Python，TensorFlow 2.20 のインストール（Windows 上）

前準備

REM VC++ ランタイム
winget install --scope machine --id Microsoft.VCRedist.2015+.x64 -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/quiet /norestart"

REM Build Tools + Desktop development with C++（VCTools）+ 追加コンポーネント（一括）
winget install --scope machine --id Microsoft.VisualStudio.BuildTools -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "--quiet --wait --norestart --nocache --add Microsoft.VisualStudio.Workload.VCTools --includeRecommended --add Microsoft.VisualStudio.Workload.MSBuildTools --add Microsoft.VisualStudio.Component.VC.CMake.Project --add Microsoft.VisualStudio.Component.VC.Llvm.Clang --add Microsoft.VisualStudio.Component.VC.Llvm.ClangToolset --add Microsoft.VisualStudio.Component.Windows11SDK.26100"

winget list Microsoft.VisualStudio.BuildTools

winget install --scope machine --id Python.Python.3.12 -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_pip=1 Include_test=0 Include_launcher=1 InstallLauncherAllUsers=1"

python --version

REM Git をシステム領域にインストール
winget install --scope machine --id Git.Git -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/VERYSILENT /NORESTART /NOCANCEL /SP- /CLOSEAPPLICATIONS /RESTARTAPPLICATIONS /COMPONENTS=""icons,ext\reg\shellhere,assoc,assoc_sh"" /o:PathOption=Cmd /o:CRLFOption=CRLFCommitAsIs /o:BashTerminalOption=MinTTY /o:DefaultBranchOption=main /o:EditorOption=VIM /o:SSHOption=OpenSSH /o:UseCredentialManager=Enabled /o:PerformanceTweaksFSCache=Enabled /o:EnableSymlinks=Disabled /o:EnableFSMonitor=Disabled"

REM CMake をシステム領域にインストール
winget install --scope machine --id Kitware.CMake -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/qn /norestart ADD_CMAKE_TO_PATH=System"

REM 7-Zip をシステム領域にインストール
winget install --scope machine --id 7zip.7zip -e --silent --installer-type msi --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/qn /norestart"
REM 7-Zip のパス設定
powershell -NoProfile -Command "$p='C:\Program Files\7-Zip'; $c=[Environment]::GetEnvironmentVariable('Path','Machine'); if((Test-Path $p) -and $c -notlike \"*$p*\"){[Environment]::SetEnvironmentVariable('Path',\"$p;$c\",'Machine')}"

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

   Windows で，NVIDIA グラフィックス・ボードの種類を調べたいときは， 次のコマンドを実行することにより調べることができる．

   wmic path win32_VideoController get name
   

2. NVIDIA ドライバのダウンロード

   NVIDIA ドライバは，以下の NVIDIA 公式サイトからダウンロードできる．

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

3. ダウンロードの際には，使用しているグラフィックス・ボードの型番とオペレーティングシステムを選択する．

NVIDIA CUDA Toolkit 12.8のインストール

• 前提条件（NVIDIA CUDA Toolkit インストール前）: NVIDIA GPU，NVIDIA ドライバ，および Build Tools for Visual Studio もしくは Visual Studio が必要である．
• インストール中の注意: なるべく他のウインドウはすべて閉じておくこと．

以下のコマンドを管理者権限のコマンドプロンプトで実行する （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」）。

REM NVIDIA CUDA Toolkit 12.8 をシステム領域にインストール
winget install --scope machine --id Nvidia.CUDA --version 12.8 -e --silent --disable-interactivity --force --uninstall-previous --accept-source-agreements --accept-package-agreements --override "-s -n"

REM 環境変数TEMP, TMPの設定（一時ファイルの保存先を短いパスに変更）
mkdir C:\TEMP
set "TEMP_PATH=C:\TEMP"
setx TEMP "%TEMP_PATH%" /M >nul
setx TMP "%TEMP_PATH%" /M >nul

NVIDIA cuDNN 9.19.0 のインストール（Windows 上）

NVIDIA cuDNN

NVIDIA cuDNN は，NVIDIA CUDA ツールキット上で動作するディープラーニング用ライブラリである。畳み込みニューラルネットワーク (CNN) やリカレントニューラルネットワーク (RNN) など，さまざまなディープラーニングモデルのトレーニングと推論を高速化する。

【関連する外部ページ】

• NVIDIA cuDNN の公式ページ（ダウンロードには Developer Program への登録が必要）: https://developer.nvidia.com/cudnn

NVIDIA cuDNN のインストール（Windows 上）の概要

1. NVIDIA Developer Program メンバーシップへの加入: cuDNN のダウンロードには無料のメンバーシップ登録が必要である。

   NVIDIA Developer Program の公式ページ: https://developer.nvidia.com/developer-program

2. 互換バージョンの選択とダウンロード: インストール済みの CUDA ツールキットのバージョン（今回は 12.8）に適合する cuDNN のバージョン（今回は v9.19.0）を選択し，Windows 用のインストーラ（exe）または zip ファイルをダウンロードする。
3. インストール: インストーラを使用する場合は，インストーラを実行し，対象の CUDA バージョンを選択してインストールする。zip ファイルを使用する場合は，展開し，中のファイル（bin, include, lib\x64 フォルダ内）を cuDNN のインストールディレクトリ（C:\Program Files\NVIDIA\CUDNN\v9.x）にコピーする。
4. 環境変数の設定: cuDNN の bin ディレクトリ（C:\Program Files\NVIDIA\CUDNN\v9.x\bin）をシステム環境変数 PATH に追加する。必要に応じて CUDNN_PATH も設定する。
5. 動作確認: cuDNN ライブラリ（cudnn*.dll）にパスが通っていることを確認する。

zlib のインストール（Windows 上）

1. 次のコマンドを管理者権限のコマンドプロンプトで実行する （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」）。

次のコマンドは，zlibをインストールし，パスを通すものである．

cd /d c:%HOMEPATH%
rmdir /s /q zlib
git clone https://github.com/madler/zlib
cd zlib
del CMakeCache.txt
rmdir /s /q CMakeFiles
cmake . -A x64 -T host=x64 -DCMAKE_INSTALL_PREFIX=c:/zlib
cmake --build . --config Release --target INSTALL
powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\zlib\bin\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"
powershell -command "[System.Environment]::SetEnvironmentVariable(\"ZLIB_HOME\", \"C:\zlib\", \"Machine\")"

【関連する外部ページ】

• zlib の公式ページ: https://www.zlib.net/

【関連項目】 zlib

TensorFlow 2.20（GPU 対応可能）のインストール（Windows 上）

インストール手順

1. 以下の手順を管理者権限のコマンドプロンプトで実行する （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. 使用する Python のバージョンの確認

   python --version
   

   TensorFlow 2.20 は Python 3.9〜3.13 に対応している．Python 3.12.x と表示されることを確認する．
3. pip と setuptools の更新
   * 「 python -m pip install ...」は，Pythonのライブラリをインストールするためのコマンド．

   python -m pip install -U pip setuptools
   

4. パッケージのアンインストール操作

   * トラブルの可能性を減らすために，次の操作でアンインストールを行っておく．

   python -m pip uninstall -y protobuf tensorflow tensorflow-cpu tensorflow-gpu tensorflow-intel tensorflow-text tensorflow-estimator tf-models-official tf_slim tensorflow_datasets tensorflow-hub keras tf-keras keras-tuner
   

5. TensorFlow 2.20 , Keras, scikit-learn, Python 用 opencv-python, pillow, matplotlib, seaborn のインストール

   TensorFlow 2.16 以降では，Keras 3（マルチバックエンド版）がデフォルトでインストールされる．従来の Keras 2 API を使用したい場合は tf-keras をインストールし，環境変数 TF_USE_LEGACY_KERAS=1 を設定する．

   python -m pip install -U protobuf tensorflow tf_slim tensorflow_datasets tensorflow-hub
   python -m pip install -U tf-keras keras-cv keras-tuner
   python -m pip install -U numpy pillow pydot matplotlib seaborn pandas scipy
   python -m pip install -U scikit-learn scikit-learn-intelex
   python -m pip install -U opencv-python opencv-contrib-python
   python -m pip install git+https://github.com/tensorflow/docs
   python -m pip install git+https://github.com/tensorflow/examples.git
   

   TensorFlow 2.10 からの主な変更点:

   • tensorflow: バージョン指定なしで最新安定版（2.20.0）がインストールされる．
   • tensorflow_datasets: バージョン固定を外し，TensorFlow 2.20 との互換性を pip の依存関係解決に委ねる．
   • tf-keras: TensorFlow 2.16 以降で Keras 2 API を使うためのパッケージ．
   • keras-cv: Keras 3 対応版．KerasCV は TensorFlow 2.15 以降で動作する．
   • keras-visualizer: メンテナンス停止のため削除．
   • keras-contrib（git リポジトリ）: アーカイブ済みで TensorFlow 2.20 と非互換のため削除．
6. Windows の システム環境変数 TF_FORCE_GPU_ALLOW_GROWTH に，true を設定

   Windows で，管理者権限でコマンドプロンプトを起動（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」）。

   次のコマンドを実行

   powershell -command "[System.Environment]::SetEnvironmentVariable(\"TF_FORCE_GPU_ALLOW_GROWTH\", \"true\", \"Machine\")"
   

動作確認

TensorFlow がインストールできたかを確認したい．

1. Windows では，コマンドプロンプトを実行．
2. TensorFlow のバージョン確認
   バージョン番号が表示されれば OK．2.20.0 と表示されることを確認する．

   python -c "import tensorflow as tf; print( tf.__version__ )"
   

3. TensorFlow パッケージの情報の表示

   pip show tensorflow
   

4. (GPU を使うとき) TensorFlow からGPU が認識できているかの確認

   TensorFlow が GPU を認識できているかの確認は，端末で，次を実行して行う．

   python -c "from tensorflow.python.client import device_lib; print(device_lib.list_local_devices())"
   

   実行結果の中に，次のように「device_type: "GPU"」があれば，GPUが認識できている．エラーメッセージが出ていないことを確認しておくこと．

   Windows ネイティブでの GPU サポートについて: TensorFlow 2.10 が Windows ネイティブで GPU をサポートする最後のバージョンである．TensorFlow 2.11 以降（本記事の 2.20 を含む）で Windows 上で GPU を使用するには，以下のいずれかの方法をとる必要がある．

   • WSL2 を使用する（推奨）: WSL2 上の Linux 環境で pip install tensorflow[and-cuda] を実行する．CUDA ライブラリは pip 経由で自動的にインストールされるため，システムへの CUDA ツールキットの個別インストールは不要である．
   • TensorFlow-DirectML-Plugin を使用する: pip install tensorflow-directml-plugin で DirectML 経由の GPU アクセスが可能（ただし機能制限あり）．

   Windows ネイティブ環境で GPU が認識されない場合は，上記が原因である可能性が高い．CPU のみでも TensorFlow の全機能は使用可能であり，学習・推論の実行に支障はない．

行列の掛け算，主成分分析，特異値分解（TensorFlow 2 のプログラム例）（Windows 上）

行列の掛け算

1. Windows で，コマンドプロンプトを実行
2. エディタを起動

   cd /d c:%HOMEPATH%
   notepad matmul.py
   

   
3. エディタで，次のプログラムを保存
   このプログラムは，TensorFlowを使用してCPUとGPUでの行列積の計算時間を比較する． [5000, 10000, 15000, 20000] の異なる4通りのサイズの行列を2つ生成し，その行列積を求める．そのとき， 計算時間を測定して結果を表示する．

   import os
   import tensorflow as tf
   import time
   
   def measure_time(func):
       start_time = time.perf_counter()
       result = func()
       end_time = time.perf_counter()
       calculation_time = end_time - start_time
       return calculation_time
   
   def run_matmul(device_type, matrix_size):
       print(f'実行開始 - Matrix Size: {matrix_size}')
       print('device_type の設定:', device_type)
   
       with tf.device(device_type):
           X = tf.random.uniform((matrix_size, matrix_size), minval=0, maxval=1)
           Y = tf.random.uniform((matrix_size, matrix_size), minval=0, maxval=1)
           calculation_time = measure_time(lambda: tf.matmul(X, Y))
   
       physical_devices = tf.config.list_physical_devices()
       gpu_devices = tf.config.list_physical_devices('GPU')
   
       print(f"Running on {device_type}")
       print(f"Available devices: {physical_devices}")
       print(f"Calculation time: {calculation_time:.6f} seconds")
       print()
   
   # GPUの確認，GPUのメモリに関する設定
   def set_gpu_config():
       physical_devices = tf.config.list_physical_devices('GPU')
       if len(physical_devices) > 0:
           print("GPU available:", physical_devices)
           for device in physical_devices:
               tf.config.experimental.set_memory_growth(device, True)
       else:
           print("No GPU found. Running on CPU.")
   
   def main():
       set_gpu_config()
       # デバイス名の表示
       device_name = tf.config.list_logical_devices('GPU')
       print("Device name:", device_name)
   
       matrix_sizes = [5000, 10000, 15000, 20000]
       for size in matrix_sizes:
           print(f'Matrix Size: {size}')
           run_matmul('/GPU:0', size)
           run_matmul('/CPU:0', size)
           print('---')
   
   if __name__ == "__main__":
       main()
   

   
4. Python プログラムの実行

   プログラムを matmul.pyのようなファイル名で保存したので， 「python matmul.py」のようなコマンドで行う．

   python matmul.py
   

   
5. 結果の確認
   

主成分分析，特異値分解

1. Windows で，コマンドプロンプトを実行
2. エディタを起動

   cd /d c:%HOMEPATH%
   notepad pcasvd.py
   

   
3. エディタで，次のプログラムを保存
   このプログラムは，TensorFlowを使用して，行列に対してPCA（主成分分析）とSVD（特異値分解）の計算を行い，GPUとCPUでの実行時間を比較する． [1000, 2000, 3000, 4000] の異なる4通りのサイズの行列に対して， PCAとSVDの計算時間を測定し，結果を表示することで，GPUとCPUの性能の違いを確認できる．

   import os
   import tensorflow as tf
   import time
   
   def measure_time(func):
       start_time = time.perf_counter()
       result = func()
       end_time = time.perf_counter()
       calculation_time = end_time - start_time
       return calculation_time
   
   def run_pca_svd(device_type, matrix_size):
       print(f'実行開始 - Matrix Size: {matrix_size}')
       print('device_type の設定:', device_type)
       with tf.device(device_type):
           X = tf.random.uniform((matrix_size, matrix_size), minval=0, maxval=1)
           pca_time = measure_time(lambda: tf.linalg.eigh(tf.matmul(X, X, transpose_a=True)))
           svd_time = measure_time(lambda: tf.linalg.svd(X))
   
       physical_devices = tf.config.list_physical_devices()
       gpu_devices = tf.config.list_physical_devices('GPU')
       print(f"Running on {device_type}")
       print(f"Available devices: {physical_devices}")
       print(f"PCA calculation time: {pca_time:.6f} seconds")
       print(f"SVD calculation time: {svd_time:.6f} seconds")
       print()
   
   # GPUの確認，GPUのメモリに関する設定
   def set_gpu_config():
       physical_devices = tf.config.list_physical_devices('GPU')
       if len(physical_devices) > 0:
           print("GPU available:", physical_devices)
           for device in physical_devices:
               tf.config.experimental.set_memory_growth(device, True)
       else:
           print("No GPU found. Running on CPU.")
   
   def main():
       set_gpu_config()
       # デバイス名の表示
       device_name = tf.config.list_logical_devices('GPU')
       print("Device name:", device_name)
   
       matrix_sizes = [1000, 2000, 3000, 4000]
       for size in matrix_sizes:
           print(f'Matrix Size: {size}')
           run_pca_svd('/GPU:0', size)
           run_pca_svd('/CPU:0', size)
           print('---')
   
   if __name__ == "__main__":
       main()
   

   
4. Python プログラムの実行

   プログラムを pcasvd.pyのようなファイル名で保存したので， 「python pcasvd.py」のようなコマンドで行う．

   python pcasvd.py
   

   
5. 結果の確認

ImageNet で学習済みの ConvNeXtBase モデルを用いた画像分類（TensorFlow, Keras を使用）

パソコン接続のカメラを使用

ImageNet で学習済みの ConvNeXtBase モデルを用いた画像分類を行う．

1. パソコン接続のカメラを使用するので準備しておく
2. 前準備として Python 用 opencv-python のインストール

   python -m pip install -U opencv-python opencv-contrib-python
   

3. Windows で，コマンドプロンプトを実行
4. エディタを起動

   cd /d c:%HOMEPATH%
   notepad convnext.py
   

5. エディタで，次のプログラムを保存
   このプログラムは，TensorFlow，ImageNet で学習済みのConvNeXtBaseモデルを活用し，カメラから取得した画像をリアルタイムで画像分類します．プログラムでは，GPUの設定，モデルのロード，フレームの前処理，画像分類，結果と推論に要した時間を表示します．カメラからの画像をリアルタイムで画像分類し，その結果をビジュアルに確認できるプログラムです．

   【説明】

   1. set_gpu_config()関数により、GPUの設定を行います。GPUが利用可能な場合は、使用可能なGPUデバイスを表示します。GPUが利用できない場合は、CPUを使用することを表示します。
   2. preprocess_image()関数により、入力画像の前処理を行います。前処理では、画像のリサイズ、色空間の変換、正規化を行います。
   3. load_model()関数により、ImageNetで学習済みのConvNeXtBaseモデルをロードします。
   4. classify_camera_frames()関数で、カメラからの画像を取得し、画像分類を行います。
      • 取得した画像をpreprocess_image()関数で前処理します。
      • 前処理された画像をモデルに入力し、分類を行います。
      • 分類結果から、最も確率の高いクラスの名前と信頼度を取得します。
      • 結果（クラス名、信頼度、推論時間、フレームレート）を画面上に描画します。
   5. main()関数で、GPUの設定を行い、モデルをロードし、classify_camera_frames()関数を呼び出してカメラからの画像の分類を開始します。
   6. 'q'キーが押されるまで、上記の処理を繰り返し行います。'q'キーが押されたら、プログラムを終了します。

   【使い方】

   1. 必要な準備

      プログラムを実行する前に、必要なライブラリ（TensorFlow、OpenCV、NumPy、urllib）がインストールされていることを確認してください。

   2. カメラの設定

      プログラムはデフォルトでカメラデバイス0を使用します。 異なるカメラを使用する場合は、cv2.VideoCapture(0)の引数を適切なデバイスIDに変更してください。

   3. モデルの選択

      プログラムはデフォルトでconvnext_baseモデルを使用します。 異なるTensorFlowのモデルを使用したい場合は、MODEL_NAMEの値を変更してください。 モデルによって入力サイズや前処理の要件が異なる場合があるため、注意が必要です。

   4. 前処理のパラメータ

      プログラムはデフォルトでMEANとSTDの値を使用して前処理を行います。 これらの値は、ImageNetデータセットで使用される一般的な値です。 モデルによっては別の値が適切な場合があります。

   5. GPUの使用

      プログラムは、利用可能な場合はGPUを使用します。 GPUが利用可能でない場合は、自動的にCPUにフォールバックします。

   6. プログラムの実行

      プログラムを実行すると、カメラからのリアルタイム画像分類が開始されます。 分類結果、信頼度、推論時間、フレームレートが画面上に表示されます。

   7. キー操作:

      'q'キーを押すとプログラムが終了します。 'p'キーを押すと、画像の分類を一時停止/再開できます。

   8. プログラムの終了:

      'q'キーを押すか、ウィンドウを閉じるとプログラムが終了します。

   以上の手順に従って、プログラムを実行してください。カメラからのリアルタイム画像分類を体験できます。

   import tensorflow as tf
   from tensorflow.keras.applications import ConvNeXtBase
   import numpy as np
   import time
   import cv2
   import json
   import urllib.request
   import os
   
   # ==== 設定 ====
   MODEL_NAME = 'convnext_base'
   INPUT_SIZE = (224, 224)
   MEAN = [0.485, 0.456, 0.406]
   STD = [0.229, 0.224, 0.225]
   FPS_BUFFER_SIZE = 10
   IMAGENET_LABELS_URL = 'https://raw.githubusercontent.com/anishathalye/imagenet-simple-labels/master/imagenet-simple-labels.json'
   # =============
   
   def download_imagenet_labels(url: str, filename: str) -> None:
       if not os.path.exists(filename):
           print(f"Downloading {filename} from {url}")
           try:
               urllib.request.urlretrieve(url, filename)
               print(f"Downloaded {filename}")
           except Exception as e:
               print(f"Error downloading {filename}: {str(e)}")
               raise
       else:
           print(f"{filename} already exists.")
   
   # ImageNetのクラスラベルとクラス名のマッピングをダウンロード
   try:
       download_imagenet_labels(IMAGENET_LABELS_URL, 'imagenet_class_index.json')
   except Exception as e:
       print(f"Error downloading imagenet_class_index.json: {str(e)}")
       exit(1)
   
   # ImageNetのクラスラベルとクラス名のマッピングを読み込み
   try:
       with open('imagenet_class_index.json', 'r') as f:
           imagenet_labels = json.load(f)
   except Exception as e:
       print(f"Error loading imagenet_class_index.json: {str(e)}")
       exit(1)
   
   # GPUの設定と確認を行う関数
   def set_gpu_config():
       physical_devices = tf.config.list_physical_devices('GPU')
       if len(physical_devices) > 0:
           print("GPU available:", physical_devices)
           for device in physical_devices:
               tf.config.experimental.set_memory_growth(device, True)
       else:
           print("No GPU found. Running on CPU.")
   
   # モデルをロードする関数
   def load_model():
       model = ConvNeXtBase(weights='imagenet', input_shape=INPUT_SIZE+(3,))
       model.trainable = False
       return model
   
   # モデルの情報を表示する関数
   def print_model_info(model):
       print(f"Model: {MODEL_NAME}")
       print(f"Input image size: {INPUT_SIZE}")
       print(f"Number of classes: {len(imagenet_labels)}")
   
   # 画像の前処理を行う関数
   def preprocess_image(img):
       img = cv2.resize(img, INPUT_SIZE)
       img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
       img = img.astype(np.float32) / 255.0
       img = (img - MEAN) / STD
       img = np.expand_dims(img, axis=0)
       return img
   
   # 画像を分類する関数
   def classify_image(model, img):
       preds = model.predict(img)
       class_id = np.argmax(preds)
       class_name = imagenet_labels[class_id]
       confidence = preds[0][class_id]
       return class_name, confidence
   
   # フレームレートを更新する関数
   def update_fps(fps_buffer, prediction_time):
       fps_buffer.append(prediction_time)
       if len(fps_buffer) > FPS_BUFFER_SIZE:
           fps_buffer = fps_buffer[-FPS_BUFFER_SIZE:]
       fps = len(fps_buffer) / sum(fps_buffer)
       return fps
   
   # 結果を表示する関数
   def display_results(frame, class_name, confidence, prediction_time, fps):
       cv2.putText(frame, f"Class: {class_name}", (10, 30),
                   cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
       cv2.putText(frame, f"Confidence: {confidence:.4f}", (10, 70),
                   cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
       cv2.putText(frame, f"Time: {prediction_time:.4f} seconds", (10, 110),
                   cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
       cv2.putText(frame, f"FPS: {fps:.2f}", (10, 150),
                   cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
   
   # カメラからのフレームを取得し、分類を行う関数
   def classify_camera_frames(model):
       cap = cv2.VideoCapture(0)
       fps_buffer = []
       paused = False
   
       while cap.isOpened():
           if not paused:
               ret, frame = cap.read()
               if not ret:
                   break
   
               img = preprocess_image(frame)
               start_time = time.perf_counter()
               class_name, confidence = classify_image(model, img)
               prediction_time = time.perf_counter() - start_time
               fps = update_fps(fps_buffer, prediction_time)
               display_results(frame, class_name, confidence, prediction_time, fps)
   
           cv2.imshow("Camera Classification", frame)
   
           key = cv2.waitKey(1) & 0xFF
           if key == ord('q'):
               break
           elif key == ord('p'):
               paused = not paused
   
       cap.release()
       cv2.destroyAllWindows()
   
   def main():
       set_gpu_config()
       model = load_model()
       print_model_info(model)
       classify_camera_frames(model)
   
   if __name__ == '__main__':
       main()
   

   
6. Python プログラムの実行

   プログラムを convnext.pyのようなファイル名で保存したので， 「python convnext.py」のようなコマンドで行う．

   python convnext.py
   

   
7. 結果の確認

   終了は q キー

   

画像ファイルを選択

ImageNet で学習済みの ConvNeXtBase モデルを用いた画像分類を行う．

1. Windows で，コマンドプロンプトを実行
2. エディタを起動

   cd /d c:%HOMEPATH%
   notepad convnextimg.py
   

   
3. エディタで，次のプログラムを保存
   このプログラムは、TensorFlow、Keras、ConvNeXtBaseモデルを活用し、ユーザが選択した複数の画像について画像分類を行う。プログラムでは、GPUの設定、モデルのロード、画像の前処理、画像分類、結果と推論に要した時間を表示する。主な機能は以下の通りである。

   【説明】

   1. GPUの設定

      利用可能なGPUを確認し、GPUのメモリに関する設定を行う。GPUが見つからない場合はCPUで実行される。

   2. ConvNeXtBaseモデルのロード

      ImageNetで学習済みのConvNeXtBaseモデルをロードする。

   3. 画像ファイルの選択と分類

      ユーザーが複数の画像ファイルを選択し、選択された各画像に対して画像分類を実施する。分類結果と推論に要した時間を画像上に描画する。

   4. 結果の表示

      分類されたクラス名、信頼度、推論時間を画像上に重ねて表示する。

   5. 任意のキーを押すと次の画像に進み、全ての画像の分類が完了すると終了する。

   【使い方】

   1. 必要な準備

      プログラムを実行する前に、必要なライブラリ（TensorFlow、Keras、OpenCV、NumPy、urllib、tkinter）がインストールされていることを確認してください。

   2. モデルの選択

      プログラムはデフォルトでconvnext_baseモデルを使用します。 異なるKerasのモデルを使用したい場合は、MODEL_NAMEの値を変更してください。 モデルによって入力サイズや前処理の要件が異なる場合があるため、注意が必要です。

   3. 前処理のパラメータ

      プログラムはデフォルトでMEANとSTDの値を使用して前処理を行います。 これらの値は、ImageNetデータセットで使用される一般的な値です。 モデルによっては別の値が適切な場合があります。

   4. GPUの使用

      プログラムは、利用可能な場合はGPUを使用します。 GPUが利用可能でない場合は、自動的にCPUにフォールバックします。

   5. プログラムの実行

      プログラムを実行すると、画像ファイルの選択ダイアログが表示されます。 分類したい画像ファイルを複数選択し、「開く」をクリックしてください。

   import tensorflow as tf
   from tensorflow.keras.applications import ConvNeXtBase
   import numpy as np
   import time
   import cv2
   import json
   import urllib.request
   import os
   import tkinter as tk
   from tkinter import filedialog
   
   # ==== 設定 ====
   MODEL_NAME = 'convnext_base'
   INPUT_SIZE = (224, 224)
   MEAN = [0.485, 0.456, 0.406]
   STD = [0.229, 0.224, 0.225]
   IMAGENET_LABELS_URL = 'https://raw.githubusercontent.com/anishathalye/imagenet-simple-labels/master/imagenet-simple-labels.json'
   # =============
   
   def download_imagenet_labels(url: str, filename: str) -> None:
       if not os.path.exists(filename):
           print(f"Downloading {filename} from {url}")
           try:
               urllib.request.urlretrieve(url, filename)
               print(f"Downloaded {filename}")
           except Exception as e:
               print(f"Error downloading {filename}: {str(e)}")
               raise
       else:
           print(f"{filename} already exists.")
   
   # ImageNetのクラスラベルとクラス名のマッピングをダウンロード
   try:
       download_imagenet_labels(IMAGENET_LABELS_URL, 'imagenet_class_index.json')
   except Exception as e:
       print(f"Error downloading imagenet_class_index.json: {str(e)}")
       exit(1)
   
   # ImageNetのクラスラベルとクラス名のマッピングを読み込み
   try:
       with open('imagenet_class_index.json', 'r') as f:
           imagenet_labels = json.load(f)
   except Exception as e:
       print(f"Error loading imagenet_class_index.json: {str(e)}")
       exit(1)
   
   # GPUの設定と確認を行う関数
   def set_gpu_config():
       physical_devices = tf.config.list_physical_devices('GPU')
       if len(physical_devices) > 0:
           print("GPU available:", physical_devices)
           for device in physical_devices:
               tf.config.experimental.set_memory_growth(device, True)
       else:
           print("No GPU found. Running on CPU.")
   
   # モデルをロードする関数
   def load_model():
       model = ConvNeXtBase(weights='imagenet', input_shape=INPUT_SIZE+(3,))
       model.trainable = False
       return model
   
   # モデルの情報を表示する関数
   def print_model_info(model):
       print(f"Model: {MODEL_NAME}")
       print(f"Input image size: {INPUT_SIZE}")
       print(f"Number of classes: {len(imagenet_labels)}")
   
   # 画像の前処理を行う関数
   def preprocess_image(img):
       img = cv2.resize(img, INPUT_SIZE)
       img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
       img = img.astype(np.float32) / 255.0
       img = (img - MEAN) / STD
       img = np.expand_dims(img, axis=0)
       return img
   
   # 画像ファイルを選択する関数
   def select_files():
       try:
           if 'google.colab' in str(get_ipython()):
               from google.colab import files
               uploaded = files.upload()
               image_paths = list(uploaded.keys())
           else:
               root = tk.Tk()
               root.withdraw()
               image_paths = filedialog.askopenfilenames()
       except NameError:
           root = tk.Tk()
           root.withdraw()
           image_paths = filedialog.askopenfilenames()
       return image_paths
   
   # 選択した画像の分類を行う
   def classify_selected_images(model):
       image_paths = select_files()
       for image_path in image_paths:
           try:
               img = cv2.imread(image_path)
           except Exception as e:
               print(f"Error reading image {image_path}: {str(e)}")
               continue
   
           # 画像の前処理
           img_preprocessed = preprocess_image(img)
   
           # 画像の分類
           start_time = time.perf_counter()
           preds = model.predict(img_preprocessed)
           end_time = time.perf_counter()
           prediction_time = end_time - start_time
   
           top_pred_index = np.argmax(preds)
           class_name = imagenet_labels[top_pred_index]
           confidence = preds[0][top_pred_index]
   
           # 結果の表示
           cv2.putText(img, f"Class: {class_name}", (10, 30),
                       cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
           cv2.putText(img, f"Confidence: {confidence:.4f}", (10, 70),
                       cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
           cv2.putText(img, f"Time: {prediction_time:.4f} seconds", (10, 110),
                       cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
   
           cv2.imshow("Image Classification", img)
           cv2.waitKey(0)
   
       cv2.destroyAllWindows()
   
   def main():
       set_gpu_config()
       model = load_model()
       print_model_info(model)
       classify_selected_images(model)
   
   if __name__ == '__main__':
       main()
   

   
4. Python プログラムの実行

   プログラムを convnextimg.pyのようなファイル名で保存したので， 「python convnextimg.py」のようなコマンドで行う．

   python convnextimg.py
   

   
5. ファイルダイアログが開くので，画像ファイルを選ぶ．

   このとき，画像ファイルを複数選ぶことができる．

6. 結果の確認

   画像分類の結果のクラス名，信頼度(Confidence)，処理に要した時間が表示される．