Soumettre la recherche
Mettre en ligne
はじめての人のためのDeep Learning
•
Télécharger en tant que PPTX, PDF
•
13 j'aime
•
4,925 vues
T
Tadaichiro Nakano
Suivre
DeepLearningについて全くの素人が触れてみた結果、どうやったら・何ができたかをまとめた資料
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 63
Télécharger maintenant
Recommandé
PythonによるDeep Learningの実装
PythonによるDeep Learningの実装
Shinya Akiba
ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装
Ryosuke Okuta
Deep Learning基本理論とTensorFlow
Deep Learning基本理論とTensorFlow
Tadaichiro Nakano
Deep learning入門
Deep learning入門
magoroku Yamamoto
実装ディープラーニング
実装ディープラーニング
Yurie Oka
TensorFlowとCNTK
TensorFlowとCNTK
maruyama097
Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015
Ryosuke Okuta
Pythonで体験する深層学習 5章
Pythonで体験する深層学習 5章
孝好 飯塚
Recommandé
PythonによるDeep Learningの実装
PythonによるDeep Learningの実装
Shinya Akiba
ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装
Ryosuke Okuta
Deep Learning基本理論とTensorFlow
Deep Learning基本理論とTensorFlow
Tadaichiro Nakano
Deep learning入門
Deep learning入門
magoroku Yamamoto
実装ディープラーニング
実装ディープラーニング
Yurie Oka
TensorFlowとCNTK
TensorFlowとCNTK
maruyama097
Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015
Ryosuke Okuta
Pythonで体験する深層学習 5章
Pythonで体験する深層学習 5章
孝好 飯塚
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
marsee101
DeepLearningTutorial
DeepLearningTutorial
Takayoshi Yamashita
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
Toshihiro Kamishima
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
Yasutomo Kawanishi
再帰型ニューラルネット in 機械学習プロフェッショナルシリーズ輪読会
再帰型ニューラルネット in 機械学習プロフェッショナルシリーズ輪読会
Shotaro Sano
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Yasutomo Kawanishi
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Convolutional Neural Network @ CV勉強会関東
Convolutional Neural Network @ CV勉強会関東
Hokuto Kagaya
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
Takayoshi Yamashita
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Yasutomo Kawanishi
17ゼロから作るディープラーニング2章パーセプトロン
17ゼロから作るディープラーニング2章パーセプトロン
Keiichirou Miyamoto
Image net classification with Deep Convolutional Neural Networks
Image net classification with Deep Convolutional Neural Networks
Shingo Horiuchi
Cvim saisentan-6-4-tomoaki
Cvim saisentan-6-4-tomoaki
tomoaki0705
深層学習入門
深層学習入門
Danushka Bollegala
ディープニューラルネット入門
ディープニューラルネット入門
TanUkkii
深層学習フレームワーク Chainer の開発と今後の展開
深層学習フレームワーク Chainer の開発と今後の展開
Seiya Tokui
深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術
孝昌 田中
Tutorial-DeepLearning-PCSJ-IMPS2016
Tutorial-DeepLearning-PCSJ-IMPS2016
Takayoshi Yamashita
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)
Kenta Oono
bigdata2012ml okanohara
bigdata2012ml okanohara
Preferred Networks
Opencv object detection_takmin
Opencv object detection_takmin
Takuya Minagawa
画像処理でのPythonの利用
画像処理でのPythonの利用
Yasutomo Kawanishi
Contenu connexe
Tendances
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
marsee101
DeepLearningTutorial
DeepLearningTutorial
Takayoshi Yamashita
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
Toshihiro Kamishima
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
Yasutomo Kawanishi
再帰型ニューラルネット in 機械学習プロフェッショナルシリーズ輪読会
再帰型ニューラルネット in 機械学習プロフェッショナルシリーズ輪読会
Shotaro Sano
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Yasutomo Kawanishi
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Convolutional Neural Network @ CV勉強会関東
Convolutional Neural Network @ CV勉強会関東
Hokuto Kagaya
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
Takayoshi Yamashita
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Yasutomo Kawanishi
17ゼロから作るディープラーニング2章パーセプトロン
17ゼロから作るディープラーニング2章パーセプトロン
Keiichirou Miyamoto
Image net classification with Deep Convolutional Neural Networks
Image net classification with Deep Convolutional Neural Networks
Shingo Horiuchi
Cvim saisentan-6-4-tomoaki
Cvim saisentan-6-4-tomoaki
tomoaki0705
深層学習入門
深層学習入門
Danushka Bollegala
ディープニューラルネット入門
ディープニューラルネット入門
TanUkkii
深層学習フレームワーク Chainer の開発と今後の展開
深層学習フレームワーク Chainer の開発と今後の展開
Seiya Tokui
深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術
孝昌 田中
Tutorial-DeepLearning-PCSJ-IMPS2016
Tutorial-DeepLearning-PCSJ-IMPS2016
Takayoshi Yamashita
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)
Kenta Oono
bigdata2012ml okanohara
bigdata2012ml okanohara
Preferred Networks
Tendances
(20)
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
「ゼロから作るDeep learning」の畳み込みニューラルネットワークのハードウェア化
DeepLearningTutorial
DeepLearningTutorial
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
Pythonによる機械学習入門 ~SVMからDeep Learningまで~
再帰型ニューラルネット in 機械学習プロフェッショナルシリーズ輪読会
再帰型ニューラルネット in 機械学習プロフェッショナルシリーズ輪読会
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Pythonによる機械学習入門 ~Deep Learningに挑戦~
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
Convolutional Neural Network @ CV勉強会関東
Convolutional Neural Network @ CV勉強会関東
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
Pythonによる機械学習入門〜基礎からDeep Learningまで〜
17ゼロから作るディープラーニング2章パーセプトロン
17ゼロから作るディープラーニング2章パーセプトロン
Image net classification with Deep Convolutional Neural Networks
Image net classification with Deep Convolutional Neural Networks
Cvim saisentan-6-4-tomoaki
Cvim saisentan-6-4-tomoaki
深層学習入門
深層学習入門
ディープニューラルネット入門
ディープニューラルネット入門
深層学習フレームワーク Chainer の開発と今後の展開
深層学習フレームワーク Chainer の開発と今後の展開
深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術
Tutorial-DeepLearning-PCSJ-IMPS2016
Tutorial-DeepLearning-PCSJ-IMPS2016
Introduction to Chainer (LL Ring Recursive)
Introduction to Chainer (LL Ring Recursive)
bigdata2012ml okanohara
bigdata2012ml okanohara
Similaire à はじめての人のためのDeep Learning
Opencv object detection_takmin
Opencv object detection_takmin
Takuya Minagawa
画像処理でのPythonの利用
画像処理でのPythonの利用
Yasutomo Kawanishi
Introduction of Python
Introduction of Python
Tomoya Nakayama
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
de:code 2017
[AI05] 目指せ、最先端 AI 技術の実活用!Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
[AI05] 目指せ、最先端 AI 技術の実活用!Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
de:code 2017
【macOSにも対応】AI入門「第3回:数学が苦手でも作って使えるKerasディープラーニング」
【macOSにも対応】AI入門「第3回:数学が苦手でも作って使えるKerasディープラーニング」
fukuoka.ex
「機械学習とは?」から始める Deep learning実践入門
「機械学習とは?」から始める Deep learning実践入門
Hideto Masuoka
ソフトウェアエンジニアのための「機械学習理論」入門・ハンズオン演習ガイド
ソフトウェアエンジニアのための「機械学習理論」入門・ハンズオン演習ガイド
Etsuji Nakai
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
Daiyu Hatakeyama
Azure Antenna AI 概要
Azure Antenna AI 概要
Miho Yamamoto
Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版
Daiyu Hatakeyama
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
nobu_k
コンピュータビジョン7章資料_20140830読書会
コンピュータビジョン7章資料_20140830読書会
Nao Oec
機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編
Daiyu Hatakeyama
2013.07.15 はじパタlt scikit-learnで始める機械学習
2013.07.15 はじパタlt scikit-learnで始める機械学習
Motoya Wakiyama
自習形式で学ぶ「DIGITS による画像分類入門」
自習形式で学ぶ「DIGITS による画像分類入門」
NVIDIA Japan
[機械学習]文章のクラス分類
[機械学習]文章のクラス分類
Tetsuya Hasegawa
【更新版】20190628玉川大学脳トレ社会科学oTree演習編
【更新版】20190628玉川大学脳トレ社会科学oTree演習編
Akira Goto
[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A Survey
Deep Learning JP
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
Etsuji Nakai
Similaire à はじめての人のためのDeep Learning
(20)
Opencv object detection_takmin
Opencv object detection_takmin
画像処理でのPythonの利用
画像処理でのPythonの利用
Introduction of Python
Introduction of Python
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
[AI08] 深層学習フレームワーク Chainer × Microsoft で広がる応用
[AI05] 目指せ、最先端 AI 技術の実活用!Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
[AI05] 目指せ、最先端 AI 技術の実活用!Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
【macOSにも対応】AI入門「第3回:数学が苦手でも作って使えるKerasディープラーニング」
【macOSにも対応】AI入門「第3回:数学が苦手でも作って使えるKerasディープラーニング」
「機械学習とは?」から始める Deep learning実践入門
「機械学習とは?」から始める Deep learning実践入門
ソフトウェアエンジニアのための「機械学習理論」入門・ハンズオン演習ガイド
ソフトウェアエンジニアのための「機械学習理論」入門・ハンズオン演習ガイド
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
2020/11/19 Global AI on Tour - Toyama プログラマーのための機械学習入門
Azure Antenna AI 概要
Azure Antenna AI 概要
Azure Machine Learning Services 概要 - 2019年2月版
Azure Machine Learning Services 概要 - 2019年2月版
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
コンピュータビジョン7章資料_20140830読書会
コンピュータビジョン7章資料_20140830読書会
機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編
2013.07.15 はじパタlt scikit-learnで始める機械学習
2013.07.15 はじパタlt scikit-learnで始める機械学習
自習形式で学ぶ「DIGITS による画像分類入門」
自習形式で学ぶ「DIGITS による画像分類入門」
[機械学習]文章のクラス分類
[機械学習]文章のクラス分類
【更新版】20190628玉川大学脳トレ社会科学oTree演習編
【更新版】20190628玉川大学脳トレ社会科学oTree演習編
[DL輪読会]Deep Face Recognition: A Survey
[DL輪読会]Deep Face Recognition: A Survey
Python 機械学習プログラミング データ分析演習編
Python 機械学習プログラミング データ分析演習編
Dernier
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
Dernier
(11)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
はじめての人のためのDeep Learning
1.
はじめての人のためのDeepLearning (画像認識編) GMOインターネット 次世代システム研究室 中野唯一郎
2.
2 目次: 1. 既存のモデルで画像識別器作成 2. クラウドでモデルを学習 3.
DLを利用したプログラム作成 4. まとめ
3.
3 そもそも なぜDeepLearningで 画像認識を研究?
4.
4 以前OpenCVでの画像認識をやってみたが X 顔、車など物体毎に設定ファイルの変更が必要 X 車の種類など細かい認識が難しい X
独自の物体認識器を作るのにも手間がかかる こういうった辛さも、流行のDeepLearningなら解 決してくれるのでは?という思いから
5.
5 研究内容: X 顔、車など物体毎に設定ファイルの変更が必要 X 車の種類など細かい認識が難しい →「1.既存のモデルで画像識別器作成」で解決策を 研究 X
独自の物体認識器を作るのにも手間がかかる →「2.クラウドでモデルを学習」で解決策を研究 最後に上記研究で蓄えた知識の応用として 「 3.DLを利用したプログラム作成」で研究
6.
6 自己紹介:中野唯一郎 ・2015/5~ GMOインターネット株式会社入社 次世代システム研究室所属 ・それまではSIer/コンサルでアパレル・官公庁の基 幹系システムを中心に12年間 ・センター試験-数学で200点満点中78点(しかも BASIC言語が50点)をとったほどの数学音痴 →今回の発表はそんなド素人がDeepLearningに触 れてみた内容の共有です。間違った内容はこっそ り教えて下さい
7.
7 目次: 1. 既存のモデルで画像識別器作成 2. クラウドでモデルを学習 3.
DLを利用したプログラム作成 4. まとめ
8.
8 いきなりDemo
9.
9 簡単な手順で設定ファイル変更もなく、 詳細な識別ができる! https://ja.wikipedia.org/wiki/%E3%83%89%E3%83%BC%E3%83%99%E3%83%AB%E3%83%9E%E3%83%B3
10.
10 Demo作成までに以下の工程を実施 以降でそれぞれを解説する 1. 理論実装 2. 環境構築 3.
ニューラルネットワーク、学習モデル用意 4. 画像識別プログラム作成
11.
11 Demo作成までに必要な工程 1. 理論実装 2. 環境構築 3.
ニューラルネットワーク、学習済モデル 4. 画像識別プログラム作成
12.
12 1.理論実装 DeepLearning関連理論の実装は避けられない・・・ →フレームワークを使えば解決!
13.
13 1.理論実装 代表的なDeepLearning フレームワーク • Caffe(←今回使用) -
現在のデファクトスタンダード - コミュニティが盛んで学習済モデル(後述)も豊富 - 情報が豊富であり馴染みやすいため今回使用 • Chainer - Jubatusでお馴染みのPFI社が作成 - 時系列等を扱えるRNN/LSTM対応 - ネットワーク設計のためのDSLが簡潔でわかりやすい • Deeplearning4j - 分散処理可能でHadoop上でも動作
14.
14 Demo作成までに必要な工程 1. 理論実装 2. 環境構築 3.
ニューラルネットワーク、学習済モデル 4. 画像識別プログラム作成
15.
15 2.環境構築 Caffeは依存ライブラリが非常に多いため手動インストールは 辛い。。。 依存ライブラリ CUDA : GPUを使用するためのライブラリ。NVIDEIA提供。 BLAS:
ベクトル/行列演算のための線形代数操作ライブラリ Boost: C++ユーティリティライブラリ Protobuf: データシリアライズライブラリ。Google Protocol Buffer LevelDB: 学習・評価データ格納用DB Snappy: データ圧縮・解凍ライブラリ HDF5: 大量数値データ保存用ライブラリ OpenCV: Computer Vision用ライブラリ and more...
16.
16 2.環境構築 with CUDA: GPU環境向け without
CUDA: CPU環境向け https://github.com/aydindemircioglu/vagrantcaffe
17.
17 2.環境構築 > git clone
https://github.com/aydindemircioglu/vagrantcaffe.git > cd ./vagrantcaffe/without.CUDA > vagrant up > vagrant ssh > cd /usr/local/caffe
18.
18 2.環境構築 後々エラーが起きるので、Caffeコードを一部修正 /usr/local/caffe/python/caffe/io.py:253行目 if ms !=
self.inputs[in_][1:]: - raise ValueError('Mean shape incompatible with input shape.') + # raise ValueError('Mean shape incompatible with input shape.') + in_shape = self.inputs[in_][1:] + m_min, m_max = mean.min(), mean.max() + normal_mean = (mean - m_min) / (m_max - m_min) + mean = resize_image(normal_mean.transpose((1,2,0)),in_shape[1:]).transpose((2,0,1)) * (m_max - m_min) + m_min
19.
19 2.環境構築 書籍「Caffeをはじめよう」(石橋崇司著 Oreilly刊行)より抜粋 というのもあり、CaffeのPythonモジュール修正は度々発生します “開発の中心組織であるBVLCのメンバーによると、 caffe.Netのみが公式サポートされており、それ 以外のモジュールは例として挙げているだけに過 ぎないとしています”
20.
20 Demo作成までに必要な工程 1. 理論実装 2. 環境構築 3.
ニューラルネットワーク/学習済モデル 4. 画像識別プログラム作成
21.
21 3.ニューラルネットワーク、学習済モデル用意 Deep Learningを用いた画像認識では 1. ニューラルネットワークと呼ばれるモデルの定義 2.
それを元に学習させた学習済モデル が動作に必要 →Caffeでは「Model Zoo」としてネット上に 公開! (※非商用ですけど、、、)
22.
22 3.ニューラルネットワーク、学習モデル用意 > cd /usr/local/caffe/examples/imagenet >
wget https://raw.githubusercontent.com/sguada/caffe- public/master/models/get_caffe_reference_imagenet_model.sh > chmod u+x get_caffe_reference_imagenet_model.sh > ./get_caffe_reference_imagenet_model.sh > cd /usr/local/caffe/data/ilsvrc12 > ./get_ilsvrc_aux.sh
23.
23 3.ニューラルネットワーク、学習済モデル用意 ダウンロードファイルで重要なもの bvlc_reference_caffenet.caffemodel ・学習済モデル。1ファイルのみで対象カテゴリ全てに対応 deploy.prototxt ・ネットワーク定義ファイル ilsvrc_2012_mean.npy ・ImageNetデータセット画像の平均値 ・入力画像からこの値を減算し、正規化を行うため必要 synset.txt ・カテゴリと物体名の紐付け表(ex. nXXXX warplane) ・NNからの出力は無意味なNo.のため、これを人間のわかる名前に紐 付けるために必要
24.
24 Demo作成までに必要な工程 1. 理論実装 2. 環境構築 3.
ニューラルネットワーク、学習済モデル 4. 画像識別プログラム作成
25.
25 4.識別プログラム作成 サンプルに格納されたプログラムをそのまま利用 /usr/local/caffe/python/caffe/classify.py(以下抜粋) # cpu/gpu切り替え if args.gpu: caffe.set_mode_gpu() print("GPU
mode") else: caffe.set_mode_cpu() print("CPU mode") # モデルから対応カテゴリを予測し、npy形式で保存する predictions = classifier.predict(inputs, not args.center_only) np.save(args.output_file, predictions)
26.
26 4.識別プログラム作成 npy形式をsynset.txtと照合して該当カテゴリを表示する # synset_words.txtロード categories =
numpy.loadtxt(sys.argv[1], str, delimiter="t") # npy形式データロード scores = numpy.load(sys.argv[2]) # score順にSortし、top_k数分だけカテゴリ表示する top_k = 3 prediction = zip(scores[0].tolist(), categories) prediction.sort(cmp=lambda x, y: cmp(x[0], y[0]), reverse=True) for rank, (score, name) in enumerate(prediction[:top_k], start=1): print('#%d | %s | %4.1f%%' % (rank, name, score * 100)) http://techblog.yahoo.co.jp/programming/caffe-intro/
27.
27 4.識別プログラム作成 コマンド実行 > python /usr/local/caffe/python/classify.py
--raw_scale 255 /hoge.jpg /usr/local/caffe/result.npy 1>/dev/null 2>/dev/null ; python /usr/local/caffe/show_result.py /usr/local/caffe/data/ilsvrc12/synset_words.txt /usr/local/caffe/result.npy"
28.
28 以上の手順のみで 詳細な物体認識まで可能なことを検証
29.
29 目次: 1. 既存のモデルで画像識別器作成 2. クラウドでモデルを学習 3.
DLを利用したプログラム作成 4. まとめ
30.
30 新しいオブジェクトを学習させるためには・・・ 大量の画像準備(1カテゴリに最低100枚以上) 画像リサイズ、LevelDB/LMDBへの登録 GPU搭載マシンの準備(CPUでもいいけど遅い) 各種パラメータの調整 etc.... OpenCVと同じくらいの手間。。。 もっと手軽にできないのか?
31.
31 https://www.labell.io/ja/
32.
32 Labellioとは? alpaca社が開発した画像認識を簡単に可能にするWeb プラットフォーム サーバ、ネットワークアキテクチャ等はチューニング 済みのものを使用 画像収集もBing/Flickerから取得可能 学習したモデルをCaffeの学習モデルとしてダウンロー ド可能 だれもが簡単に利用できて、それによって「新しい用 途」を生み出してほしいというコンセプト
33.
33 Labellioを使ったら 識別器作成も簡単そう!
34.
34 じゃあやってみよう!
35.
35 似ている芸能人を判別してみ よう 1. でんぱ組.inc 最上もが 2.
きゃりーぱみゅぱみゅ削除
36.
36 Labellio使用手順 1. モデル名入力
37.
37 Labellio使用手順 2. Bingで検索するワードを登録する
38.
38 これだけ (数分で完了)
39.
39 Demo
40.
40 Labellio結果サンプル お手軽画像認識させるには充分な機能あり 簡単に試したいときにはかなり心強いサービス 削除
41.
41 目次: 1. 既存のモデルで画像識別器作成 2. クラウドでモデルを学習 3.
DLを利用したプログラム作成 4. まとめ
42.
42 あらたな悩み
43.
43 今までの画像認識は一枚一オブジェクトしか対応していない #1| goose #2| hen #3|
Kakatoe galerita ○ #1| unicycle (一輪車) #2| taxi #3| go-kart(ゴーカート) ? https://www.pakutaso.com/20110944268post-668.html http://www.ashinari.com/2015/09/18-393195.php?category=11
44.
44 複数オブジェクトでも なにがあるか認識できないか?
45.
45 (参考)http://demo.illustration2vec.net/ こういうのが理想!(これもDeepLearning) 削除
46.
46 実現はできそう! とりあえずやってみよう!
47.
47 複数オブジェクトへの対応への道: R-CNN 1. 画像をインプット 2.
画像から物体があると思われる領域を抽出する 3.4. DeepLearningを使い、領域毎に画像認識させる Girshick, R., Donahue, J., Darrell, T., & Malik, J. “Rich feature hierarchies for accurate object detection and semantic segmentation”. CVPR2014.
48.
48 物体があると思わえる領域を抽出する方法 CPMC(Constrained Parametric Min-Cuts) ・点を配置し、その周囲をグラフカット ・処理速度が遅いが、領域を高精度に判定 Selective
Search ・色、輝度、テクスチャが似ている領域を探索し、物体検 出する ・高速だが精度はCPMCほどではない ・最近流行りの判定方法 →今回は処理速度が早く、モダンなSelective Searchを使用
49.
49 ただのR-CNNやるのも 面白く無いので、これを利用した プログラムを作ってみよう!
50.
50 R-CNNを利用したサムネイル抽出をしてみよう 画像中央を抽出 ? R-CNNを使って 重要な部分を抽出 https://www.pakutaso.com/20120109005post-1066.html 犬の一部が 欠けてる…
51.
51 (参考)白ヤギコーポレーション Blog http://aial.shiroyagi.co.jp/2014/12/%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%83%A9%E3%8 3%BC%E3%83%8B%E3%83%B3%E3%82%B0%E3%82%92%E4%BD%BF%E3%81%A3%E3%81%9F%E3% 82%A4%E3%83%A1%E3%83%BC%E3%82%B8%E3%81%AE%E5%88%87%E3%82%8A%E6%8A%9C%E3 %81%8D/
52.
52 サムネイル抽出ロジック 1. SelectiveSearchで領域検出する 2. 検出した領域をDeepLearningにかけScoreを測る 3.
Scoreの高いTop-Nを取得 4. Top-NのScoreを加算していき、最も高い点数を得 た領域のまん中を中心にしてサムネイル抽出する
53.
53 1. SelectiveSearchで領域検出する 赤い枠線で囲まれた領域を検出 それぞれをDLにかけ判別させる
54.
54 2. 検出した領域をDeepLearningにかけScoreを測る 3. Scoreの高いTop-Nを取得 Score: 0.462 Score: 0.456 Score: 0.460 ・・・
55.
55 4. (Y軸)得点総計の高い領域のまん中を中心にしてサムネイル抽出する 0.460 0.462 0.456
56.
56 R-CNNを利用したサムネイル抽出をしてみよう(結果) 画像中央を抽出 R-CNNを使って 重要な部分を抽出 https://www.pakutaso.com/20120109005post-1066.html 全体像が 写っている!
57.
57 Selective Searchコーディング例 ※Labellio のSelectiveSearchライブラリ使用 import
selectivesearch # selective search実行 regionsにx,yの座標とそこからの距離が格納 img_lbl, regions = selectivesearch.selective_search(inputs[0], scale=100, sigma=0.9, min_size=10) for r in regions: # 同じ領域が検出されたら対象外 if r['rect'] in candidates: continue # 500ピクセル以下は対象が if r['size'] < 500: continue candidates.add(r['rect']) for x,y,w,h in candidates: imgar = inputs[0][y: y+h, x: x+w] predictions = classifier.predict([imgar], not args.center_only)
58.
58 当方式における課題 処理速度の遅さ ・領域毎に認識が走るため、時間がかかる →Fast R-CNNという新しい手法の導入(数百倍) →GPUサーバ導入 物体検出の精度 ・人間が重要だと思う領域を抜き出さないことがある →FaceDetectionなどの複数手法、複数パラメータ での抜き出しなど
59.
59 目次: 1. 既存のモデルで画像識別器をつくろう 2. クラウドでモデルを学習させよう 3.
DLを利用したプログラムをつくろう 4. まとめ
60.
60 DeepLearning使えばいろんなことができそう 画像を分類分け、タグ付けをする 天気の判別 不審者の侵入検知 自分の好きな俳優だけが写っているシーンを抽出 好きな音楽ジャンルの動画を検索
61.
61 新しい分野だけにアイデアさえ思いつけ ば競争優位にたてるかも
62.
62 まずは気軽に試して、 次世代ビジネスのアイデアを育てよう!
63.
63 ご清聴ありがとうございました
Télécharger maintenant