batch sizeを10に変更 2.Training epochsを3に変更
70.
4. DETECTNET 1. モデル名を”whales_detectnet_2”とする 2.
“Create”ボタンをクリックして、学習を開始する 学習: 3 epochのみ 2.”Create”ボタンをクリック 1. “whales_detectnet_2”を入力
71.
4. DETECTNET 学習: 3
epoch ~ 100 epoch 3 epochまで 100 epoch
72.
4. DETECTNET 1. DIGITSのHome画面に戻る 2.
”Models”を選択 3. “whale_detectnet”をクリック whale_detectnetは、100 epoch 完了時の学習結果 推論: 100 epoch版 1. Home画面に戻る 2. “Models”を選択 3. “whale_detectnet”をクリック
73.
4. DETECTNET 1. DIGITSのテスト機能を使い、学習済みの モデルをテストする 推論:
100 epoch版 1.Bounding boxesを選択 2.Image Path “/home/ubuntu/data/whale/data_336x224/val/images/000000118.png” 3. “Test One”ボタンをクリック
74.
4. DETECTNET ほとんどのクジラの顔を 正確に検出 誤検出率が非常に低い 336x224ピクセル画像の 平均処理時間 “22ミリ秒” まとめ
75.
THANK YOU!
Download now