サイトの全体構成

Grounding DINO のインストールと動作確認（ゼロショットの物体検出とセグメンテーション）（Python，PyTorch を使用）（Windows 上）

【要約】

Grounding DINOは、Zero-Shot TransferとReferring Object Detectionに対応した高度な物体検出モデルである。このモデルはDINOとGrounded Pre-Trainingを組み合わせている。現在の実装では、Swin-TやSwin-Lをバックボーンとして使用している。Windows環境でのインストールは、GitHubからのリポジトリクローンと必要なパッケージのインストールで完了する。訓練済みモデルもダウンロード可能である。動作確認はPythonを用いて行い、指定したプロンプトに基づいての動作が可能である。さらに、画像選択ダイアログで画像を選択し、プロンプトも実行時にユーザーが指定できるPythonプログラムを示している。このページの手順により、Grounding DINOの基本的なセットアップと動作確認が簡単に行える。詳細は公式のGitHubページで確認できる。

テキストのプロンプトとして，「building . car . signal . traffic sign」を指定したときの実行結果は次の通り．

【目次】

前準備
Grounding DINO のインストール（Windows 上）
Grounding DINO の動作確認（Windows 上）
Grounding DINO を使う Python プログラムの実行（Windows 上）

Grounding DINO

Grounding DINO は，Zero-Shot TransferとReferring Object Detectionという二つの物体検出タスクに対応している。精度向上のために、DINO（自己教師あり学習手法）とGrounded Pre-Trainingが組み合わされています。Grounding DINO の実験では、バックボーンとして、Swin-TやSwin-Lが採用された。実験結果では、Zero-Shot Transferのタスクで、Grounding DINOはDINOとGLIPを上回る高い精度を達成していることが示されている。

【文献】

Liu, Shilong and Zeng, Zhaoyang and Ren, Tianhe and Li, Feng and Zhang, Hao and Yang, Jie and Li, Chunyuan and Yang, Jianwei and Su, Hang and Zhu, Jun and others, Grounding dino: Marrying dino with grounded pre-training for open-set object detection, arXiv preprint arXiv:2303.05499, 2023.

https://arxiv.org/pdf/2303.05499v4.pdf

【関連する外部ページ】

公式の GitHub のページ: https://github.com/idea-research/groundingdino
Grounding DINO のオンラインデモ（Google Colaboratory 上）: https://colab.research.google.com/github/roboflow-ai/notebooks/blob/main/notebooks/zero-shot-object-detection-with-grounding-dino.ipynb
Paper with Code のページ: https://paperswithcode.com/paper/grounding-dino-marrying-dino-with-grounded

前準備

Git のインストール（Windows 上）

Gitは，バージョン管理システム．ソースコードの管理や複数人での共同に役立つ．

【サイト内の関連ページ】

Windows での Git のインストール: 別ページ »で説明している．

【関連する外部ページ】

Git の公式ページ: https://git-scm.com/

Python のインストール（Windows 上）

【サイト内の関連ページ】

Windows での Python 3.10，関連パッケージ，Python 開発環境のインストール: 別ページ »で説明している．
Windows での Anaconda3 のインストール: 別ページ »で説明している．
Python のまとめ: 別ページ »にまとめている．

【関連する外部ページ】

Python の公式ページ: https://www.python.org/

Build Tools for Visual Studio 2022，NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN 8.6 のインストール（Windows 上）

【サイト内の関連ページ】

NVIDIA グラフィックスボードを搭載しているパソコンの場合には， NVIDIA ドライバ， NVIDIA CUDA ツールキット， NVIDIA cuDNN のインストールを行う．

Windows での Build Tools for Visual Studio 2022，NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN v8.6 のインストールと動作確認: 別ページ »で説明している．

【関連する外部ページ】

Build Tools for Visual Studio 2022 （ビルドツール for Visual Studio 2022）の公式ダウンロードページ: https://visualstudio.microsoft.com/ja/visual-cpp-build-tools/
NVIDIA ドライバのダウンロードの公式ページ: https://www.nvidia.co.jp/Download/index.aspx?lang=jp
NVIDIA CUDA ツールキットのアーカイブの公式ページ: https://developer.nvidia.com/cuda-toolkit-archive
NVIDIA cuDNN のダウンロードの公式ページ: https://developer.nvidia.com/cudnn
winimage の ZLIB DLL の公開ページ: http://www.winimage.com/zLibDll/

PyTorch のインストール（Windows 上）

Windows で，コマンドプロンプトを管理者として実行

コマンドプロンプトを管理者として実行: 別ページ »で説明
PyTorch のページを確認
PyTorch のページ: https://pytorch.org/index.html
次のようなコマンドを実行（実行するコマンドは，PyTorch のページの表示されるコマンドを使う）．
次のコマンドは， PyTorch 2.0 （NVIDIA CUDA 11.8 用）をインストールする．但し，Anaconda3を使いたい場合には別手順になる．
事前に NVIDIA CUDA のバージョンを確認しておくこと（ここでは，NVIDIA CUDA ツールキット 11.8 が前もってインストール済みであるとする）．
PyTorch で，GPU が動作している場合には，「torch.cuda.is_available()」により，True が表示される．
```
python -m pip install -U --ignore-installed pip
python -m pip install -U torch torchvision torchaudio numpy --index-url https://download.pytorch.org/whl/cu118
python -c "import torch; print(torch.__version__, torch.cuda.is_available())" 
```
Anaconda3を使いたい場合には， Anaconda プロンプト (Anaconda Prompt) を管理者として実行し，次のコマンドを実行する．（PyTorch と NVIDIA CUDA との連携がうまくいかない可能性があるため，Anaconda3を使わないことも検討して欲しい）．
```
conda install -y pytorch torchvision torchaudio pytorch-cuda=11.8 cudnn -c pytorch -c nvidia
py -c "import torch; print(torch.__version__, torch.cuda.is_available())" 
```
【サイト内の関連ページ】
- Windows での PyTorch のインストール: 別ページ »で説明している．
【関連する外部ページ】
- PyTorch のページ: https://pytorch.org/index.html

Grounding DINO のインストール（Windows 上）

Windows で，コマンドプロンプトを管理者として実行

コマンドプロンプトを管理者として実行: 別ページ »で説明

ダウンロードとインストール，訓練済みモデルのダウンロード

cd %HOMEPATH%
rmdir /s /q GroundingDINO
git clone --recursive https://github.com/IDEA-Research/GroundingDINO.git
cd GroundingDINO
python -m pip install -r requirements.txt
python setup.py develop
mkdir weights
cd weights
curl -L -O https://media.roboflow.com/notebooks/examples/dog.jpeg
curl -L -O https://media.roboflow.com/notebooks/examples/dog-2.jpeg
curl -L -O https://media.roboflow.com/notebooks/examples/dog-3.jpeg
curl -L -O https://media.roboflow.com/notebooks/examples/dog-4.jpeg
curl -L -O https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth

終了の確認
エラーメッセージが出ていないこと．

Grounding DINO の動作確認（Windows 上）

Grounding DINO を用いて画像のアノテーションを行う．

Windows で，コマンドプロンプトを実行

エディタを起動

cd %HOMEPATH%\GroundingDINO
notepad c.py

エディタで，次のプログラムを保存

プロンプトとして，「TEXT_PROMPT = "chair . person . dog ."」のようにしている．

このプログラムは，公式の GitHub のページ: https://github.com/idea-research/groundingdinoで公開されていたものを使用している．

from groundingdino.util.inference import load_model, load_image, predict, annotate
import cv2

model = load_model("groundingdino/config/GroundingDINO_SwinT_OGC.py", "weights/groundingdino_swint_ogc.pth")
IMAGE_PATH = "weights/dog-3.jpeg"
TEXT_PROMPT = "chair . person . dog ."
BOX_TRESHOLD = 0.35
TEXT_TRESHOLD = 0.25

image_source, image = load_image(IMAGE_PATH)

boxes, logits, phrases = predict(
    model=model,
    image=image,
    caption=TEXT_PROMPT,
    box_threshold=BOX_TRESHOLD,
    text_threshold=TEXT_TRESHOLD
)

annotated_frame = annotate(image_source=image_source, boxes=boxes, logits=logits, phrases=phrases)
cv2.imwrite("annotated_image.jpg", annotated_frame)

Python プログラムの実行
Python プログラムの実行
- Windows では python （Python ランチャーは py）
- Ubuntu では python3
Python 開発環境（Jupyter Qt Console, Jupyter ノートブック (Jupyter Notebook), Jupyter Lab, Nteract, Spyder, PyCharm, PyScripterなど）も便利である．
Python のまとめ: 別ページ »にまとめ
プログラムを c.pyのようなファイル名で保存したので，「python c.py」のようなコマンドで行う．
```
python c.py
```
結果の確認
```
annotated_image.jpg
```

Grounding DINO を使う Python プログラムの実行（Windows 上）

手元の画像ファイルで実行してみる

実行時に画像ファイルを選択する．画像ファイルは複数選択可能である．

Windows で，コマンドプロンプトを実行

エディタを起動

cd %HOMEPATH%\GroundingDINO
notepad d.py

エディタで，次のプログラムを保存

このプログラムは，公式の GitHub のページ: https://github.com/idea-research/groundingdinoで公開されていたものを変更して使用している．

from groundingdino.util.inference import load_model, load_image, predict, annotate
import cv2
from PIL import Image

model = load_model("groundingdino/config/GroundingDINO_SwinT_OGC.py", "weights/groundingdino_swint_ogc.pth")
TEXT_PROMPT = "building . car . signal . traffic sign"
BOX_TRESHOLD = 0.35
TEXT_TRESHOLD = 0.25

import tkinter as tk
from tkinter import filedialog

root = tk.Tk()
root.withdraw()
fpaths = filedialog.askopenfilenames()

for fpath in root.tk.splitlist(fpaths):
    print("file name: ", fpath)
    image_source, image = load_image(fpath)
    boxes, logits, phrases = predict(
        model=model,
        image=image,
        caption=TEXT_PROMPT,
        box_threshold=BOX_TRESHOLD,
        text_threshold=TEXT_TRESHOLD
    )
    annotated_frame = annotate(image_source=image_source, boxes=boxes, logits=logits, phrases=phrases)
    Image.fromarray(cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB)).show()

Python プログラムの実行
Python プログラムの実行
- Windows では python （Python ランチャーは py）
- Ubuntu では python3
Python 開発環境（Jupyter Qt Console, Jupyter ノートブック (Jupyter Notebook), Jupyter Lab, Nteract, Spyder, PyCharm, PyScripterなど）も便利である．
Python のまとめ: 別ページ »にまとめ
プログラムを d.pyのようなファイル名で保存したので，「python d.py」のようなコマンドで行う．
```
python d.py
```
ファイル選択画面が出るので，画像ファイルを選択する．ファイルは複数選択可能である．
結果の確認

実行時にプロンプトも指定する．

実行時に画像ファイルを選択する．画像ファイルは複数選択可能である．プロンプトも指定できる．プロンプトは，「building . car . signal . traffic sign」のように入れること．英語のみ．

Windows で，コマンドプロンプトを実行

エディタを起動

cd %HOMEPATH%\GroundingDINO
notepad e.py

エディタで，次のプログラムを保存

このプログラムは，公式の GitHub のページ: https://github.com/idea-research/groundingdinoで公開されていたものを変更して使用している．

from groundingdino.util.inference import load_model, load_image, predict, annotate
import cv2
from PIL import Image

model = load_model("groundingdino/config/GroundingDINO_SwinT_OGC.py", "weights/groundingdino_swint_ogc.pth")
BOX_TRESHOLD = 0.35
TEXT_TRESHOLD = 0.25

import tkinter as tk
from tkinter import filedialog

root = tk.Tk()
root.withdraw()
fpaths = filedialog.askopenfilenames()

print("please input text prompt")
print("for example, building . car . signal . traffic sign")
TEXT_PROMPT = input()

for fpath in root.tk.splitlist(fpaths):
    print("file name: ", fpath)
    image_source, image = load_image(fpath)
    boxes, logits, phrases = predict(
        model=model,
        image=image,
        caption=TEXT_PROMPT,
        box_threshold=BOX_TRESHOLD,
        text_threshold=TEXT_TRESHOLD
    )
    annotated_frame = annotate(image_source=image_source, boxes=boxes, logits=logits, phrases=phrases)
    Image.fromarray(cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB)).show()

Python プログラムの実行
Python プログラムの実行
- Windows では python （Python ランチャーは py）
- Ubuntu では python3
Python 開発環境（Jupyter Qt Console, Jupyter ノートブック (Jupyter Notebook), Jupyter Lab, Nteract, Spyder, PyCharm, PyScripterなど）も便利である．
Python のまとめ: 別ページ »にまとめ
プログラムを e.pyのようなファイル名で保存したので，「python e.py」のようなコマンドで行う．
```
python e.py
```
ファイル選択画面が出るので，画像ファイルを選択する．ファイルは複数選択可能である．

テキストのプロンプトは，「building . car . signal . traffic sign」のように入れること．英語のみ．
結果の確認

本サイトは金子邦彦研究室のWebページである．

資料等の公開では，原則，「クリエイティブコモンズ BY NC SA」として公開するようにしている． PDFファイル，パワーポイントファイルなどには，「クリエイティブコモンズ BY NC SA」を明記するとともに，ロゴを記載するようにしている（作業が間に合っていない分もあるのでご容赦ください）．

公開している資料をご利用になる場合の，再配布の条件，剽窃の防止などについて，別ページ »で説明再配布や資料改変の際には，そのページをご確認ください．

サイトマップは，サイトマップのページをご覧下さい．本サイト内の検索は，サイト内検索のページをご利用下さい．

問い合わせ先：金子邦彦（かねこくにひこ） [image]

Grounding DINO のインストールと動作確認（ゼロショットの物体検出とセグメンテーション） （Python，PyTorch を使用）（Windows 上）

Grounding DINO

前準備

Git のインストール（Windows 上）

Python のインストール（Windows 上）

Build Tools for Visual Studio 2022，NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN 8.6 のインストール（Windows 上）

PyTorch のインストール（Windows 上）

Grounding DINO のインストール（Windows 上）

Grounding DINO の動作確認（Windows 上）

Grounding DINO を使う Python プログラムの実行（Windows 上）

手元の画像ファイルで実行してみる

実行時にプロンプトも指定する．

Grounding DINO のインストールと動作確認（ゼロショットの物体検出とセグメンテーション）（Python，PyTorch を使用）（Windows 上）