私的AI研究会 > ProjectEnv2

AI開発プロジェクト環境構築（Linux編） †

anaconda-logo.png
ubuntu_s.jpg

　AI開発プロジェクト実行に必要な環境を新しく作成する手順（最新版）
　『PyTorch ではじめる AI開発』以降のページを実行するために新しく環境を作成する
　同時に「NVIDIA cuda GPU」を使用できる環境構築をする

▼　目　次
※ 最終更新:2024/06/11　
↑

anaconda のインストール †

↑

設定動作環境 †

20210401_161018_001m.jpg
hp-envy.jpg

　HP ENVY Desktop TE02-1097jp

　Intel® NUC BXNUC10I5FNH

↑

anaconda のダウンロードとインストール †

  1. オフィシャルサイト https://www.anaconda.com/products/distribution にアクセス

    inst_ubuntu2204_30.jpg
    　● 画面の「Download」ボタンを押してダウンロード

    　● ダウンロード・ファイル名（2023/12/09 現在）
    　　Anaconda3-2023.09-0-Linux-x86_64.sh

  2. ダウンロードファイル「Anaconda3-2023.09-0-Linux-x86_64.sh」を実行する
    $ cd ダウンロード
$ ls
Anaconda3-2023.09-0-Linux-x86_64.sh
$ bash Anaconda3-2023.09-0-Linux-x86_64.sh

Welcome to Anaconda3 2023.09-0

In order to continue the installation process, please review the license
agreement.
Please, press ENTER to continue
>>>　　　　　　　　　　　　　← Enter入力
    :
Do you accept the license terms? [yes|no]
[no] >>> yes 　　　　　　　　← yes入力

Anaconda3 will now be installed into this location:
/home/USER/anaconda3

  - Press ENTER to confirm the location
  - Press CTRL-C to abort the installation
  - Or specify a different location below

[/home/USER/anaconda3] >>> ← Enter入力
    :
You can undo this by running `conda init --reverse $SHELL`? [yes|no]
[no] >>> 　　　　　　　　　　← Enter入力
    :
conda init

Thank you for installing Anaconda3!

  3. インストールの確認
    $ source ~/anaconda3/etc/profile.d/conda.sh　　　　← conda 初期設定（ターミナル起動後一度だけ実行）
$ conda -V　　　　　　　　　　　　　　　　　　　　 ← conda バージョン表示
conda 23.7.4
$ conda info -e　　　　　　　　　　　　　　　　　　← conda 仮想環境一覧表示
# conda environments:
#
base                     /home/USER/anaconda3
↑

Anaconda 仮想環境一覧 †

↑

Anaconda 環境設定の確認方法 †

  1. 仮想環境にパスが通っていることの確認
    (***) $ which python
(***) $ which pip
(***) $ which conda
  2. python3, pip3 は，システムのものよりも，Anaconda のものが優先して使用されることの確認
    ※ 新しい版の anaconda では python, pip は python3, pip3 と同じ
    (***) $ which python3
(***) $ which pip3
  3. python のバージョンの確認
    (***) $ python -V
↑

ターミナル起動時に仮想環境を選択できるようにする †

  1. 仮想環境の起動スクリプトを作成（仮想環境ごとに作る）
    ▼「anaconda_setup.sh」

  2. ターミナル起動スクリプトを作成
    ▼「env_select.sh」

  3. Anaconda 環境起動スクリプトに実行権限を付加する
    $ chmod u+x anaconda_setup.sh
$ chmod u+x env_select.sh

  4. 「.bashrc」の最後に「source env_select.sh」の1行を追加する
        :
source env_select.sh
↑

プロジェクト環境設定１：PyTorch ではじめる AI開発 【仮想環境(py37)】 †

chapt05_result_s.gif
pytorch_book_s.jpg
↑

anaconda の環境設定（py37） †

  1. Anaconda の設定 Python 3.7 の仮想環境を作成する
    ・conda 初期設定（実行していない場合）
    $ source ~/anaconda3/etc/profile.d/conda.sh
    ・仮想環境作成
    (base) $ conda create -n py37 python=3.7
    ・仮想環境の確認
    (py37) $ conda info -e　　　　　　　　　　　　　　　　　　← conda 仮想環境一覧表示
# conda environments:
#
base                     /home/USER/anaconda3
py37                     /home/USER/anaconda3/py37
  2. 仮想環境を起動する
    (base) $ conda activate py37
(py37) $
    　※ 現在の仮想環境から出る場合 
    (py37) $ conda deactivate
$
  3. 仮想環境の起動スクリプトを作成
    ▼「anaconda_setup_py37.sh」
↑

Pytorch と必要なパッケージのインストール †

  1. 仮想環境に PyTorch をインストールする
    pytorch01_m.jpg

    ● オフィシャルサイト PyTorch FROM RESEARCH TO PRODUCTION からインストールのためのコマンドを取得する
    (py37) $ pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu      ← CPUを指定
    ▼「pip install torch torchvision torchaudio ...」ログ

  2. パッケージのインストール
    (py37) $ sudo apt install libgtk2.0-dev
    ▼「sudo apt install libgtk2.0-dev」ログ 
    (py37) $ sudo apt install pkg-config
    ▼「sudo apt install pkg-config」ログ

  3. 「conda install」コマンドでパッケージをインストール
    (py37) $ conda install --channel loopbio --channel conda-forge --channel pkgw-forge gtk2 ffmpeg gtk2-feature opencv
    ▼「conda install --channel loopbio ...」ログ 
    (py37) $ conda install pandas
    ▼「conda install pandas」ログ 
    (py37) $ conda install tqdm
    ▼「conda install tqdm」ログ 
    (py37) $ conda install matplotlib
    ▼「conda install matplotlib」ログ 
    (py37) $ conda install PyYAML
    ▼「conda install PyYAML」ログ

  4. 「pip install」コマンドでパッケージをインストール
    (py37) $ pip install scikit-learn
    ▼「pip install scikit-learn」ログ 
    (py37) $ pip install pycocotools
    ▼「pip install pycocotools」ログ 
    (py37) $ pip install facenet-pytorch
    ▼「pip install facenet-pytorch」ログ
↑

環境の確認 †

  1. 「Pytorch」のインストール確認
    (py37) $ python -c "import torch"
  2. 「PyTorch」で GPU 使用できるかの確認
    (py37) $ $ python -c 'import torch;print(torch.zeros(1).cuda())'
Traceback (most recent call last):
  File "<string>", line 1, in <module>
  File "/home/USER/anaconda3/envs/py37/lib/python3.7/site-packages/torch/cuda/__init__.py", line 221, in _lazy_init
    raise AssertionError("Torch not compiled with CUDA enabled")
AssertionError: Torch not compiled with CUDA enabled
    ※ 今回ドライバをインストールしていないのでエラーとなる
  3. 「tkinter」パッケージのインストール確認
    (py37) $ python -c 'import tkinter'
  4. 「ffmpeg」コマンドの確認
    (py37) $ ffmpeg -h
    ▼「ffmpeg -h」ログ
↑

書籍サンプルファイルのダウンロードとテスト †

inst_ubuntu2204_32.png
  1. 書籍オフィシャルサイト にアクセスしてサンプルデータをダウンロードする。(pytc/sk353)
  2. プロジェクトのディレクトリ「~/workspace_py37」を作成し、解凍して配置する。
    ▼サンプルデータの配置

  3. サンプルファイル「chapt01_1.py」を実行してみる。
    (py37) $ cd ~/workspace_py37/sample/chapt01
(py37) $ python3 chapt01_1.py
↑

python3.7 環境構築の確認 †

  1. パスが通っていることの確認
    (py37) $ which python
(py37) $ which ipython
(py37) $ which pip
(py37) $ which conda
  2. python のバージョンの確認
    (py37) $ python --version
  3. conda の動作確認
    ※ エラーメッセージが出なければ OK.
    (py37) $ conda info
  4. python3, pip3 は，システムのものよりも，Anaconda のものが優先して使用されることの確認
    (py37) $ which python3
(py37) $ which pip3
  5. Anaconda の Python の numpy を確認
    ※ バージョン番号が表示されれば OK．
    (py37) $ python -c "import numpy; print( numpy.__version__ )"
    ▼　環境構築後の確認結果
↑

PyTorch ではじめる AI開発 【仮想環境(py37)】実行プロジェクト　環境は既に構築済み †

chapt05_result3_s.gif
  1. Chapter2: 定点カメラの映像を認識する
    　OpenVINO™ を利用する（ONNXモデルコンバート検証）
  2. Chapter3: 教師データにない状況を異常検出
  3. Chapter4: 物体検出と学習済みモデル
  4. Chapter5: 動画の背景を入れ替える
  5. Chapter6: アジア人向けに強化された顔認証 (保留)
  6. Chapter7: 線画をイラストに変換する
  7. Chapter8: OCR における文字認識
  8. Chapter9: OCR を完成させる
↑

プロジェクト環境設定２：文字認識「OCR」【仮想環境(py37x)】 †

20220115_000001_001m.jpg
↑

プロジェクトパッケージの配置 †

  1. 「更新ファイル for Linux」「プロジェクト・パッケージ for Linux」をダウンロード
    update_20220119.tar.gz (352MB) <アップデートファイル>
    update_20220216.tar.gz (263MB) <アップデートファイル>
    update_20220315.tar.gz (274MB) <アップデートファイル>
    workspace_20210820.tar.gz (561MB)
    update_20220417.tar.gz (42.1MB) <プロジェクト一式>

  2. 「 Linux ホームディレクトリのファイル」をダウンロード
    Images_20210510.tar.gz (10MB)「~/Images」画像データ
    Videos_20210510.tar.gz (324MB)「~/Videos」動画データ
    model_sub_2021.4_20210818.tar.gz (944MB) 必要モデルのみのサブセット版

  3. 解凍して配置
    (1)「update_20220119.tar.gz」「update_20220216.tar.gz」「update_20220315.tar.gz」を解凍してできたディレクトリをホームディレクトリ直下に配置する
    (2)「workspace_20210820.tar.gz」」を解凍しできた 'workspace/image' ディレクトリを '~/workspace/' の下にコピーする
    (3)「update_20220417.tar.gz」を解凍してできたディレクトリをホームディレクトリ直下に配置する
    (4)「Images_20210510.tar.gz」「Videos_20210510.tar.gz」「model_sub_2021.4_20210818.tar.gz」を解凍してできたディレクトリをホームディレクトリ直下に配置する

  4. ホームディレクトリ内のプロジェクト関連ディレクトリ
    ~/                               ← ホームディレクトリ
├─Images                      ← アプリケーションで利用する画像ファイル
├─model                       ← OpenVINOアプリケーションで利用する学習済みモデル
│  ├─intel
│  │  └─FP32
│  └─public
│      └─FP32
├─Videos                      ← アプリケーションで利用する動画ファイル
├─workspace                   ← OpenVINO を移用したアプリケーション・プロジェクト
│  ├─_apps                   ← anaconda (Windows/Linux) 環境に対応したアプリケーション ※
│  └─image                   ← イメージ画像
└─workspace_py37              ← anaconda 環境下のアプリケーション・プロジェクト
    ├─exercise                ← GUI 環境構築のテスト
    ├─pyocr                   ← OCR のテストアプリケーション ※
    ├─tryocr                  ← OCR アプリケーション作成プロジェクト（旧藩） ※
    │
    ├─formocr                 ← OCR アプリケーション作成プロジェクト ※
    └─environment_py37x.yaml  ← 仮想環境設定ファイル

 ※ anaconda (Windows/Linux) 環境に対応したプロジェクト
↑

仮想環境(py37x) の作成 †

  1. Anaconda の設定ファイルを読み込む（一度も実行していない場合）
    $ source ~/anaconda3/etc/profile.d/conda.sh
  2. 環境設定ファイルから conda 仮想環境を構築する
    (base) $ cd ~/workspace_py37
(base) $ conda env create -f environment_py37x.yml
    ▼「conda env create -f environment_py37x.yml」ログ
  3. 仮想環境を起動する。
    (base) $ conda activate py37x
(py37x) $
  4. 仮想環境の確認
    (py37x) $ conda info -e
# conda environments:
#
base                     /home/USER/anaconda3
py37                     /home/USER/anaconda3/envs/py37
py37x                 *  /home/USER/anaconda3/envs/py37x
  5. 仮想環境の起動スクリプトを作成
    ▼「anaconda_setup_py37x.sh」
↑

『OCR アプリケーション基礎編：文字認識エンジン「Tesseract」』で作成したプログラムの実行 †

Tesseract_logo_001.png

参照ページ → 「実用的な AI開発へ - 文字認識エンジン「Tesseract」
ソースコードの場所 (すべて Linux/Windows 環境に対応)

(py37x) $ cd ~/workspace_py37/pyocr
  1. 環境構築と対応言語の確認
    (py37x) $ python initialization.py
Will use tool 'Tesseract (sh)'
Available languages: eng, jpn, jpn_vert, osd, script/Japanese, script/Japanese_vert
Will use lang 'eng'
  2. OCR としての簡単なテスト
    pyocr_01_m.jpg
    (py37x) $ python ocrtest.py
  3. Webカメラ入力の簡単なテスト「ocrtest_cam.py」
    (py37x) $ python ocrtest_cam.py
  4. Step 1 イメージ画像からテキストを認識する「ocrtest1.py」
    (py37x) $ python ocrtest1.py
  5. Step 2 イメージ画像から文字と文字の位置を認識する「ocrtest2.py」
    (py37x) $ python ocrtest2.py
  6. Step 3 イメージ画像から文章と文章の位置と信頼性スコアを取得する「ocrtest3.py」
    (py37x) $ python ocrtest3.py
  7. Step 4 文章と文章の位置と信頼性スコアを表示する「ocrtest4.py」
    (py37x) $ python ocrtest4.py
  8. OCR アプリケーション 試作版「tryocr.py」
    (py37x) $ python tryocr.py
↑

『OCR アプリケーション基礎編：OCR アプリケーションを作る』で作成したプログラムの実行 †

参照ページ → 実用的な AI開発へ - OCR アプリケーションを作る
ソースコードの場所 (すべて Linux/Windows 環境に対応)

20211221_000001_001m.jpg
(py37x) $ cd ~/workspace_py37/tryocr
  1. Step 1 帳票画像の一部領域を指定して文字認識させる「tryocr_step1.py」
    (py37x) $ python tryocr_step1.py
  2. Step 2 指定した領域の切り出しをオリジナルの元画像で行うようにする「tryocr_step2.py」
    (py37x) $ python tryocr_step2.py
  3. Step 3 切り出した画像に前処理を加えて文字認識を行う「tryocr_step3.py」
    (py37x) $ python tryocr_step3.py
  4. 設定ファイルを作成・編集する「mylib_yaml.py」
    (py37x) $ python mylib_yaml.py
  5. Step 4 位置情報を入力・編集・ファイルするプログラムを考える 「tryocr_step4.py」
    (py37x) $ python tryocr_step4.py
  6. Step 5 配置情報ファイルを利用して伝票内を一括処理する 「tryocr_step5.py」
    (py37x) $ python tryocr_step5.py
  7. Step 6 Step 6 OCR から得られた各項目の妥当性の検査と CSV 出力 「tryocr_step6.py」
    (py37x) $ python tryocr_step6.py
↑

『OCR アプリケーション実践編：帳票OCRプログラム「FormOCR」』で作成したプログラムの実行 †

参照ページ → 帳票OCRプログラム「FormOCR」：サンプルデータを使って練習
ソースコードの場所 (すべて Linux/Windows 環境に対応)

20220307_000003_001m.jpg
(py37x) $ cd ~/workspace_py37/formocr
  1. サンプルデータの水平傾き補正をする
    (py37x) $ python prepros.py -r 0
  2. サンプル帳票を自動識別処理する
    (py37x) $ python formocr.py
  3. サンプル帳票のフォーム編集プログラム
    (py37x) $ python formocr_edit.py
↑

『AI・エッジコンピューティング』で作成したプログラムの実行 †

  1. 感情分析 / 年齢/性別分析 / 物体検出 / 人物追跡 / 顔追跡
    omzdemo01s.jpg
    omzdemo02s.jpg
    omzdemo03s.jpg
    omzdemo04s.jpg
    omzdemo05s.jpg
    (py37x) $ python emotion2.py
(py37x) $ python age_gender2.py
(py37x) $ python object_detect_yolo3_2.py
(py37x) $ python person-tracking2.py
(py37x) $ python face-tracking2.py
  2. リアルタイム感情分析 / リアルタイム画像分類 / メガネ・帽子 バーチャル試着 / マスク着用の有無を調べる
    omzdemo06s.jpg
    omzdemo07s.jpg
    omzdemo08s.jpg
    omzdemo13s.jpg
    (py37x) $ python sentiment_analysis2.py
(py37x) $ python image_classification.py
(py37x) $ python virtual_fitting.py
(py37x) $ python face_mask.py
↑

プロジェクト環境設定３：顔認証「Face recognition」【仮想環境(py37y)】 †

output.jpg
↑

顔認証/顔認識 (Face recognition) †

  1. プロジェクトの準備
    ・update_20220617.tar.gz をダウンロード
    ・解凍してホームディレクトリ直下に配置する~
    ホームディレクトリ内のプロジェクト関連ディレクトリ
    ~/                               ← ホームディレクトリ
├─Images
├─model
├─Videos
└─workspace_py37
    ├─mylib
    ├─openvino
    └─reception
  2. 環境設定ファイルから conda 仮想環境を構築する
    ・環境設定ファイル「environment_py37x.yml」のある場所に移動
    (base) $ cd ~/workspace_py37
    ・仮想環境「py37y」を作成
    (base) $ conda env create -f environment_py37y.yml
  3. 仮想環境（py37y）を有効にする
    (base) $ conda activate py37y
  4. 不足パッケージをインストール
    (py37y) $ pip install PyMuPDF
    ▼「$ pip install PyMuPDF」ログ

  5. 仮想環境の起動スクリプトを作成
    ▼「anaconda_setup_py37y.sh」

  6. InsightFace の検証
    ・ InsightFace のインストール
    (py37y) $ pip install insightface
    ・「opencv-python-headless」がインストールされるので削除
    (py37y) $ pip uninstall opencv-python-headless
    ・「ONNX Runtime」のGPU版をインストールする
    (py37y) $ pip uninstall onnxruntime
(py37y) $ pip install onnxruntime-gpu
    ・ InsightFace のテスト
    20240116_060404_001_m.jpg
    (py37y) $ cd ~/workspace_py37/inface/
(py37y) $ python face_test.py
    　※ CPU版だと次項のテストプログラムでエラーとなる
    (py37y) $ python face_test1.py 
Traceback (most recent call last):
  File "face_test1.py", line 6, in <module>
    app = FaceAnalysis()
    :
  File "/home/mizutu/anaconda3/envs/py37y/lib/python3.7/site-packages/onnxruntime/capi/onnxruntime_inference_collection.py", line 54, in set_provider_options
    name, ", ".join(available_provider_names)))
ValueError: Specified provider 'CUDAExecutionProvider' is unavailable. Available providers: 'CPUExecutionProvider'
    ・ InsightFace でカメラ入力をテスト
    (py37y) $ python face_test1.py

  7. Face Recognition の検証
    ・パッケージ(dlib/face_recognition) のインストール
    (py37y) $ conda install -c conda-forge dlib
(py37y) $ conda install -c conda-forge face_recognition
    ・「face recognition」パッケージのテスト 
    (py37y) $ python face_rec_test.py                                          
[True] [0.30687301]
(py37y) $ python face_rec_test1.py 
image0:  face_img/okegawa_1.jpg
image1:  face_test/okegawa_2.jpg
  [ True] [0.41664106]
    ・カメラによるリアルタイム顔判定
    (py37y) $ python face_rec_test2.py 
3
[0.55147394 0.78115689 0.70873044]
[0.54753754 0.75612715 0.67837891]
    :
↑

顔認証プログラムの開発 Step 1 †

face_rec1_out1.gif
  1. プロジェクトの準備
    ・update_20220719.zip をダウンロード

  2. カメラによるリアルタイム顔判定「face_rec1.py」
    (py37y) $ cd ~/workspace_py37/face_rec/
(py37y) $ python face_rec1.py
Starting..
 - Program title  : Face recognition (step1)  Ver 0.02
    :
FPS average:      27.20
Finished.
↑

顔認証プログラムの開発 Step 2 †

20220711_164442_000m.jpg
  1. カメラで認識した顔画像を登録「face_rec2.py」
    (py37y) $ python face_rec2.py
Starting..
 - Program title  : Face recognition (step2)  Ver 0.02
    :
FPS average:      25.50
Finished.
↑

顔認証/顔認識パッケージ「Face recognition」のテスト †

20220715_043415_000m.jpg
  1. [顔検出] 画像から顔を見つける「find_faces_in_picture.py」
    (py37y) $ cd ~/workspace_py37/face_rec_try/
(py37y) $ python find_faces_in_picture.py
  2. [顔検出] 画像から顔を見つける（ディープラーニングを使用する）「find_faces_in_picture_cnn.py」
    (py37y) $ python find_faces_in_picture_cnn.py
  3. [顔認識] k近傍法で顔認識する「face_recognition_knn.py」
    (py37y) $ python face_recognition_knn.py
  4. [顔認識] 人物ごとに複数の画像をトレーニングし、SVM（サポートベクターマシン）を用いて顔認識する「face_recognition_svm.py」
    (py37y) $ python face_recognition_svm.py
↑

顔認証プログラムの開発 Step 3 †

20220716_162957_000m.jpg
  1. 顔登録の方法と認識手法を改良する「face_rec3.py」
    (py37y) $ cd ~/workspace_py37/face_rec/
(py37y) $ python face_rec3.py
  2. 静止画像を対象にした顔認識アプリケーション「face_rec_still.py」
    (py37y) $ python face_rec_still.py --tol 0.5
↑

顔認証プログラムの開発 Step 4「顔認証の結果で『自動ドア』を制御する」 †

auto_door.gif
  1. 開発手順 / 事前準備
    ・update_20220820.tar.gz をダウンロード
    ・必要なパッケージの導入
    (py37y) $ conda install -c conda-forge readchar
(py37y) $ conda install -c conda-forge pyserial
  2. USB 通信ポートの確認
    (py37y) $ ls -la /dev/ttyUSB0
crw-rw-rw- 1 root dialout 188, 0  2月 14 09:21 /dev/ttyUSB0
  3. ドア制御付き顔認証プログラム「face_rec3d.py」の実行
    (py37y) $ python door_ctrl.py /dev/ttyUSB0
'/dev/ttyUSB0' port ready.
b'd'
b'o'
b'c'
b'q'
Program Finished.
    (py37y) $ python face_rec3d.py -p /dev/ttyUSB0
Starting..
 - Program title  : Face recognition (step3)  Ver 0.02
    :
 - UART port name : /dev/ttyUSB0
'/dev/ttyUSB0' port ready.
FPS average:      26.70
Finished.
↑

Open JTalk で日本語発声 †

openjtalk.png
  1. OpenJtalk のインストール Linux 環境の場合
    ・update_20220916.tar.gz をダウンロード
    ・ページ記載の手順でインストール

  2. Python による再生プログラム Linux 環境の場合
    (py37y) $ cd ~/workspace_py37/jtalk/
(py37y) $ python jtalk.py
↑

Pythonでメール送信 †

  1. テスト実行 (Linuxの例)
    (py37y) $ cd ~/workspace_py37/jtalk/
(py37y) $ python mail.py
↑

顔認証プログラムの開発 Step 5「認証結果を音声とメールで知らせる」 †

20240112_103746_001m.jpg
  1. プロジェクトの準備（前項で済み）
    ・(参考)「Reception」プロジェクトの動作環境構築
    ・Pyserialのインストール

  2. 設定ファイルアクセス・プログラム「face_rec_yaml.py」
    (py37y) $ cd ~/workspace_py37/face_rec
(py37y) $ python face_rec_yaml.py
  3. 顔認証結果の処理・プログラム「rec_result.py」
    (py37y) $ python rec_result.py
  4. 顔認証プログラム (Step 6)「face_rec4.py」
    (py37y) $ python face_rec4.py
Starting..
 - Program title  : Face recognition (step4)  Ver 0.04
    :
subject : '2024/01/12 10:37:40 : 受付'
message : '井筒 政弘 様 来社です
hostname : ubuntu-HP-ENVY
from : aipromotion999@gmail.com
to : izutsum-sp@docomo.ne.jp'
FPS average:      25.70
Finished.
↑

受付システム・プログラム「Reception.py」 †

20240112_105417_001m.jpg
  1. 「Reception」プロジェクトのインストールと環境設定
    ・update_20221015.tar.gz をダウンロード

  2. 更新ファイルのインストール
    ・update_20221109.tar.gz をダウンロード
    ・解凍して「update/」フォルダ内をホームディレクトリ直下に上書き配置する

  3. 受付システム・プログラムの起動 
    (py37y) $ cd ~/workspace_py37/reception
(py37y) $ python reception.py 
Starting..
 - Program title  : Reception System Ver 0.03
    :
'/dev/ttyUSB0' port ready.
'/dev/ttyUSB0' port ready. Door open !!
subject : '2024/01/12 10:52:34 : 受付'
message : '井筒 政弘 様 来社です
hostname : ubuntu-HP-ENVY
from : aipromotion999@gmail.com
to : izutsum-sp@docomo.ne.jp'
FPS average:      22.10
Finished.
↑

OpenVINO™ 推論プログラムの再検証 †

  1. 感情分析 / 年齢/性別分析 / 物体検出 (YOLO V3) / 物体検出 (YOLO V5) / 人物追跡 / 顔追跡
    omzdemo01s.jpg
    omzdemo02s.jpg
    omzdemo03s.jpg
    20221108_000007_001m.jpg
    omzdemo04s.jpg
    omzdemo05s.jpg
    (py37y) $ python emotion3.py
(py37y) $ python age_gender3.py
(py37y) $ python object_detect_yolo3_3.py
(py37y) $ python object_detect_yolo5.py
(py37y) $ python person-tracking3.py
(py37y) $ python face-tracking3.py
  2. 感情分析 / 画像分類 / メガネ・帽子 バーチャル試着 / マスク着用の検査
    omzdemo06s.jpg
    omzdemo07s.jpg
    omzdemo08s.jpg
    omzdemo13s.jpg
    (py37y) $ python sentiment_analysis3.py
(py37y) $ python image_classification3.py
(py37y) $ python virtual_fitting3.py
(py37y) $ python face_mask3.py
↑

プロジェクト環境設定４：画像生成「Stable-diffusion」【仮想環境(py38)】 †

20230210_000002_001m.jpg
↑

仮想環境(py38) の作成 †

  1. 新しく仮想環境を作成する
    (base) $ conda create -n py38 python=3.8
  2. できた仮想環境の確認
    (base)$ conda activate py38
(py38) $　　　　　　　　　　　　　　　　← (py38) に切り替わっていることを確認する
(py38) $ conda info -e
# conda environments:
#
base                     /home/USER/anaconda3
    :
py38                  *  /home/USER/anaconda3/envs/py38

  3. 仮想環境の起動スクリプトを作成
    ▼「anaconda_setup_py38.sh」
↑

プロジェクトパッケージの配置 †

  1. プロジェクト・ファイルのダウンロード
    AI_project_20230203.zip (55.9MB) <Stable-deffusion プロジェクト一式> をダウンロード

  2. 「AI_project」フォルダ内をすべて「home」ディレクトリ直下に配置する
    プロジェクト・ディレクトリ
    ~/
├─workspace_py37
│  ├─mylib             ← python 共有ライブラリ (パスが通っていること)
│  └─openvino
└─workspace_py38        ← anaconda 環境下のアプリケーション・プロジェクト
    ├─googletrans
    └─stable_diffusion
  3. 「openvino」のインストール
    ・ubuntu の場合 pip でインストールできるランタイムパッケージではうまく動作しないところがあるようなので conda でインストールする
    conda install -c intel openvino-ie=2022.1.0=ubuntu20_intel_643
conda install -c intel openvino-ie4py=2022.1.0=py38_ubuntu20_intel_643
conda install -c intel openvino-ie4py-ubuntu20=2022.1.0=intel_643
    ▼　インストール・ログ

  4. 「Stable-diffusion」パッケージのインストール
    (py38) $ cd ~/workspace_py38/stable_diffusion/
(py38) $ python -m pip install --upgrade pip
(py38) $ pip install -r requirements.txt
    ▼　インストール・ログ
↑

「Stable-diffusion」動作確認 †

output_201.jpg
↑

自動翻訳パッケージ「googletrans」インストール †

↑

GUI 画像生成プログラム †

output_0705810762.jpg
output_0496114559.jpg
output_3581691526.jpg
↑

画像生成 【仮想環境(py38)】実行プロジェクト　環境は既に構築済み †

try_009m.jpg
  1. 「Stable-Diffusion」を試してみる
  2. 「Stable-Diffusion」GUIを作る
  3. 「Stable-Diffusion」画像生成を試す
  4. 「Stable-Diffusion」パラメータを検証する
  5. 「Stable-Diffusion」画像生成速度を検証する
  6. 「Stable-Diffusion」自動翻訳を組み合わせる
    update_20230104.zip (1.27GB) 　　（result_data/フォルダのみ配置）
  7. 「Stable-Diffusion」色々な画像生成を試す
  8. 「Stable-Diffusion」実用性を探る
  9. 「Stable-Diffusion」人物画像を生成する
  10. 「Stable-Diffusion」画像を元にして生成する
  11. Stable diffusion の Webサービス「Dream Studio」
  12. 「Stable-Diffusion infinity」を試してみる
↑

プロジェクト環境設定５：物体認識「YOLO V7」【仮想環境(py38a)】 †

yolov7_out.jpg
↑

プロジェクトパッケージの配置 †

  1. 「プロジェクト・パッケージ for Windows/Linux」をダウンロード
    AI_project_20230413.zip (216MB) <YOLO v7 プロジェクト一式>

  2. 「AI_project_20230413.zip」を解凍してできた「update」フォルダ内をすべてプロジェクトのホームディレクトリに配置する（上書き保存）
    プロジェクトのディレクトリ配置
    プロジェクト・ホーム（c:/anaconda_win または ~/）
├─Images                ← 画像データ
├─model                 ← 学習済みモデル
├─Videos                ← 動画データ
│       :
├─work                  ← 今回使用するプロジェクト・ディレクトリ
│  ├─openvino
│  └─yolov7
├─workspace_py37
│  └─mylib             ← python 共有ライブラリ (パスが通っていること)
└─workspace_py38        ← anaconda 環境下のアプリケーション・プロジェクト
    ├─ :
    └─stable_diffusion
↑

仮想環境(py38a) の作成 †

  1. 新しく仮想環境を作成する
    (base) $ conda create -n py38a python=3.8
  2. できた仮想環境の確認
    (base)$ conda activate py38a
(py38a) $　　　　　　　　　　　　　　　　← (py38a) に切り替わっていることを確認する
(py38a) $ conda info -e
# conda environments:
#
base                     /home/USER/anaconda3
    :
py38a                 *  /home/USER/anaconda3/envs/py38a

  3. 仮想環境の起動スクリプトを作成
    ▼「anaconda_setup_py38a.sh」
↑

新規の仮想環境「py38a」に必要なパッケージをインストール †

  1. 「openvino」のインストール
    conda install -c intel openvino-ie=2022.1.0=ubuntu20_intel_643
conda install -c intel openvino-ie4py=2022.1.0=py38_ubuntu20_intel_643
conda install -c intel openvino-ie4py-ubuntu20=2022.1.0=intel_643
  2. パッケージのインストール
    「~/work/requirements.txt」設定ファイル openvino の行ををコメントアウトする
    (py38a) $ cd ~/work
(py38a) $ pip install -r requirements.txt
    ▼「~/work/requirements.txt」設定ファイル
    ▼「pip install -r requirements.txt」ログ

  3. 「YOLOv7_OpenVINO」「YOLO V7」を実装する
    YOLOv7_OpenVINO のテスト のページ以下を実行する
↑

物体認識 【仮想環境(py38a)】実行プロジェクト †

jankenn_tet2.gif
  1. 物体認識の深層学習タスク：YOLO V7 実行プログラムの作成
    (py38a) $ cd ~/work/yolov7
(py38a) $ python object_detect_yolo7.py
    (py38a) $ cd ~/work/openvino/
(py38a) $ python object_detect_yolo5.py
(py38a) $ python object_detect_yolo3.py
  2. カスタムデータによる学習１「マスク着用の判定」　 update_20230519.zip (235MB)
    (py38a) $ cd ~/work/yolov7
(py38a) $ python object_detect_yolo7.py -m mask_best.onnx -l mask.names_jp -i ../../Images/mask.jpg -o out_mask.jpg
  3. カスタムデータによる学習２「じゃんけんの判定１」 update_20230616.zip (1.22GB)
    (py38a) $ pip install labelImg
(py38a) $ cd ~/work/labelImg/janken/
(py38a) $ labelImg par predefined_classes.txt par
    (py38a) $ cd ~/work/yolov7-main
(py38a) $ python detect2.py --weights runs/train/yolov7x_custom2_60/weights/best.pt --conf 0.25 --img-size 640 --source ../../Images/janken2.jpg --view-img
    (py38a) $ cd ~/work/yolov7
(py38a) $ python object_detect_yolo7.py -m ../yolov7-main/runs/train/yolov7x_custom2_60/weights/best.onnx -l janken.names_jp -i cam
(py38a) $ python object_detect_yolo7.py -m ../yolov7-main/runs/train/yolov7x_custom2_60/weights/best.onnx -l janken.names_jp -i ../../Images/janken2.jpg
  4. 学習パラメータ考察

  5. カスタムデータによる学習３「じゃんけんの判定２」 update_20230718.zip (784MB)
    (py38a) $ cd ~/work/yolov7-main
(py38a) $ python detect2.py --weights runs/train/yolov7x_custom2_60/weights/best.pt --conf 0.25 --img-size 640 --source ../../Images/janken2.jpg --view-img
    (py38a) $ cd ~/work/yolov7
(py38a) $ python object_detect_yolo7.py -m janken_best.onnx -l janken.names_jp -i ../../Images/janken.jpg -o out_janken.jpg
(py38a) $ python object_detect_yolo7.py -m janken_best.onnx -l janken.names_jp -i cam
  6. カスタムデータによる学習４「じゃんけんの判定３」 update_20230813.zip (1.32GB)
    (py38a) $ cd ~/work/yolov7
(py38a) $ python object_detect_yolo7.py -m ../yolov7-main/runs/train/yolov7x_custom4_60/weights/best.onnx -l janken.names_jp -i ../../Images/janken3.jpg -o janken3_custom4_60.jpg
  7. 元になる学習モデルの違いによる考察

  8. 「じゃんけん」カスタムデータによる学習モデルまとめ
↑

プロジェクト環境設定６：ローカルマシンで学習【仮想環境(py38b)】 †

↑

仮想環境(py38b) の作成 †

  1. 新しく仮想環境を作成する
    (base) $ conda create -n py38b python=3.8
  2. できた仮想環境の確認
    (base)$ conda activate py38a
(py38b) $　　　　　　　　　　　　　　　　← (py38b) に切り替わっていることを確認する
(py38b) $ conda info -e
# conda environments:
#
base                     /home/USER/anaconda3
    :
py38b                 *  /home/USER/anaconda3/envs/py38b

  3. 仮想環境の起動スクリプトを作成
    ▼「anaconda_setup_py38b.sh」
↑

新規の仮想環境「py38b」に必要なパッケージをインストール †

  1. 「openvino」のインストール
    conda install -c intel openvino-ie=2022.1.0=ubuntu20_intel_643
conda install -c intel openvino-ie4py=2022.1.0=py38_ubuntu20_intel_643
conda install -c intel openvino-ie4py-ubuntu20=2022.1.0=intel_643
  2. パッケージのインストール
    「~/work/requirements.txt」設定ファイル openvino の行ををコメントアウトする
    (py38b) $ cd ~/work
(py38b) $ pip install -r requirements.txt
    ▼「~/work/requirements.txt」設定ファイル
↑

インストール結果の確認とパッケージの追加 †

  1. 「Pytorch」のバージョンを調べる
    (py38b) $ python -c 'import torch;print(torch.__version__)'
2.2.0+cu121
(py38b) $ python -c 'import torch;print(torch.zeros(1).cuda())'
tensor([0.], device='cuda:0')
  2. GPU テストプログラム
    (py38b) $ cd ~/workspace_py311
(py38b) $ python cuda_test.py
2.1.2+cu121
cuda, True
compute_89
find gpu devices, 1
cuda:0, NVIDIA GeForce RTX 4070 Ti
end
  3. パッケージの追加
    (py38b) $ pip install tensorboard
↑

学習 Training を実行 †

  1. 「Official YOLOv7」 から、学習済みモデル「yolov7x.pt」をダウンロードし「/work/yolo7-main」の下にコピーする

  2. 下記のコマンドで学習を実行する
    GeForce RTX 4070 メモリーサイズ(12GB) から バッチサイズ：8 で実行できる
    (py38b) PS > cd ~/work/yolov7-main
(py38b) $ python train.py --workers 8 --batch-size 8 --data janken_dataset.yaml --cfg cfg/training/yolov7x.yaml --weights 'yolov7x.pt' --name yolov7x_custom2 --hyp data/hyp.scratch.p5.yaml --epochs 300 --device 0
    ▼　- log -　NVIDIA GeForce RTX 4070 Ti

  3. 正常に終了すると、学習結果は「yolov7-main/runs/train/yolov7x_custom2*/」に保存される
    ・学習結果モデルは「yolov7x_custom23/weights」評価指標は「yolov7x_custom23」
    ・この学習にかかった時間 → 1時間 6分
    F1 curveP curvePR curveR curve
    F1_curve_m.jpg
    P_curve_m.jpg
    PR_curve_m.jpg
    R_curve_m.jpg
    results_m.jpg
    confusion_matrix_m.jpg
    test_batch0_labels.jpg
    test_batch0_pred.jpg
    test_batch1_labels.jpg
    test_batch1_pred.jpg
    test_batch2_labels.jpg
    test_batch2_pred.jpg
↑

【参考】GoogleColab で 学習 Training を実行 †

  1. 学習 Training＜クラウド・サービス＞の手順で学習

  2. 下記のコマンドで学習を実行する
    同じパラメータ バッチサイズ：8 で実行する
    !python train.py --workers 8 --batch-size 8 --data janken_dataset.yaml --cfg cfg/training/yolov7x.yaml --weights 'yolov7x.pt' --name yolov7x_custom2 --hyp data/hyp.scratch.p5.yaml --epochs 300 --device 0
    ▼　- log -　GoogleColab TYesla T4

  3. 正常に終了すると、学習結果は「MyDrive/Try2/yolov7/runs/train/yolov7x_custom2*/」に保存される
    ・学習結果モデルは「yolov7x_custom24/weights」評価指標は「yolov7x_custom24」
    ・この学習にかかった時間 → 4時間 42分
    F1 curveP curvePR curveR curve
    F1_curve_m.jpg
    P_curve_m.jpg
    PR_curve_m.jpg
    R_curve_m.jpg
    results_m.jpg
    confusion_matrix_m.jpg
    test_batch0_labels.jpg
    test_batch0_pred.jpg
    test_batch1_labels.jpg
    test_batch1_pred.jpg
    test_batch2_labels.jpg
    test_batch2_pred.jpg
↑

プロジェクト環境設定７：GAN（敵対的生成ネットワーク）【仮想環境(py38_gan)】 †

teaser_m.jpg
↑

仮想環境(py38_gan) の作成 †

  1. 新しく仮想環境を作成する
    (base) $ conda create -n py38_gan python=3.8
  2. できた仮想環境の確認
    (base)$ conda activate py38_gan
(py38_gan) $　　　　　　　　　　　　　　　　← (py38_gan) に切り替わっていることを確認する
(py38_gan) $ conda info -e
# conda environments:
#
base                     /home/USER/anaconda3
    :
py38_gan              *  /home/USER/anaconda3/envs/py38_gan

  3. 仮想環境の起動スクリプトを作成
    ▼「(py38_gan)：anaconda_setup_py38_gan.sh」
↑

必要なパッケージと「StarGAN-V2」導入 †

  1. 「git」の導入
    $ sudo apt install git
    ▼「sudo apt install git」ログ

  2. 「StarGAN-V2」の導入 オフィシャルサイト から stargan-v2一式をダウンロード
    $ cd ~/work/
$ git clone https://github.com/clovaai/stargan-v2.git
    ▼「git clone https://github.com/clovaai/stargan-v2.git」ログ

  3. 学習済みモデルとプロジェクトファイルの配置
    下記のダウンロードしたファイルを解凍し「~/work」フォルダ以降を上書き配置する
    update_20231015.zip (687MB) <アップデート・データ>

  4. 「openvino」のインストール
    ・ubuntu の場合 pip でインストールできるランタイムパッケージではうまく動作しないところがあるようなので conda でインストールする
    conda install -c intel openvino-ie=2022.1.0=ubuntu20_intel_643
conda install -c intel openvino-ie4py=2022.1.0=py38_ubuntu20_intel_643
conda install -c intel openvino-ie4py-ubuntu20=2022.1.0=intel_643
  5. パッケージのインストール
    「requirements.txt」設定ファイル openvino の行ををコメントアウトしておく
    (py38_gan) $ pip install -r requirements.txt
    ▼「~/work/requirements.txt」設定ファイル
    ▼「pip install -r requirements.txt」ログ

  6. 不足しているパッケージをインストール
    (py38_gan) $ pip install munch scikit-image ffmpeg
    ▼「pip install munch scikit-image ffmpeg」ログ

  7. 「StarGAN-V2」ソースコードを修正する
    下記「~/work/stargan-v2/core」フォルダ内の 3ファイルを名前を変えて上書きコピーする
    (py38_gan) $ cd stargan-v2/core/
(py38_gan) $ cp checkpoint_patch.py checkpoint.py
(py38_gan) $ cp solver_patch.py solver.py
(py38_gan) $ cp wing_patch.py wing.py
↑

画像生成 2　GAN（敵対的生成ネットワーク） 環境構築と実行 †

07.gif
age+pose_03.gif
  1. 顔の合成：StarGAN-v2 StarGAN-V2 の実行　環境は既に構築済み
    ・付属サンプル画像を使って実行する
    (py38_gan) $ cd ~/work/stargan-v2/
(py38_gan) $ python main.py --mode sample --num_domains 2 --resume_iter 100000 --w_hpf 1 --checkpoint_dir expr/checkpoints/celeba_hq --result_dir expr/results/celeba_hq --src_dir assets/representative/celeba_hq/src_0 --ref_dir assets/representative/celeba_hq/ref_0
(py38_gan) $ python main2.py --mode sample --num_domains 2 --resume_iter 100000 --w_hpf 1 --checkpoint_dir expr/checkpoints/celeba_hq --result_dir expr/results/celeba_hq --src_dir assets/representative/celeba_hq/src_0 --ref_dir assets/representative/celeba_hq/ref_0
    ・カスタム画像を変換する
    (py38_gan) $ python main.py --mode align --inp_dir assets/representative/custom_1/male --out_dir assets/representative/celeleba_hq --src_dir assets/representative/celeba_hq/src_0 --ref_dir assets/representative/celeba_hq/ref_0
    ・カスタム画像を使って実行する
    (py38_gan) $ python main2.py --mode sample --num_domains 2 --resume_iter 100000 --w_hpf 1 --checkpoint_dir expr/checkpoints/celeba_hq --result_dir expr/results/celeba_hq --src_dir assets/representative/celeba_hq/src --ref_dir assets/representative/celeba_hq/ref_1
(py38_gan) $ python main2.py --mode sample --num_domains 2 --resume_iter 100000 --w_hpf 1 --checkpoint_dir expr/checkpoints/celeba_hq --result_dir expr/results/celeba_hq --src_dir assets/representative/celeba_hq/src_3 --ref_dir assets/representative/celeba_hq/ref_1
(py38_gan) $ python main2.py --mode sample --num_domains 2 --resume_iter 100000 --w_hpf 1 --checkpoint_dir expr/checkpoints/celeba_hq --result_dir expr/results/celeba_hq --src_dir assets/representative/celeba_hq/src --ref_dir assets/representative/celeba_hq/ref_0
(py38_gan) $ python main2.py --mode sample --num_domains 3 --resume_iter 100000 --w_hpf 0 --checkpoint_dir expr/checkpoints/afhq --result_dir expr/results/afhq --src_dir assets/representative/afhq/src_0 --ref_dir assets/representative/afhq/ref_0
  2. 画像スタイル変換：CycleGAN　　　　　　　　　　　　　　　update_20231103.zip (165MB)
    ・動作環境の準備と設定
    (py38_gan) $ cd ~/work
(py38_gan) $ git clone https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.git
(py38_gan) $ pip install dominate visdom
    ▼インストール ログ

    ・CycleGan の実行
    (py38_gan) $ cd ~/work/pytorch-CycleGAN-and-pix2pix/
(py38_gan) $ python test.py --dataroot datasets/images --name style_ukiyoe_pretrained --model test --no_dropout --preprocess scale_width --load_size 1024 --gpu_ids -1
(py38_gan) $ python test.py --dataroot datasets/images --name style_monet_pretrained --model test --no_dropout --preprocess scale_width --load_size 1024 --gpu_ids -1
(py38_gan) $ python test.py --dataroot datasets/images --name style_cezanne_pretrained --model test --no_dropout --preprocess scale_width --load_size 1024 --gpu_ids -1
(py38_gan) $ python test.py --dataroot datasets/images --name style_vangogh_pretrained --model test --no_dropout --preprocess scale_width --load_size 1024 --gpu_ids -1
  3. 人間の年齢による顔の変化：DLFS 　　　　　　　　　　　　　update_20231117.zip (18.3MB)
  4. StyleGANを使った画像編集：StyleGAN e4e
  5. StyleGAN3による画像とビデオの編集：StyleGAN3
  6. 静止画から作るフェイク動画：First Order Motion Model
    41_1_output.gif
  7. GANによる似顔絵生成：QMUPD
  8. 画像に別の画像のスタイルを転送：PAMA　　　　　　　　　　update_20231209.zip (115MB)
  9. 音声で顔画像を動かす：One Shot Talking Face
  10. 顔画像に様々なスタイルをブレンドする：BlendGAN
  11. 個別の学習プロセス無しでFaceSwapを実現する：SberSwap
↑

動画編集 Tips †

↑

NVIDIA cuda GPU の設定 †

cuda_nvidia_m.jpg
↑

NVIDIAのGPUアーキテクチャ †

アーキテクチャ
(読み方)		プロセスルール販売開始採用シリーズ
Kepler
(ケプラー)		28nm2012年GeForce GTX/GT 600シリーズ
2012年GeForce GTX/GT 700シリーズ
2013年GeForce GTX TITANシリーズ
Maxwell
(マクスウェル)		28nm2014年GeForce GTX 700シリーズ
2015年GeForce GTX 900シリーズ
Pascal
(パスカル)		16nm/14nm2016年GeForce GTX 10シリーズ
Turing
(チューリング)		12nm2018年GeForce RTX 20シリーズ
2019年GeForce GTX 16シリーズ
Ampere
(アンペア)		8nm2020年GeForce RTX 30シリーズ
Ada Lovelace
(エイダ・ラブレス)		5nm2022年GeForce RTX 40シリーズ
↑

NVIDIA Graphic board の確認 †

↑

NVIDIA CUDA Toolkit のインストール †

↑

cuDNN（ディープラーニングライブラリ）のインストール †

↑

仮想環境（py311）を作成 †

  1. python 3.11 が適合するようなので、この版の仮想環境を作る
    (base) $ conda create -n py311 python=3.11
    ▼「conda create -n py311 python=3.11」ログ

  2. 仮想環境（py311）に切り替える
    (base) > conda activate py311
(py311) PS > conda info -e
# conda environments:
#
base                     /home/USER/anaconda3
py311                 *  /home/USER/anaconda3/envs/py311
py37                     /home/USER/anaconda3/envs/py37
py37x                    /home/USER/anaconda3/envs/py37x
py37y                    /home/USER/anaconda3/envs/py37y
  3. 仮想環境の確認
    (py311) $ python -V
Python 3.11.7
(py311) $ which python
/home/USER/anaconda3/envs/py311/bin/python
(py311) $ which pip
/home/USER/anaconda3/envs/py311/bin/pip
(py311) $ which conda
/home/USER/anaconda3/condabin/conda
(py311) $ which python3
/home/USER/anaconda3/envs/py311/bin/python3
(py311) $ which pip3
/home/USER/anaconda3/envs/py311/bin/pip3
  4. 仮想環境の起動スクリプトを作成
    ▼「anaconda_setup_py311.sh」
↑

Pytorch のインストール †

  1. 仮想環境に PyTorch をインストールする
    20240111_050306_001m.jpg

    ● オフィシャルサイト PyTorch FROM RESEARCH TO PRODUCTION からインストールのためのコマンドを取得する

    ● Cuda 12.3 がないので、12.1 を選択する
    (py311) $ pip install torch torchvision torchaudio
    ▼「pip install torch torchvision torchaudio...」ログ

  2. パケージのインストール確認
    (py311) $ python -c "import torch"
(py311) $ python -c "import tkinter"
    ※ エラーが出なければ OK

  3. 「PyTorch」から GPU を使用できているかの確認
    (py311) $ python -c 'import torch;print(torch.__version__)'
2.2.0+cu121
(py311) $ python -c "import torch;print(torch.zeros(1).cuda())"
tensor([0.], device='cuda:0')
(py311) $ python -c "import torch;print(torch.cuda.is_available())"
True
(py311) $ python -c "import torch;print(torch.cuda.get_device_name(torch.device('cuda:0')))"
NVIDIA GeForce RTX 4070 Ti
  4. GPU テストプログラム「~/workspace_py311/cuda_test.py」
    (py311) $ cd ~/workspace_py311
(py311) $ python cuda_test.py
2.1.2+cu121
cuda, True
compute_89
find gpu devices, 1
cuda:0, NVIDIA GeForce RTX 4070 Ti
end
    ▼「cuda_test.py」ソースコード
↑

更新履歴 †

↑

参考資料 †