[サイトマップへ],

[サイト内検索へ]

SSD による物体認識（SnowMasaya/ssd_keras, Python 3.6，TensorFlow 1.15, Keras 2.0.9 を使用）

画像の物体認識を行ってみる．学習については，学習結果のファイルを所定のサイトからダウンロードしてみる．

前準備
隔離された Python 仮想環境の新規作成と，TensorFlow 1.15.3（旧バージョン）のインストール
SnowMasaya/ssd_keras のインストール
SSD を行ってみる

入力画像の例

出力としては「種類」を表すラベル（下の図では「Person」や「Bicycle」）と、バウンディングボックス

URL: https://github.com/SnowMasaya/ssd_keras

手順の要点: Python 3.6, TensorFlow 1.15, Python の仮想環境（Windows では C:\venv\tf115py36）

ソフトウエア等の利用条件は，利用者で確認すること．

謝辞：ソフトウエアの作者に感謝します．

前準備

Python 3.6 のインストール，pip と setuptools の更新

※ TensorFlow 1.15.3 に対応する Python は，3.6 や 3.7 など（3.8 は対応していない）（2020/06 時点）．このページでは 3.6 を使って説明する．3.7 でも同様の手順になる．

Windows の場合

Python 3.6 のインストール
Python の URL: http://www.python.org/
インストール手順の詳細は：別ページで説明している．
pip と setuptools の更新
コマンドプロンプトを管理者として実行し，次のコマンドを実行．
```
py -3.6 -m pip install -U pip setuptools
```

Ubuntu の場合

次の手順により，システム Python とは別に，pyenv を用いて Pytnon 3.6 をインストールする．（システム Python の設定は変えたくないため）．

pyenv のインストールと設定

図などの入った詳しい説明は別ページ．

sudo apt -yV install --no-install-recommends make build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev xz-utils tk-dev libxml2-dev libxmlsec1-dev libffi-dev liblzma-dev
cd /tmp
curl https://pyenv.run | bash
echo 'export PYENV_ROOT="${HOME}/.pyenv"' >> ~/.bashrc
echo 'if [ -d "${PYENV_ROOT}" ]; then' >> ~/.bashrc
echo '    export PATH=${PYENV_ROOT}/bin:$PATH' >> ~/.bashrc
echo '    eval "$(pyenv init -)"' >> ~/.bashrc
echo '    eval "$(pyenv virtualenv-init -)"' >> ~/.bashrc
echo 'fi' >> ~/.bashrc
exec $SHELL -l

次のコマンドにより，pyenv を用いて Python
3.6.10 をインストール
```
pyenv install 3.6.10
```
Ubuntu では端末を開く．
pyenv の Python 3.6 の有効化． pip と setuptools の更新
次のコマンドを実行．
```
pyenv shell 3.6.10
python -m pip install -U pip setuptools
```

Git のインストール

Git の URL: https://git-scm.com/

Windows での Git のインストール手順: 別ページで説明している．
Ubuntu での Git のインストール手順:
```
sudo apt -yV install git
```

（Windows を使う場合のみ）Visual C++ ビルドツール (Build Tools) のインストール

「Windows で Visual C++ ビルドツール (Build Tools) for Visual Studio 2017 のインストール（Chocolatey を利用）」で説明している．

以下，Windows に Python, git, Visual C++ ビルドツール (Build Tools) をインストール済みであるものとして説明を続ける．

（NVIDIA GPU を使うとき）NVIDIA グラフィックスボード・ドライバのインストール

※ GPU とは，グラフィックス・プロセッシング・ユニットの略で、コンピュータグラフィックス関連の機能，乗算や加算の並列処理の機能などがある．

ダウンロードページ

NVIDIA グラフィックスボード・ドライバのダウンロード用ページ: https://www.nvidia.co.jp/Download/index.aspx?lang=jp

詳細説明

Windows での NVIDIA グラフィックスボード・ドライバのインストール: 別ページで説明している．
Ubuntu での NVIDIA グラフィックスボード・ドライバのインストール: 別ページで説明している．

（NVIDIA GPU を使うとき）NVIDIA CUDA ツールキット 10.0 のインストール

※ CUDA とは，NVIDIA社が提供している GPU 用のプラットフォームである． ダウンロードページ

NVIDIA CUDA ツールキットのダウンロード用ページ: https://developer.nvidia.com/cuda-toolkit-archive

TensorFlow 2.1 以上の GPU 版での，NVIDIA CUDA のバージョンは 10.1 が指定されている． TensorFlow 1.15の GPU 版での，NVIDIA CUDA のバージョンは 10.0 が指定されている．指定されているバージョンより高いものは使わない．その根拠は次のページ． URL: https://www.tensorflow.org/install/source#common_installation_problems

詳細説明

Windows での NVIDIA CUDA ツールキットのインストール: 別ページで説明している．
Ubuntu での NVIDIA CUDA ツールキットのインストール: 別ページで説明している．

（NVIDIA GPU を使うとき）NVIDIA cuDNN のインストール

ダウンロードページ

NVIDIA cuDNN のダウンロード用ページ: https://developer.nvidia.com/cudnn から cuDNN を入手
ダウンロードして展開（解凍）したら，パスを通しておくこと．

次のページには，TensorFlow 2.1 以上の GPU 版での，cuDNN のバージョンは 7.6．そして，TensorFlow 1.13 以上 TensorFlow 2.0 までの GPU 版での，cuDNN のバージョンは7.4 が指定されている．

URL: https://www.tensorflow.org/install/source#common_installation_problems

詳細説明

Windows での NVIDIA CUDA ツールキットのインストール: 別ページで説明している．
Ubuntu での NVIDIA CUDA ツールキットのインストール: 別ページで説明している．

隔離された Python 仮想環境の新規作成と，TensorFlow 1.15.3（旧バージョン）およびPython 開発環境（JupyterLab, spyder）のインストール

最新版ではない TensorFlow を使う．そうした場合，運用を簡単にする（バージョン指定のもの間違ってアップデートしないなど）のために，venv を用いて，隔離された Python 仮想環境を作る．

今から作成する隔離された Python 仮想環境の名前と、Pythonのバージョンを決めておく

隔離された Python 仮想環境の名前: tf115py36
使用するPythonのバージョン: 3.6

ここで行う「隔離された Python 仮想環境の新規作成と，TensorFlow 1.15.3（旧バージョン）のインストール」ついては，より詳しくは，次のページで説明している．

Windows の場合: 別ページで説明
Ubuntu の場合: 別ページで説明

Windows の場合

Python 3.6 の準備
Windows での Python 3.6 の準備は，このページの上の方で説明している．
コマンドプロンプトを実行．
venv を用いて，Python 3.6 が動く隔離された Python 仮想環境を作る．
下の例では，隔離された Python 仮想環境のためのディレクトリを C:\venv\tf115py36に作成している．
```
py -3.6 -m venv C:\venv\tf115py36
```
venv の隔離された Python 仮想環境を有効化，TensorFlow 1.15.3 のインストール，Python 開発環境（JupyterLab, spyder）のインストール

venv を使い，孤立した Python 仮想環境を使っているときは，Windows でも Ubuntu でも同じで，「python -m pip install ...」. いま，venv を使っているかどうかは，プロンプトの「(venv)」で分かる．
```
C:\venv\tf115py36\Scripts\activate.bat
python -m pip install -U pip setuptools
python -m pip install -U tensorflow-gpu==1.15.3 tensorflow_datasets
python -m pip install -U jupyterlab jupyter jupyter-console jupytext spyder
```
（以下省略）

Ubuntu の場合

Python 3.6 の準備
Ubuntu での Python 3.6 の準備は，このページの上の方で説明している．
Ubuntu では端末を開く．
venv を用いて，Python 3.6 が動く隔離された Python 仮想環境を作る．
下の例では，隔離された Python 仮想環境のためのディレクトリを ~/tf115py36に作成している．
```
pyenv shell 3.6.10
python -m venv ~/tf115py36
```
venv の隔離された Python 仮想環境を有効化，TensorFlow 1.15.3 のインストール，Python 開発環境（JupyterLab, spyder）のインストール

venv を使い，孤立した Python 仮想環境を使っているときは，Windows でも Ubuntu でも同じで，「python -m pip install ...」. いま，venv を使っているかどうかは，プロンプトの「(venv)」で分かる．
```
source ~/tf115py36/bin/activate
python -m pip install -U pip setuptools
python -m pip install -U tensorflow-gpu==1.15.3 tensorflow_datasets
python -m pip install -U jupyterlab jupyter jupyter-console jupytext spyder
```

TensorFlow の確認

隔離された Python 仮想環境を有効化
- Windows: C:\venv\tf115py36\Scripts\activate.bat
- Ubuntu: source ~/tf115py36/bin/activate
TensorFlow のバージョン確認
※ バージョン番号が表示されれば OK．下の図とは違うバージョンが表示されることがある．
```
python -c "import tensorflow as tf; print( tf.__version__ )"
```
(GPU を使うとき) GPU が認識できてるかの確認
TensorFlow が GPU を認識できているかの確認は，端末で，次を実行して行う．
```
python -c "from tensorflow.python.client import device_lib; print(device_lib.list_local_devices())"
```

SnowMasaya/ssd_keras のインストール

Windows での手順を下に示す．Ubuntu でも同様の手順になる．

Windows では，コマンドプロンプトを実行．
隔離された Python 仮想環境を有効化
- Windows: C:\venv\tf115py36\Scripts\activate.bat
- Ubuntu: source ~/tf115py36/bin/activate
※ 以下，Windows での手順を示す．Ubuntu でも同様の手順になる．
keras matplotlib numpy imageio のインストール

venv を使い，孤立した Python 仮想環境を使っているときは，Windows でも Ubuntu でも同じで，「python -m pip install ...」. いま，venv を使っているかどうかは，プロンプトの「(venv)」で分かる．
```
python -m pip install -U keras==2.0.9 matplotlib numpy imageio
python -m pip install -U jupyterlab jupyter jupyter-console jupytext spyder
```
ディレクトリ（フォルダ）を空にする操作
```
cd C:\venv\tf115py36
rmdir /s /q ssd_keras
```

SnowMasaya/ssd_keras のインストール

git clone https://github.com/SnowMasaya/ssd_keras

rykov ssd_keras の Web ページに記載の通り，次のWebページを開く
https://mega.nz/#F!7RowVLCL!q3cEVRK9jyOSB9el3SssIA
2つの hdfファイルが表示されるので確認する．
2つともダウンロードしたい．「ZIPとしてダウンロードする」をクリック．
SSD.zip というファイルがダウンロードが始まるので確認する．
SSD.zip を展開（解凍）し，できたファイルを C:\venv\tf115py36\ssd_kerasに置く．
下の図のように

SSD を行ってみる

Python コンソールで，SSD.ipynb に記載のコマンドを実行しながら結果を確認したい．結果は，画像などでプロットされる場合がある．

Windows での手順を下に示す．Ubuntu でも同様の手順になる．

Windows では，コマンドプロンプトを実行．
隔離された Python 仮想環境を有効化
- Windows: C:\venv\tf115py36\Scripts\activate.bat
- Ubuntu: source ~/tf115py36/bin/activate
※ 以下，Windows での手順を示す．Ubuntu でも同様の手順になる．
カレントディレクトリ
```
cd C:\venv\tf115py36\ssd_keras
```
Jupyter Qt Console を起動
```
jupyter qtconsole
```
Python プログラムを動かして，結果を見たい．
Jupyter Qt Console， spyder， PyCharm， PyScripter が便利である． Windows では，スタートメニューの「IDLE (Python ...)」も便利である．
※ 「jupyter qtconsole」を入れたのに，jupyter qtconsole が起動しない という場合には，次の操作で，インストールを行ってから，もう一度試してみる．
```
python -m pip install -U jupyterlab jupyter jupyter-console jupytext spyder
```
ここから先は，jupyter qtconsole の画面で説明する．

使用する GPU のメモリ量を制限したい場合のみ

次を実行．「1024」のところは，適切に調整すること．

https://www.tensorflow.org/guide/gpu に記載の手順による．

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf

gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
  # Restrict TensorFlow to only allocate 1GB of memory on the first GPU
  try:
    tf.config.experimental.set_virtual_device_configuration(
        gpus[0],
        [tf.config.experimental.VirtualDeviceConfiguration(memory_limit=1024)])
    logical_gpus = tf.config.experimental.list_logical_devices('GPU')
    print(len(gpus), "Physical GPUs,", len(logical_gpus), "Logical GPUs")
  except RuntimeError as e:
    # Virtual devices must be set before GPUs have been initialized
    print(e)

ステップ 1 (初期設定)

次の Python プログラムを実行

※ https://github.com/SnowMasaya/ssd_keras/blob/master/SSD.ipynb の「in [1]」に記載の通り．

from __future__ import absolute_import, division, print_function, unicode_literals

from keras.applications.imagenet_utils import preprocess_input
from keras.backend.tensorflow_backend import set_session
from keras.preprocessing import image
import matplotlib.pyplot as plt
import numpy as np
from imageio import imread
import tensorflow as tf

from ssd_v2 import SSD300v2
from ssd_utils import BBoxUtility
import os

plt.rcParams['figure.figsize'] = (8, 8)
plt.rcParams['image.interpolation'] = 'nearest'

np.set_printoptions(suppress=True)

次のようなエラーが出たときは，「sys.path.append("C:\venv\tf115py36\ssd_keras")」のようなコマンドを実行の後，やり直す．

ステップ 2 (種類の設定)

次の Python プログラムを実行

※ https://github.com/SnowMasaya/ssd_keras/blob/master/SSD.ipynb の「in [2]」に記載の通り．

voc_classes = ['Aeroplane', 'Bicycle', 'Bird', 'Boat', 'Bottle',
               'Bus', 'Car', 'Cat', 'Chair', 'Cow', 'Diningtable',
               'Dog', 'Horse','Motorbike', 'Person', 'Pottedplant',
               'Sheep', 'Sofa', 'Train', 'Tvmonitor']
NUM_CLASSES = len(voc_classes) + 1

ステップ 3 （先ほどダウンロードした学習結果ファイル weights_SSD300.hdf5 の読み込み）
次の Python プログラムを実行
※ https://github.com/SnowMasaya/ssd_keras/blob/master/SSD.ipynb の「in [3]」に記載の通り．
```
input_shape=(300, 300, 3)
model = SSD300v2(input_shape, num_classes=NUM_CLASSES)
model.load_weights('weights_SSD300.hdf5', by_name=True)
bbox_util = BBoxUtility(NUM_CLASSES)
```

ステップ 4 (処理したい入力画像ファイル 5つの読み込み設定)

次の Python プログラムを実行

※ https://github.com/rykov8/ssd_keras/blob/master/SSD.ipynb の「in [4]」に記載の通り．

inputs = []
images = []
img_path = './pics/fish-bike.jpg'
img = image.load_img(img_path, target_size=(300, 300))
img = image.img_to_array(img)
images.append(imread(img_path))
inputs.append(img.copy())
img_path = './pics/cat.jpg'
img = image.load_img(img_path, target_size=(300, 300))
img = image.img_to_array(img)
images.append(imread(img_path))
inputs.append(img.copy())
img_path = './pics/boys.jpg'
img = image.load_img(img_path, target_size=(300, 300))
img = image.img_to_array(img)
images.append(imread(img_path))
inputs.append(img.copy())
img_path = './pics/car_cat.jpg'
img = image.load_img(img_path, target_size=(300, 300))
img = image.img_to_array(img)
images.append(imread(img_path))
inputs.append(img.copy())
img_path = './pics/car_cat2.jpg'
img = image.load_img(img_path, target_size=(300, 300))
img = image.img_to_array(img)
images.append(imread(img_path))
inputs.append(img.copy())
inputs = preprocess_input(np.array(inputs))

ステップ 5 (予測処理)
次の Python プログラムを実行
※ https://github.com/rykov8/ssd_keras/blob/master/SSD.ipynb の「in [5]」に記載の通り．
```
preds = model.predict(inputs, batch_size=1, verbose=1)
```
ステップ 6 (予測結果からバウンディングボックスを作るという後処理)
次の Python プログラムを実行
※ https://github.com/rykov8/ssd_keras/blob/master/SSD.ipynb の「in [6]」に記載の通り．
```
results = bbox_util.detection_out(preds)
```

最後のステップ（結果の表示）

次の Python プログラムを実行

※ https://github.com/rykov8/ssd_keras/blob/master/SSD.ipynb の「in [8]」に記載の通り．

for i, img in enumerate(images):
    # Parse the outputs.
    det_label = results[i][:, 0]
    det_conf = results[i][:, 1]
    det_xmin = results[i][:, 2]
    det_ymin = results[i][:, 3]
    det_xmax = results[i][:, 4]
    det_ymax = results[i][:, 5]

    # Get detections with confidence higher than 0.6.
    top_indices = [i for i, conf in enumerate(det_conf) if conf >= 0.6]

    top_conf = det_conf[top_indices]
    top_label_indices = det_label[top_indices].tolist()
    top_xmin = det_xmin[top_indices]
    top_ymin = det_ymin[top_indices]
    top_xmax = det_xmax[top_indices]
    top_ymax = det_ymax[top_indices]

    colors = plt.cm.hsv(np.linspace(0, 1, 21)).tolist()

    plt.figure()
    plt.imshow(img / 255.)
    currentAxis = plt.gca()

    for i in range(top_conf.shape[0]):
        xmin = int(round(top_xmin[i] * img.shape[1]))
        ymin = int(round(top_ymin[i] * img.shape[0]))
        xmax = int(round(top_xmax[i] * img.shape[1]))
        ymax = int(round(top_ymax[i] * img.shape[0]))
        score = top_conf[i]
        label = int(top_label_indices[i])
        label_name = voc_classes[label - 1]
        display_txt = '{:0.2f}, {}'.format(score, label_name)
        coords = (xmin, ymin), xmax-xmin+1, ymax-ymin+1
        color = colors[label]
        currentAxis.add_patch(plt.Rectangle(*coords, fill=False, edgecolor=color, linewidth=2))
        currentAxis.text(xmin, ymin, display_txt, bbox={'facecolor':color, 'alpha':0.5})
    
    plt.show()

実行結果

本サイトは金子邦彦研究室のWebページです．サイトマップは，サイトマップのページをご覧下さい．本サイト内の検索は，サイト内検索のページをご利用下さい．

問い合わせ先：金子邦彦（かねこくにひこ）