torchvision（Mask R-CNN）のインストールと動作確認（特定クラスのインスタンス・セグメンテーション）（PyTorch，Python 3.12 を使用）

前準備

winget install -e --id Python.Python.3.12 --scope machine --silent --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 AssociateFiles=1 InstallLauncherAllUsers=1"

python --version

NVIDIA ドライバのインストール（Windows 上）

1. NVIDIA グラフィックス・ボードの確認

   インストールするドライバを選択するために，使用しているPCに搭載されているNVIDIAグラフィックス・ボードの種類を確認する．（確認済みであれば，この手順は不要である．） Windows のコマンドプロンプトで次のコマンドを実行する．

   wmic path win32_VideoController get name
   

2. NVIDIA ドライバのダウンロード

   確認したグラフィックス・ボードのモデル名と，使用しているWindowsのバージョン（例: Windows 11，Windows 10 64-bit）に対応するドライバを，以下のNVIDIA公式サイトからダウンロードする．

   https://www.nvidia.co.jp/Download/index.aspx?lang=jp

   サイトの指示に従い，製品タイプ，製品シリーズ，製品ファミリー，OS，言語などを選択して検索し，適切なドライバ（Game Ready ドライバまたはStudio ドライバ）をダウンロードする．

3. ドライバのインストール

   ダウンロードしたインストーラー（.exeファイル）を実行し，画面の指示に従ってインストールを進める．「カスタムインストール」を選択すると，インストールするコンポーネント（ドライバ本体，GeForce Experience，PhysXなど）を選ぶことができる．「高速（推奨）」を選択してもよい．

   インストール完了後，システムの再起動を求められる場合がある．

PyTorch, torchvision のインストール

管理者権限のコマンドプロンプトで，次のコマンドを実行する．

python -m pip install -U torch torchvision --index-url https://download.pytorch.org/whl/cu126
python -m pip install -U pillow matplotlib numpy

【CUDA バージョンの選択について】 上記の cu126 は，CUDA 12.6 に対応した PyTorch パッケージを意味する．使用している GPU・ドライバに応じて，PyTorch 公式サイトのインストールページ（https://pytorch.org/get-started/locally/）で該当するコマンドを確認すること．GPU を使用しない場合は，--index-url のオプションを省略してよい．

インストール後，次のコマンドで GPU が認識されているか確認する．

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

True と表示されれば，GPU（CUDA）が利用可能である．

画像のインスタンスセグメンテーション（torchvision, Mask R-CNN モデル）

1. 画像ファイルの準備

   画像ファイルは，%HOMEPATH%に置くことにする．ここでは，sample2.jpg という名前の画像を使用する．

2. 特定クラスのインスタンスセグメンテーションの実行

   次のコードを segment_target.py という名前で保存する．COCO データセットのクラス名一覧のうち，target_classes に指定したクラスのみを抽出して描画する．

   import argparse
   
   import numpy as np
   import torch
   from PIL import Image
   from torchvision.io import decode_image
   from torchvision.models.detection import (
       MaskRCNN_ResNet50_FPN_Weights,
       maskrcnn_resnet50_fpn,
   )
   from torchvision.utils import draw_segmentation_masks
   from torchvision.transforms.functional import to_pil_image
   
   
   def main():
       parser = argparse.ArgumentParser()
       parser.add_argument("--image_file", type=str, required=True)
       parser.add_argument(
           "--target_classes",
           type=str,
           nargs="+",
           default=["person"],
           help="抽出するクラス名（例: person car）",
       )
       parser.add_argument("--score_threshold", type=float, default=0.5)
       parser.add_argument("--output_image", type=str, default="segmented.png")
       args = parser.parse_args()
   
       device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
   
       weights = MaskRCNN_ResNet50_FPN_Weights.DEFAULT
       model = maskrcnn_resnet50_fpn(weights=weights, progress=True).to(device)
       model.eval()
   
       class_names = weights.meta["categories"]
       target_ids = [class_names.index(c) for c in args.target_classes]
   
       image = decode_image(args.image_file)
       preprocess = weights.transforms()
       x = preprocess(image).unsqueeze(0).to(device)
   
       with torch.no_grad():
           prediction = model(x)[0]
   
       masks = prediction["masks"]
       labels = prediction["labels"]
       scores = prediction["scores"]
   
       keep = [
           i
           for i in range(len(labels))
           if labels[i].item() in target_ids and scores[i].item() >= args.score_threshold
       ]
   
       print(f"検出された対象クラスのインスタンス数: {len(keep)}")
   
       if len(keep) == 0:
           print("指定したクラスは検出されなかった．")
           to_pil_image(image).save(args.output_image)
           return
   
       bool_masks = (masks[keep] > 0.5).squeeze(1)
   
       result = draw_segmentation_masks(
           image, bool_masks, alpha=0.6
       )
       to_pil_image(result).save(args.output_image)
       print(f"結果を保存した: {args.output_image}")
   
   
   if __name__ == "__main__":
       main()
   

3. 実行（person クラスの抽出）

   コマンドプロンプトで，次のコマンドを実行する．

   cd /d c:%HOMEPATH%
   python segment_target.py --image_file sample2.jpg --target_classes person --output_image sample2_person.png
   

4. 実行（car クラスの抽出）

   複数クラスを同時に指定することもできる．

   cd /d c:%HOMEPATH%
   python segment_target.py --image_file sample2.jpg --target_classes car --output_image sample2_car.png
   

5. 結果画像の表示

   Python プログラムを実行する．Matplotlib を使うので，Jupyter QtConsole や Jupyter ノートブック (Jupyter Notebook) の利用が便利である．

   import matplotlib.pyplot as plt
   a = plt.imread("c:/data/sample2.jpg")
   plt.imshow(a)
   plt.show()
   b = plt.imread("c:/data/sample2_person.png")
   plt.imshow(b)
   plt.show()