私的AI研究会 > ProjectEnv3

AI開発プロジェクト環境構築（Windows編） †

anaconda-logo.png
win_logo.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:2024/06/12　
↑

Anaconda のインストールと設定 †

↑

設定動作環境 †

hp-envy.jpg

　HP ENVY Desktop TE02-1097jp

↑

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

    20230202_000001_001m.jpg
    　● 画面の「Download」ボタン（赤丸）を押してダウンロード

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

  2. インストーラ「Anaconda3-2023.09-0-Windows-x86_64.exe」を実行し手順に従ってインストールする

    20230202_000002_001s.jpg
    20230202_000003_001s.jpg
    20230202_000004_001s.jpg
    20230202_000005_001s.jpg
    20230202_000006_001s.jpg
    20230202_000008_001s.jpg
    20231215_043714_001s.jpg
    20230202_000010_001s.jpg
↑

Anaconda の起動と Python 環境の構築 †

  1. Windows のスタートメニューから「Anaconda Powershell Prompt」を選択する
    ・「すべてのアプリ」→「Anaconda3 (64-bit)」を展開 →「Anaconda Powershell Promp」(※ Windows11の場合)
    ・以降の作業は「Anaconda Powershell Prompt (anaconda3)」内で行う
    ・表示ウインドウのサイズや文字の大きさなどは、ウインドウ上部のタイトルバーを右クリック「プロパティ」で設定する。

    20231215_044502_001m.jpg
  2. Anaconda を最新版に更新
    ※ コマンドプロンプトの最初が (base) になっているのを確認すること
    (base) PS > conda update -n base -c defaults conda
Collecting package metadata (current_repodata.json): done
Solving environment: done
    :
Proceed ([y]/n)? y　　　　　　　　　　　　　← 'y' を入力する
    :
Executing transaction: done
Retrieving notices: ...working... done
↑

環境変数の設定 †

20231215_045329_001s.jpg
20220104_000005_001s.png
20220104_000006_001s.png
20220104_000007_001s.png
  1. 検索ウィンドウに「システムの詳細設定」と入力し「システムの詳細設定」ダイアログを表示する。
  2. 「環境変数」ボタンを押して環境変数ダイアログを表示する。
  3. 新規に「PYTHONPATH」「C:\anaconda_win\workspace_py37\mylib;C:\anaconda_win\workspace\lib」(オリジナル Python 共有ライブラリの場所)を追加する
  4. そのほかの環境変数は、後でプロジェクトの環境設定で追加する

  5. 「Anaconda Powershell Prompt (anaconda3)」を再起動して設定を確認する。
    (base) PS > echo $env:PYTHONPATH
C:\anaconda_win\workspace_py37\mylib;C:\anaconda_win\workspace\lib
↑

Windowsのターミナルで ANSI エスケープシーケンスを有効にする設定 †

20220107_000003m.jpg
  1. 「Anaconda Powershell Prompt (anaconda3)」「Anaconda (py38)」でANSI エスケープシーケンスを有効にする
  2. 「レジストリエディタ」で「_HKEY_CURRENT_USER\Console\」を開く
  3. DWORDキー「VirtualTerminalLevel」を作成し（必要な場合）、その値を '1' に設定する
    デフォルトでANSI処理をグローバルに 1:有効化 0:無効化`
↑

ターミナル起動時の環境設定 †

  1. 「スタートボタン」を押し「Anaconda Powershell Prompt」の上で 右クリック → その他 → ファイルの場所を開く を選択する
  2. 表示されるエクスプローラ上の「Anaconda Powershell Prompt」で 右クリック → プロパティ を選ぶ
  3. リンク先の項目を変更する。
    ・元の記述
    %windir%\System32\WindowsPowerShell\v1.0\powershell.exe -ExecutionPolicy ByPass -NoExit -Command "& 'C:\ProgramData\Anaconda3\shell\condabin\conda-hook.ps1' ; conda activate 'C:\Users\<User>\anaconda3' "
    ・次のように変更 <User> = ユーザー名　C: = anaconda_winを配置したドライブ
    %windir%\System32\WindowsPowerShell\v1.0\powershell.exe -ExecutionPolicy ByPass -NoExit -Command "& 'C:\ProgramData\Anaconda3\shell\condabin\conda-hook.ps1' ; conda activate 'C:\Users\<User>\anaconda3' ; Set-Location 'c:\anaconda_win' "
  4. 「Anaconda Powershell Prompt」を再起動して設定を確認する。
    ※ コマンドプロンプトの最初が (base) になっているのを確認すること
↑

Anaconda 仮想環境一覧 †

↑

Anaconda 環境設定の確認方法 †

  1. 仮想環境の確認
    (***) PS > conda info -e
  2. python のバージョンの確認
    (***) PS > python -V
↑

仮想環境の選択（例：py38） †

  1. 仮想環境を有効にする
    (base) PS > conda activate py38
(py38)
  2. プロジェクトフォルダを選択する
    (py38) PS > cd /anaconda_win/work/
  3. 仮想環境から抜ける
    (py38) PS > conda deactivate
(base)
↑

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_result3_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
    (base) PS > conda create -n py37 python=3.7
    ▼「conda create -n py37 python=3.7」ログ

  2. 仮想環境を起動する
    (base) PS > conda activate py37
(py37) PS >
  3. 仮想環境を確認する
    (py37) PS > conda info -e
# conda environments:
#
base                     C:\Users\USER\anaconda3
py37                  *  C:\Users\USER\anaconda3\envs\py37
    ※ USER: ユーザー名, *: 現在アクティブな仮想環境
↑

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) PS > pip install torch torchvision torchaudio
    ▼「pip install torch torchvision torchaudio」ログ

  2. 「conda install」コマンドでパッケージをインストール
    (py37) PS > conda install opencv
    ▼「conda install opencv」ログ 
    (py37) PS > conda install pandas
    ▼「conda install pandas」ログ 
    (py37) PS > conda install tqdm
    ▼「conda install tqdm」ログ 
    (py37) PS > conda install matplotlib
    ▼「conda install matplotlib」ログ 
    (py37) PS > conda install PyYAML
    ▼「conda install PyYAML」ログ

  3. 「pip install」コマンドでパッケージをインストール
    (py37) PS > pip install scikit-learn
    ▼「pip install scikit-learn」ログ 
    (py37) PS > pip install pycocotools
    ▼「pip install pycocotools」ログ 
    (py37) PS > 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) PS > python -c "import torch"
  2. 「PyTorch」で GPU 使用できるかの確認
    (py37) PS > python -c 'import torch;print(torch.zeros(1).cuda())'

Traceback (most recent call last):
  File "<string>", line 1, in <module>
  File "C:\Users\izuts\anaconda3\envs\py37\lib\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) PS > python -c 'import tkinter'
  4. 「ffmpeg」コマンドの確認
    (py37) PS > 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 †

20231215_115254_001m.jpg
  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「/anaconda_win/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。（カメラデバイスの確認）
    (py37) PS > cd /anaconda_win/workspace_py37/sample/chapt01
(py37) PS > python3 chapt01_1.py
    ▼「python3 chapt01_1.py」ログ
↑

python3.7 環境構築の確認 †

  1. python のバージョンの確認
    (py37) PS > python --version
Python 3.7.16
  2. conda の動作確認
    ※ エラーメッセージが出なければ OK.
    (py37) PS > conda info
    ▼「conda info」ログ

  3. Anaconda の Python の numpy を確認
    ※ バージョン番号が表示されれば OK．
    (py37) PS > python -c "import numpy; print( numpy.__version__ )"
1.21.5
↑

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_result_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)】 †

20220106_000000_001m.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」をダウンロード
    anaconda_win_20220107.zip (1.55GB) <TryOCR 環境・以前のプロジェクト一式>
    anaconda_win_20220416.zip (712MB) <FormOCR 環境・プロジェクト一式>

  2. 「anaconda_win_20220107.zip」を解凍してできた「anaconda_win」フォルダ内の「anaconda」フォルダ以外を「anaconda_win」フォルダ内に上書きコピーする

  3. 「anaconda_win_20220416.zip」を解凍してできた「anaconda_win」フォルダ内の「workspace_py37」フォルダを「anaconda_win」フォルダ内に上書きコピーする
↑

仮想環境(py37x) の作成 †

  1. 環境設定ファイルから conda 仮想環境を構築する
    (base) PS > cd /anaconda_win/workspace_py37         ← 「environment_py37x.yaml」ファイルのある場所へ
(base) PS > conda env create -f environment_py37x.yaml
    ▼「conda env create -f environment_py37x.yml」ログ

  2. 仮想環境を起動する。
    (base) PS > conda activate py37x
(py37x) PS >
  3. 仮想環境の確認
    (py37x) PS > conda info -e
# conda environments:
#
base                     C:\Users\USER\anaconda3
py311                    C:\Users\USER\anaconda3\envs\py311
py37                     C:\Users\USER\anaconda3\envs\py37
py37x                 *  C:\Users\USER\anaconda3\envs\py37x
py38                     C:\Users\USER\anaconda3\envs\py38
  4. パッケージの確認（エラーが出なければ OK）
    (py37x) PS > python -c "import torch"
(py37x) PS > python -c "import tkinter"
(py37x) PS > python -c "from openvino.inference_engine import IECore"
↑

OCRパッケージ「tesseract」の導入 †

20231218_095702_001m.jpg
  1. 「tesseract」のインストールは、windowsの場合 anaconda からはうまくいかないようなので、サイト からインストールパッケージをダウンロードする。

  2. ダウンロードした「tesseract-ocr-w64-setup-5.3.3.20231005.exe」を実行する。
    20231218_100209_001s.jpg
    20231218_100259_001s.jpg
    20231218_100329_001s.jpg
  3. 「Choose Components」画面が表示されたら「Additional script data(download)」を展開して「Japanese script」と「Japanese vertical script」にチェックを入れる。
  4. 同様に「Additional language data(download)」を展開して「Japanese」と「Japanese(Vertical)」にチェックを入れる。
  5. ４箇所を追加で選択したら、以降デフォールトのままインストールを進めて完了する。
↑

環境変数の設定「tesseract」 †

  1. 検索ウィンドウに「システムの詳細設定」と入力し「システムの詳細設定」ダイアログを表示する。
  2. 「環境変数」ボタンを押して環境変数ダイアログを表示する
  3. 「Path」に「C:\Program Files\Tesseract-OCR」を追加する
  4. 新規に「TESSDATA_PREFIX」「C:\Program Files\Tesseract-OCR\tessdata」を追加する
  5. 新規に「PYTHONPATH」「C:\anaconda_win\workspace\lib」(追加した Python パッケージの場所)を追加する

  6. 「Anaconda Powershell Prompt (anaconda3)」を再起動して設定を確認する。
    (base) PS > echo $env:Path
C:\Users\USER\anaconda3;.................................;C:\Program Files\Tesseract-OCR;.
(base) PS > echo $env:TESSDATA_PREFIX
C:\Program Files\Tesseract-OCR\tessdata
(base) PS > echo $env:PYTHONPATH
C:\anaconda_win\workspace_py37\mylib
↑

『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) PS > cd /anaconda_win/workspace_py37/pyocr
  1. 環境構築と対応言語の確認
    (py37x) PS > 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
    (py37x) PS > python ocrtest.py
  3. Webカメラ入力の簡単なテスト「ocrtest_cam.py」
    (py37x) PS > 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) PS > 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) PS > 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) PS > 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) PS > python ocrtest4.py
  8. OCR アプリケーション 試作版「tryocr.py」
    (py37x) PS > 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)

20220104_000008_001m.png
20220104_000009_001m.png
(py37x) PS > cd /anaconda_win/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) PS > 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) PS > 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) PS > python tryocr_step3.py
  4. 設定ファイルを作成・編集する「mylib_yaml.py」
    (py37x) PS > 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) PS > 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) PS > 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) PS > 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)

20220119_000001_001m.jpg
(py37x) PS > cd /anaconda_win/workspace_py37/formocr
  1. サンプルデータの水平傾き補正をする
    (py37x) PS > python prepros.py -r 0
  2. サンプル帳票を自動識別処理する
    (py37x) PS > python formocr.py
  3. サンプル帳票のフォーム編集プログラム
    (py37x) PS > 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) PS > python emotion2.py
(py37x) PS > python age_gender2.py
(py37x) PS > python object_detect_yolo3_2.py
(py37x) PS > python person-tracking2.py
(py37x) PS > 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) PS > python sentiment_analysis2.py
(py37x) PS > python image_classification.py
(py37x) PS > python virtual_fitting.py
(py37x) PS > 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.zip をダウンロード

  2. 環境設定ファイルから conda 仮想環境を構築する
    (base) PS > cd /anaconda_win/workspace_py37         ← 「win_environment_py37y.yaml」ファイルのある場所へ
(base) PS > conda env create -f win_environment_py37y.yaml
  3. 仮想環境（py37y）を有効にする
    (base) PS > conda activate py37y
(py37y) PS >
  4. InsightFace の検証
    ・build Tools のダウンロードとインストール
    ・ InsightFace のインストール
    (py37y) PS > pip install protobuf==3.20
(py37y) PS > pip install onnxruntime
    (py37y) PS > cd /anaconda_win/workspace_py37/inface
(py37y) PS > pip install insightface
    ・「opencv-python-headless」がインストールされるので削除
    (py37y) PS > pip uninstall opencv-python-headless
    ・ InsightFace のテスト 
    (py37y) PS > cd /anaconda_win/workspace_py37/inface
(py37y) PS > python face_test.py
    ・ InsightFace でカメラ入力をテスト
    (py37y) PS > python face_test1.py

  5. Face Recognition の検証
    ・パッケージ(dlib/face_recognition) のインストール
    (py37y) PS > conda install -c conda-forge dlib
(py37y) PS > conda install -c conda-forge face_recognition
    ・「face recognition」パッケージのテスト 
    (py37y) PS > cd /anaconda_win/workspace_py37/inface
(py37y) PS > python face_rec_test.py
(py37y) PS > python face_rec_test1.py
    ・カメラによるリアルタイム顔判定
    (py37y) PS > cd /anaconda_win/workspace_py37/inface
(py37y) PS > python face_rec_test2.py
↑

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) PS > cd /aconda_win/workspace_py37/face_rec
(py37y) PS > python face_rec1.py
Starting..
 - Program title  : Face recognition (step1)  Ver 0.02
    :
FPS average:      14.20
Finished.
↑

顔認証プログラムの開発 Step 2 †

20231219_162811_001m.jpg
  1. カメラで認識した顔画像を登録「face_rec2.py」
    (py37y) PS > python face_rec2.py
Starting..
 - Program title  : Face recognition (step2)  Ver 0.02
    :
FPS average:      20.20
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) PS > cd /anaconda_win/workspace_py37/face_rec_try/
(py37y) PS > 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) PS > 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) PS > 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) PS > python face_recognition_svm.py
↑

顔認証プログラムの開発 Step 3 †

20231220_093209_001m.jpg
  1. 顔登録の方法と認識手法を改良する「face_rec3.py」
    (py37y) PS > cd /anaconda_win/workspace_py37/face_rec/
(py37y) PS > 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) PS > python python face_rec_still.py --tol 0.5.py
↑

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.zip をダウンロード
    ・必要なパッケージの導入
    (py37y) PS > conda install -c conda-forge readchar
(py37y) PS > conda install -c conda-forge pyserial
  2. ドア制御付き顔認証プログラム「face_rec3d.py」の実行
    (py37y) PS > python door_ctrl.py /dev/ttyUSB0
'COM3' port ready.
b'd'
b'o'
b'c'
b'q'
Program Finished.
    (py37y) PS > python face_rec3d.py -p /dev/ttyUSB0
Starting..
 - Program title  : Face recognition (step3)  Ver 0.02
    :
 - UART port name : COM3
'/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 Windows 環境の場合
    ・update_20220916.zip 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 Windows 環境の場合
    (py37y) PS > cd /anaconda_win/workspace_py37/jtalk/
(py37y) PS > python jtalkw.py
↑

Pythonでメール送信 †

  1. パッケージ化する テスト実行 (Windowsの例)
    (py37y) PS > cd /anaconda_win/workspace_py37/jtalk/
(py37y) PS > 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」 †

ai_jtalk_20220916m.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) PS > cd /anaconda_win/workspace_py37/face_rec
(py37y) PS > python face_rec_yaml.py
  3. 顔認証結果の処理・プログラム「rec_result.py」
    (py37y) PS > python rec_result.py
  4. 顔認証プログラム (Step 6)「face_rec4.py」
    (py37y) PS > 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」 †

20221014_000000_001m.jpg
  1. 「Reception」プロジェクトのインストールと環境設定
    ・update_20221015.zip をダウンロード

  2. 更新ファイルのインストール
    ・update_20221109.zip をダウンロード
    ・解凍して「update/」フォルダ内を「anaconda_win/」フォルダ内に上書き配置する
  3. 受付システム・プログラムの起動 
    (py37y) PS > cd /anaconda_win/workspace_py37/reception
(py37y) PS > python reception.py 
Starting..
 - Program title  : Reception System Ver 0.01
    :
'COM3' port ready.
QWindowsWindow::setGeometry: Unable to set geometry 98x69+21+31 (frame: 114x108+13+0) on QWidgetWindow/"Reception System Ver 0.01  (hit 'q' or 'esc' key to exit)Window" on "\\.\DISPLAY1". Resulting geometry: 120x69+21+31 (frame: 136x108+13+0) margins: 8, 31, 8, 8 minimum size: 98x69 maximum size: 98x69 MINMAXINFO maxSize=0,0 maxpos=0,0 mintrack=114,108 maxtrack=114,108)
subject : '2023/12/20 15:01:50 : 受付'
message : '井筒　政弘 様 来社です
hostname : HP-ENVY_TE02
from : aipromotion999@gmail.com
to : izutsum-sp@docomo.ne.jp'
[ WARN:0] global D:\bld\libopencv_1632857438825\work\modules\videoio\src\cap_msmf.cpp (438) `anonymous-namespace'::SourceReaderCB::~SourceReaderCB terminating async callback
FPS average:      25.60
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) PS > python emotion3.py
(py37y) PS > python age_gender3.py
(py37y) PS > python object_detect_yolo3_3.py
(py37y) PS > python object_detect_yolo5.py
(py37y) PS > python person-tracking3.py
(py37y) PS > 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) PS > python sentiment_analysis3.py
(py37y) PS > python image_classification3.py
(py37y) PS > python virtual_fitting3.py
(py37y) PS > 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)】 †

20230202_000015_001m.jpg
↑

仮想環境(py38) の作成 †

  1. 新しく仮想環境を作成する
    (base) PS > conda create -n py38 python=3.8
  2. できた仮想環境の確認
    (base) PS > conda info -e
# conda environments:
#
base                  *  C:\Users\USER\anaconda3
py311                    C:\Users\USER\anaconda3\envs\py311
py37                     C:\Users\USER\anaconda3\envs\py37
py38                     C:\Users\USER\anaconda3\envs\py38

(base) PS > conda activate py38
(py38) PS >　　　　　　　　　　　　　　　　← (py38) に切り替わっていることを確認する
↑

画像生成「Stable-diffusion」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. ドライブ直下に「anaconda_win」フォルダを作成する
  3. 「AI_project」フォルダ内をすべて「anaconda_win」直下に配置する
    ドライブ直下のプロジェクト・ディレクトリ
    c:/anaconda_win
├─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
  4. 「Stable-diffusion」パッケージのインストール
    (py38) PS > cd /anaconda_win/workspace_py38\stable_diffusion
(py38) PS > python -m pip install --upgrade pip
(py38) PS > pip install openvino==2022.1.0
(py38) PS > pip install -r requirements.txt
↑

「Stable-diffusion」動作確認 †

↑

自動翻訳パッケージ「googletrans」インストール †

↑

「googletrans」の動作確認 †

↑

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_008m.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) PS > conda create -n py38a python=3.8
  2. できた仮想環境の確認
    (base) PS > $ conda activate py38a
(py38a) PS >　　　　　　　　　　　　　　　　← (py38a) に切り替わっていることを確認する
(py38a) PS > conda info -e
# conda environments:
#
base                     C:\Users\USER\anaconda3
py311                    C:\Users\USER\anaconda3\envs\py311
    :
py38                     C:\Users\USER\anaconda3\envs\py38
py38a                 *  C:\Users\USER\anaconda3\envs\py38a
↑

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. パッケージのインストール
    「/anaconda_win/work/requirements.txt」設定ファイル
    # Stable Diffusion & YOLOv7_OpenVINO
openvino==2022.1.0
numpy==1.19.5
opencv-python==4.5.5.64
transformers==4.16.2
diffusers==0.2.4
tqdm==4.64.0
huggingface_hub==0.9.0
scipy==1.9.0
streamlit==1.12.0
watchdog==2.1.9
ftfy==6.1.1
PyMuPDF
torchvision
matplotlib
seaborn
onnx
googletrans==4.0.0-rc1
    (py38a) PS > cd /anaconda_win/work
(py38a) PS > pip install -r requirements.txt
    ▼「pip install -r requirements.txt」ログ

  2. 「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) PS > cd /anaconda_win/work/yolov7
(py38a) PS > python object_detect_yolo7.py
    (py38a) PS > cd /anaconda_win/work/openvino/
(py38a) PS > python object_detect_yolo5.py
(py38a) PS > 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) PS > cd /anaconda_win/work/yolov7
(py38a) PS > 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) PS > pip install labelImg
(py38a) PS > cd /anaconda_win/work/labelImg/janken/
(py38a) PS > labelImg par predefined_classes.txt par
    (py38a) PS > cd /anaconda_win/work/yolov7-main
(py38a) PS > 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) PS > cd /anaconda_win/work/yolov7
(py38a) PS > python object_detect_yolo7.py -m ../yolov7-main/runs/train/yolov7x_custom2_60/weights/best.onnx -l janken.names_jp -i cam
(py38a) PS > 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) PS > cd /anaconda_win/work/yolov7
(py38a) PS > 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
  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)
  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) PS > conda create -n py38b python=3.8
  2. できた仮想環境の確認
    (base) PS > $ conda activate py38b
(py38b) PS >　　　　　　　　　　　　　　　　← (py38b) に切り替わっていることを確認する
(py38b) PS > conda info -e
# conda environments:
#
base                     C:\Users\USER\anaconda3
py311                    C:\Users\USER\anaconda3\envs\py311
    :
py38b                 *  C:\Users\USER\anaconda3\envs\py38b
↑

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. パッケージのインストール
    「/anaconda_win/work/requirements.txt」設定ファイル
    # Stable Diffusion & YOLOv7_OpenVINO
openvino==2022.1.0
numpy==1.19.5
opencv-python==4.5.5.64
transformers==4.16.2
diffusers==0.2.4
tqdm==4.64.0
huggingface_hub==0.9.0
scipy==1.9.0
streamlit==1.12.0
watchdog==2.1.9
ftfy==6.1.1
PyMuPDF
torchvision
matplotlib
seaborn
onnx
googletrans==4.0.0-rc1
    (py38b) PS > cd /anaconda_win/work
(py38b) PS > pip install -r requirements.txt
↑

インストール結果の確認 †

↑

インストールされている NVIDIA ドライバーの確認 †

↑

「Pytorch」インストール †

  1. Pytorch オフィシャルサイト のインストールコマンドを実行
    (py38b) PS > pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
    ▼　- log -　NVIDIA GeForce RTX 4070 Ti

  2. インストール結果の確認
    (py38b) PS > conda list
# packages in environment at C:\Users\USER\anaconda3\envs\py38b:
#
# Name                    Version                   Build  Channel
    :
torch                     2.1.2+cu121              pypi_0    pypi
torchaudio                2.1.2+cu121              pypi_0    pypi
torchvision               0.16.2+cu121             pypi_0    pypi
    :
    (py38b) PS > python
Python 3.8.18 (default, Sep 11 2023, 13:39:12) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> print(torch.__version__)
2.1.2+cu121
>>> import torchvision
>>> print(torchvision.__version__)
0.16.2+cu121
>>> quit()

  3. GPU を認識しているかのテスト「workspace_py37/cuda_test.py」
    (py38b) PS > cd /anaconda_win/workspace_py37
(py38b) PS > python cuda_test.py
2.1.2+cu121
cuda, True
compute_89
find gpu devices, 1
cuda:0, NVIDIA GeForce RTX 4070 Ti
end
↑

パッケージの追加 †

↑

Git のインストール †

20231221_100516_001m.jpg
  1. Windows用インストーラを オフィシャルサイトgit for windows からダウンロード
  2. インストールと設定をする → Gitのインストール方法(Windows版)
    (py38b) PS > git config --global user.name izuts
(py38b) PS > git config --global user.email izutsum@venus.dti.ne.jp
(py38b) PS > ssh-keygen
Generating public/private rsa key pair.
    :
デフォルトで問題ないので何も入力せずにEnterを押す
  3. インストール確認
    (py38b) PS > git --version
git version 2.43.0.windows.1
↑

学習 Training を実行 †

20240115_123232_001_m.jpg
  1. データ・セット「janken_dataset」をフォルダごと「yolov7-main/data」にアップする

  2. 学習するのに必要な情報を記述したyamlファイル「janken_dataset.yaml」を「yolov7-main」の直下にアップする

  3. 「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

  4. 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 /anaconda_win/work/yolov7-main
(py38b) PS > python train.py --workers 8 --batch-size 16 --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

  5. 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_custom26/weights」評価指標は「yolov7x_custom26」
    ・この学習にかかった時間 → 1時間 19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

  6. 「GoogleColab」と同じバッチサイズ：16 で実行した場合はメモリースワップにより時間がかかる
    20231221_100800_001m.jpg
    (py38b) PS > cd /anaconda_win/work/yolov7-main
(py38b) PS > python train.py --workers 16 --batch-size 16 --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

    ・この学習にかかった時間 → 13時間 19分

  7. 搭載メモリー以内で使用した場合、Colab 基本実装 GPU T4 の およそ 4.5倍の速度（51.5/11.5 = 4.5）
    ・NVIDIA GeForce RTX 4070 Ti 12GB（11.5s / 1 Epoch）
            :
     Epoch   gpu_mem       box       obj       cls     total    labels  img_size
     1/299     9.13G   0.05278   0.01643   0.02072   0.08993        24       640: 100%|█| 60/60 [00:12<00:00,  4.97it/s]
               Class      Images      Labels           P           R      mAP@.5  mAP@.5:.95: 100%|█| 8/8 [00:00<00:00, 
                 all         120         120       0.251       0.283       0.197      0.0455

     Epoch   gpu_mem       box       obj       cls     total    labels  img_size
     2/299     10.7G   0.04662    0.0146    0.0188   0.08003        28       640: 100%|█| 60/60 [00:11<00:00,  5.01it/s]
               Class      Images      Labels           P           R      mAP@.5  mAP@.5:.95: 100%|█| 8/8 [00:00<00:00, 
                 all         120         120       0.229       0.533       0.289      0.0803
        :
    ・Tesla T4 16GB（51.5s / 1 Epoch）
            :
     Epoch   gpu_mem       box       obj       cls     total    labels  img_size
     1/299     9.48G   0.05013   0.01651   0.01977   0.08641        27       640: 100% 60/60 [00:53<00:00,  1.13it/s]
               Class      Images      Labels           P           R      mAP@.5  mAP@.5:.95: 100% 8/8 [00:03<00:00,  2.29it/s]
                 all         120         120       0.168       0.292       0.149      0.0273

     Epoch   gpu_mem       box       obj       cls     total    labels  img_size
     2/299       11G     0.047   0.01419   0.01878   0.07998        20       640: 100% 60/60 [00:50<00:00,  1.19it/s]
               Class      Images      Labels           P           R      mAP@.5  mAP@.5:.95: 100% 8/8 [00:03<00:00,  2.27it/s]
                 all         120         120       0.182         0.4       0.217      0.0691
        :
↑

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) PS > conda create -n py38_gan python=3.8
  2. できた仮想環境の確認
    (base) PS > $ conda activate py38_gan
(py38_gan) PS >　　　　　　　　　　　　　　　　← (py38a) に切り替わっていることを確認する
(py38_gan) PS > conda info -e
# conda environments:
#
base                     C:\Users\USER\anaconda3
py311                    C:\Users\USER\anaconda3\envs\py311
    :
py38_gan              *  C:\Users\USER\anaconda3\envs\py38_gan
↑

必要なパッケージと「StarGAN-V2」導入 †

  1. 「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
    (py38_gan) PS > cd /anaconda_win/work/
$ git clone https://github.com/clovaai/stargan-v2.git
    ▼「git clone https://github.com/clovaai/stargan-v2.git」ログ

  2. 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「/anaconda_win/work」に上書き配置する
    update_20231015.zip (687MB) <アップデート・データ>

  3. パッケージのインストール
    (py38_gan) PS > pip install -r requirements.txt
    ▼「/anaconda_win/work/requirements.txt」設定ファイル
    ▼「pip install -r requirements.txt」ログ

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

  5. 「StarGAN-V2」ソースコードを修正する
    下記「/anaconda_win/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
    checkpoint_patch.py  →  checkpoint.py
solver_patch.py      →  solver.py
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) PS > cd /anaconda_win/work/stargan-v2/
(py38_gan) PS > 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) PS > 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) PS > 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) PS > 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) PS > 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) PS > 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) PS > 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) PS > cd /anaconda_win/work/
(py38_gan) PS > git clone https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.git
(py38_gan) PS > pip install dominate visdom
    ▼インストール ログ

    ・CycleGan の実行
    (py38_gan) PS > cd /anaconda_win/work/pytorch-CycleGAN-and-pix2pix/
(py38_gan) PS > 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) PS > 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) PS > 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) PS > 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
    monaliza.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 ドライバーのインストール（バージョンアップ） †

20231215_051814_001m.jpg
↑

cuDNN（ディープラーニングライブラリ）のインストール †

20240611_111631_001m.jpg
20240611_111746_001m.jpg
↑

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) PS > conda create -n py311 python=3.11
    ▼「conda create -n py311 python=3.11」ログ

  2. できた仮想環境の確認
    (base) PS > python -V
Python 3.11.5
(base) > conda info -e
# conda environments:
#
base                  *  C:\Users\USER\anaconda3
py311                    C:\Users\USER\anaconda3\envs\py311
py37                     C:\Users\USER\anaconda3\envs\py37

  3. 仮想環境（py311）に切り替える
    (base) > conda activate py311
(py311) PS > conda info -e
# conda environments:
#
base                     C:\Users\USER\anaconda3
py311                 *  C:\Users\USER\anaconda3\envs\py311
py37                     C:\Users\USER\anaconda3\envs\py37
  4. 「pip」がないのでインストールする
    (py311) PS > conda install pip
    ▼「conda install pip」ログ
↑

Pytorch のインストール †

  1. 仮想環境に PyTorch をインストールする
    20231215_053406_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
    (py37) PS > pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
    ▼「pip install torch torchvision torchaudio...」ログ

  2. パケージのインストール確認
    (py311) PS > python -c "import torch"
(py311) PS > 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) PS > python -c "import torch;print(torch.zeros(1).cuda())"
tensor([0.], device='cuda:0')
(py311) PS > python -c "import torch;print(torch.cuda.is_available())"
True
(py311) PS > 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「/anaconda_win/workspace_py311/cuda_test.py」
    　cuda_test.py 
    import torch

print(torch.__version__)
print(f"cuda, {torch.cuda.is_available()}")
print(f"compute_{''.join(map(str,(torch.cuda.get_device_capability())))}")
device_num:int = torch.cuda.device_count()
print(f"find gpu devices, {device_num}")
for idx in range(device_num):
    print(f"cuda:{idx}, {torch.cuda.get_device_name(idx)}")

print("end")
    (py311) PS > /anaconda_win/workspace_py311
(py311) PS > python cuda_test.py
2.1.2+cu121
cuda, True
compute_89
find gpu devices, 1
cuda:0, NVIDIA GeForce RTX 4070 Ti
end
↑

更新履歴 †

↑

参考資料 †