ResNet, AlexNet, VGG　を，ILSVRC 2012 データセットを用いて学習（PyTorch のサンプルプログラムを使用）

第１章　前準備

PyTorch （NVIDIA CUDA ツールキット 12.8 用）のインストール（Windows 上）

次のコマンドを実行することにより， PyTorch（NVIDIA CUDA ツールキット 12.8 用）がインストールされる．

1. 管理者権限でコマンドプロンプトを起動する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
2. PyTorch の公式ページを確認

   PyTorch の公式ページ: https://pytorch.org/index.html

3. 次のようなコマンドを実行（実行するコマンドは，PyTorch のページに表示されるコマンドを使う）．

   次のコマンドを実行することにより， PyTorch（NVIDIA CUDA 12.8 用）がインストールされる． 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 12.8 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 --no-user --ignore-installed pip
   python -m pip uninstall -y torch torchvision torchaudio torchtext xformers
   python -m pip install -U --no-user torch torchvision torchaudio numpy --index-url https://download.pytorch.org/whl/cu128
   
   python -c "import torch; print(torch.__version__, torch.cuda.is_available())" 
   

   

【関連する外部ページ】

• PyTorch の公式ページ: https://pytorch.org/index.html

【サイト内の関連ページ】

• GPU対応PyTorchのセットアップと性能確認（Windows 上）: 別ページ »で説明
• PyTorch の最新版を検証，開発者に貢献したいなどの場合には，ソースコードからビルドして，インストールする: 別ページ »で説明

【関連項目】 NVIDIA CUDA ツールキット, PyTorch

第２章　ILSVRC 2012 データセットのダウンロード

ILSVRC 2012 データセット (https://image-net.org/challenges/LSVRC/2012/2012-downloads.php)

validation data と test data

• 150,000 点の validation data と test data．Flicker やその他のサーチエンジンで収集
• 1000 種のオブジェクトカテゴリについて，おのおの含むか含まないかを手作業で判定（ラベル付け）
• ランダムに選ばれた 50,000 個が validation data．これはラベル付きで公開
• 残りの 100,000個が test data．これは，ILSVRC 2012 当時は，ラベル無しで公開

ImageNet training data

• ImageNet の中から，先程の 1000 オブジェクトカテゴリを含むもの 1,200,000 の画像．これを集めたものが ImageNet Training Data
• validation data と test data は，ImageNet training data には含まれない

ここでの設定

• ImageNet データセットのダウンロードディレクトリ: /usr/local/ilsvrc2012

ダウンロード手順

https://github.com/pytorch/examples/tree/main/imagenet の記述による．

1. 利用条件の確認

   必ず，公式サイトなどで，利用条件を確認すること．利用条件に反するような利用をしてはいけないのは当然である．

2. ダウンロードと展開
3. ILSVRC 2012 データセットの validation data を，ラベルの付いたサブディレクトリに移動

   次のコマンドを実行．

   cd /tmp
   rm -f valprep.sh
   wget https://raw.githubusercontent.com/soumith/imagenetloader.torch/master/valprep.sh
   sudo mkdir /usr/local/ilsvrc2012
   cd /usr/local/ilsvrc2012
   sudo bash /tmp/valprep.sh
   

第３章　単純な CNN を用いた画像分類（PyTorch のサンプルプログラムを使用）

python

第４章　PyTorch の ImageNet プログラムの準備

1. ダウンロード
2. 前提パッケージのインストール

   pip3 install -U --no-user -r requirements.txt
   

3. ResNet, AlexNet, VGG　を，ImageNet データセットを用いて学習

   alexnet, densenet121, densenet161, densenet169, densenet201, resnet101, resnet152, resnet18, resnet34, resnet50, squeezenet1_0, squeezenet1_1, vgg11, vgg11_bn, vgg13, vgg13_bn, vgg16, vgg16_bn, vgg19, vgg19_bn (default: resnet18)
   

4. このうち resnet18, alexnet, vgg19 を試してみる

   AlexNet, VGG では，initial learning rate は 0.01 がよいとされている （https://github.com/pytorch/examples/tree/main/imagenet の記述による．）

   python main.py -a resnet18 [imagenet-folder with train and val folders]
   python main.py -a alexnet --lr 0.01 [imagenet-folder with train and val folders]
   python main.py -a vgg19  --lr 0.01 [imagenet-folder with train and val folders]