差分

このページの2つのバージョン間の差分を表示します。

--- mediapipe:モデル学習 [2023/05/15 14:18] – 作成 baba
+++ mediapipe:モデル学習 [2023/10/02 15:14] (現在) – [tensorlow on gpu] baba
@@ 行 1: / 行 1: @@
 ====== MediaPipeに利用するモデルの学習について ======
 年5月10のカンファレンス発表でMediaPipeが大きく進化しました．それに伴いカスタムモデルの作成等の情報がpreviewとして公開されています．一部ノウハウやバージョン情報が少なかったりで知見が必要だったのでこのページに忘備録代わりにまとめます．
+<WRAP center round tip 60%>
+mediapipeオフィシャルのチュートリアルでは，colabを利用することが前提になっています．colabを利用する限りは以下の情報は不要です．以下はローカル環境での学習です．デカ目のデータセットで学習が12時間以上必要な場合に限った話です．
+</WRAP>
 ====== 最初の環境構築 ======
@@ 行 17: / 行 22: @@
     - conda activate
     - pip install --upgrade pip
-    - pip install tensoflow
-    - pip install mediapipe
     - pip install mediapipe-model-maker
@@ 行 26: / 行 29: @@
   - anaconda のインストール
   - condaで環境構築
-    - conda create -n mediapipe python=3.9
-    - conda activate
-    - conda install -c conda-forge cudatoolkit=11.8.0
-    - python3 -m pip install nvidia-cudnn-cu11==8.6.0.163 tensorflow==2.12.*
-    - mkdir -p $CONDA_PREFIX/etc/conda/activate.d
-    - echo 'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
-    - echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
-    - source $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
-    - python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
-    - pip install --upgrade pip
-    - pip install tensoflow
-    - pip install mediapipe
-    - pip install mediapipe-model-maker
+  conda create -n mediapipe python=3.9
+  conda activate mediapipe
+  conda install -c conda-forge cudatoolkit=11.8.0
+  python3 -m pip install nvidia-cudnn-cu11==8.6.0.163 tensorflow==2.12.*
+  mkdir -p $CONDA_PREFIX/etc/conda/activate.d
+  echo 'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
+  echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/:$CUDNN_PATH/lib' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
+  source $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
+  python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"
+  pip install --upgrade pip
+  pip install mediapipe-model-maker
+====== 学習 ======
+物体検出の学習は以下のページがメインリソース
+  * https://developers.google.com/mediapipe/solutions/vision/object_detector/customize
+===== Multiple GPU =====
+GPUを利用刷る場合、上記で設定がうまく行っていればそのままGPUで学習が始まる。一方で複数GPUを持っている場合は、別途オプションを設定する必要がある。
+https://developers.google.com/mediapipe/solutions/customization/object_detector#hyperparameters このページでパラメーターの一覧が確認できる。この中のHParamsで学習時の設定ができるが、実はこのページではどのように複数GPUを利用刷るかがわからない。そこで、より細かいAPIページを参照する必要がある。 具体的には
+https://developers.google.com/mediapipe/api/solutions/python/mediapipe_model_maker/object_detector/HParams このページを参照する。ここで、
+ * num_gpus: 4
+等と設定することで、複数gpuを学習に利用できる。ただし、実際にこのオプションを設定して実行すると distribution_strageryが'off'ではだめだよ、というエラーになる。では distribution_strategyをどうすればよいのかが、実は述べられていない。結果としては、github上のソースコードから、サンプルとして、num_gpusを1以上に設定しているサンプルファイルでは、 distribution_strategyに 'mirrored'を設定しているものがあり、これに倣って 'mirrored' にしたら学習が進んだ。まとめると、
+ * num_gpus:4,
+ * distribution_strategy='mirrored'
+でOK.例えばこんな感じ
+<code>
+hparams = object_detector.HParams(
+  export_dir='exported_model',
+  epochs=120,
+  num_gpus=4,
+  distribution_strategy='mirrored'
+  )
+</code>
+====== 実行 ======
+うまくいくとモデルが完成するので，出来上がったモデルを試すページは以下
+  * https://mediapipe-studio.webapps.google.com/demo/object_detector