Downloaded 151 times
![DIGITSの使い方4
データセット作成/モデルの作成
物体検出したい場合
[Object Detection]を選択
画像分類したい場合
[Classification]を選択](https://image.slidesharecdn.com/03objectdetectionusingdigitsv6-170118080924/75/DIGITS-32-2048.jpg)
![Qwiklabのアクセス方法
https://nvlabs.qwiklab.com/にアクセスし、[DLI2017-Japan]->[エヌビディアDIGITSによる物
体検出]を選択
DIGITSによる物体検出入門
①
②
③](https://image.slidesharecdn.com/03objectdetectionusingdigitsv6-170118080924/75/DIGITS-36-2048.jpg)
![57
Jupyter notebookの使い方
1/18/2017
In []: と書いてあるセルは動的実行が出来ます
選択されていると緑の枠が
表示される
再生ボタンでセルの実行が出来る
(Shift-Enterでも良い)](https://image.slidesharecdn.com/03objectdetectionusingdigitsv6-170118080924/75/DIGITS-39-2048.jpg)
![検出方法１．画面のスキャン + CNN
1. Jupyter notebookからDIGITSを起動し、「鯨」｢非鯨｣を判別するニューラルネットワークを作
成する。
1. DIGITSで[Datasets]->[Image Classication]から学習データを作成する
2. DIGITSで[Models]->[Image Classication]からモデル作成と学習をする
2. 学習が終わったら、ジョブIDを控える
3. 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
ハンズオン](https://image.slidesharecdn.com/03objectdetectionusingdigitsv6-170118080924/75/DIGITS-45-2048.jpg)
![3．FCN(Full Convolutional Network)
1. 検出方法1のハンズオンで作成した「鯨」と「非鯨」を分類するモデルをFCNに書き換える
1. [Clone Job]でモデルを複製
2. [Standard Networks]->[Alexnet横のcustom]をクリック->テキストボックス内部のネット
ワーク定義を書きかえる
• fc6 – fc8までのエリアを書き換える
• [Model Name]を適当につけて、[Create]ボタンをクリックして、学習を開始
2. 学習が終わったら、ジョブIDを控える
3. 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
ハンズオン](https://image.slidesharecdn.com/03objectdetectionusingdigitsv6-170118080924/75/DIGITS-49-2048.jpg)
Uploaded byNVIDIA Japan
DIGITS による物体検出入門
このスライドは 2017 年 1 月 17 日 (火)、ベルサール高田馬場で開催された「NVIDIA Deep Learning Institute 2017」のハンズオン トレーニング「DIGITS による物体検出入門」にて、エヌビディア合同会社 ディープラーニング部 村上 真奈が解説しました。 このセッションでは、画像分類の次のステップとして、ディープラーニングを使った物体検出について学びます。「物体検出」を行うことで、入力画像の中から「犬」や「猫」といった特定の物体の位置を検出することができます。物体検出には様々な手法が提案されており、それぞれ、学習時間、認識精度、検出速度など、特性が異なります。このラボでは NVIDIA DIGITS を使って、いくつかの手法を実際に手を動かしながら学んでいただきます。
More Related Content
![[DL輪読会]Efficient Video Generation on Complex Datasets](https://cdn.slidesharecdn.com/ss_thumbnails/20190823dvd-ganlast-190826093116-thumbnail.jpg?width=640&height=640&fit=bounds)
![[DL輪読会] MoCoGAN: Decomposing Motion and Content for Video Generation](https://cdn.slidesharecdn.com/ss_thumbnails/0911mocogan-170911121936-thumbnail.jpg?width=640&height=640&fit=bounds)
DIGITS による物体検出入門
- 1. 1 ハンズオンラボ2 DIGITS による物体検出入門 村上真奈 NVIDIA CUDA& Deep Learning Solution Architect NVIDIA Corporation
- 2.
- 3.
- 4.
- 5.
- 6. 15 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 x1x2 x3 y y=F(w1x1+w2x2+w3x3) F(x)=max(0,x) 人工ニューロン
- 7.
- 8. ディープラーニングの恩恵 ディープラーニングとニューラルネットワーク ロバスト性 特徴量の設計を行う必要がない。– 特徴は自動的に獲得される学習用データのバラつきの影響を 押さえ込みながら、自動的に学習していく 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する事が出来る 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
- 9.
- 10. データを訓練データ(training data)と検証データ(validationdata)に分割する 訓練データと検証データ ディープラーニングの学習 収集したデータ 検証データ(validation data) 訓練データ(training data) 重みの更新 (学習)に使用 汎化性能の 確認に使用
- 11.
- 12.
- 13. 学習ループ 訓練データと検証データの役割 訓練データ 猫 犬 熊 検証データ すべての訓練データを用いて重み更新を行う + すべての検証データで汎化性能を確認 ⇒1 エポック(epoch)と呼ぶ 猫 犬 狸 検証データで 現在の汎化性能を確認 (重みの更新には使用しない)
- 14.
- 15. 24 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
- 16.
- 17.
- 18.
- 19. 28 ディープラーニング・フレームワーク Caffe Torch7 TheanoTensorFlow 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
- 20.
- 21. 30 Caffeとは? • コアエンジンはC++/CUDA • コマンドライン、Python、Matlabインターフェース •高速, コードのテストが良く行われている • 前処理および開発ツール、リファレンスモデルやサンプルコードが充実 • 画像データマネージメント • GPUによる高速化の機能 • コミュニティが大きく活動が盛ん BVLCによって開発されたディープラーニング開発用のオープンフレームワーク caffe.berkeleyvision.org http://github.com/BVLC/caffe
- 22. 31 Caffeの特徴 データの前処理とマネージメント データ取り込みフォーマット LevelDB または LMDBデータベース イン-メモリ(C++とPython のみ) HDF5 画像ファイル 前処理ツール RAWデータからのLevelDB/LMDB 生成 トレーニングセットとバリデーション セットのシャッフル生成 平均画像の生成 データ変換 画像のクリッピング、リサイズ、ミ ラーリング 差分画像
- 23. 32 Caffeの特徴 Protobuf モデルフォーマット ネットワーク構造定義および学習 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 コーディングが必要ない name: “conv1” type:“Convolution” bottom: “data” top: “conv1” convolution_param { num_output: 20 kernel_size: 5 stride: 1 weight_filler { type: “xavier” } } ディープラーニングモデル定義
- 24. 33 Caffe特徴 ロス関数: Classification Softmax Hinge loss Linear regression Euclideanloss Attributes/multi-classification Sigmoid cross entropy loss and more… 使用可能レイヤー: Convolution Pooling Normalization 活性化関数: ReLU Sigmoid Tanh and more… ディープラーニングモデル定義
- 25.
- 26. 35 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 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 NVIDIADIGITS http://developer.nvidia.com/digits
- 27. 36 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・チューニングを強力に サポート • DL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
- 28.
- 29. DIGITSの使い方1 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のワークフロー 学習 推論 (インファレンス)
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.
- 39. 57 Jupyter notebookの使い方 1/18/2017 In []:と書いてあるセルは動的実行が出来ます 選択されていると緑の枠が 表示される 再生ボタンでセルの実行が出来る (Shift-Enterでも良い)
- 40.
- 41.
- 42. ディープラーニング手法による物体検出 今回のラボでは以下の４つの物体検出方法を紹介する • 検出方法1：画面のスキャン +CNN 演習あり • 検出方法2：候補領域 + CNN • 検出方法3: FCN(Full Convolutional Network) 演習あり • 検出方法4: DetectNet 演習あり DIGITSによる物体検出入門
- 43.
- 44.
- 45. 検出方法１．画面のスキャン + CNN 1.Jupyter notebookからDIGITSを起動し、「鯨」｢非鯨｣を判別するニューラルネットワークを作 成する。 1. DIGITSで[Datasets]->[Image Classication]から学習データを作成する 2. DIGITSで[Models]->[Image Classication]からモデル作成と学習をする 2. 学習が終わったら、ジョブIDを控える 3. 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 ハンズオン
- 46.
- 47.
- 48.
- 49. 3．FCN(Full Convolutional Network) 1.検出方法1のハンズオンで作成した「鯨」と「非鯨」を分類するモデルをFCNに書き換える 1. [Clone Job]でモデルを複製 2. [Standard Networks]->[Alexnet横のcustom]をクリック->テキストボックス内部のネット ワーク定義を書きかえる • fc6 – fc8までのエリアを書き換える • [Model Name]を適当につけて、[Create]ボタンをクリックして、学習を開始 2. 学習が終わったら、ジョブIDを控える 3. 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 ハンズオン
- 50.
- 51.