【要約】
Windows環境でのTensorFlow 2.10.1のインストールから、行列計算や画像分類などのサンプルプログラムの実行までを説明している。TensorFlowのインストールに必要な前提条件として、Build Tools for Visual Studio 2022、Git、7-Zip、NVIDIA関連ソフトウェア（ドライバ、CUDAツールキット、cuDNN）のインストール方法も説明している。さらに、Pythonのインストールも示している。そして、TensorFlow 2.10.1のインストール手順と動作確認方法を詳述し、GPUが認識されているかの確認方法も提示している。最後に、TensorFlowを用いた行列の掛け算、主成分分析、特異値分解のプログラムとその実行方法を示し、加えて事前学習済みのConvNeXtBaseモデルを用いたリアルタイム画像分類および選択した画像の分類のプログラムとその実行方法も提示している。
【目次】
GPUは，グラフィックス・プロセッシング・ユニット（Graphics Processing Unit）の略である．３次元コンピュータグラフィックスや３次元ゲーム，動画編集，仮想通貨のマイニング，科学計算，ディープラーニングなど，並列処理が必要な幅広い分野で活用されている．
Tensorflowは，Google 社によりリリースされた強力な機械学習フレームワークである．Python，C/C++ 言語から利用することができ，CPU，GPU，TPU 上で動作する．TensorFlow の特徴の一つは，「データフローグラフ」という概念である．データフローグラフは，データの流れを定めるもので，グラフ内の節点はオペレーション（演算）であり，エッジは節点間を流れるデータ（テンソル）を表す．ここでいう「オペレーション（演算）」は，TensorFlow が提供する様々な処理の単位である．TensorFlow を使うことで，機械学習のアプリケーションをより簡単に作成することができるようになる．TensorFlow は，音声，画像、テキスト，ビデオなど，様々なタイプのデータを利用できる．TensorFlow は，2015年11月に最初のバージョンがリリースされた．
TensorFlow GPU 版の動作に必要なもの（2023年4月時点）
Windows で，NVIDIA グラフィックス・ボードの種類を調べたいときは， hwinfo (URL: https://www.hwinfo.com) を使って調べることができる．
TensorFlow の動作に，cudart64_110.dll, cusolver64_11.dll, cudnn64_8.dll が必要であるため，NVIDIA CUDA ツールキット 11 をインストールする．
注意点の１：NVIDIA CUDA ツールキット 11は，NVIDIA cuDNN が対応しているものを選ぶこと． 新しいNVIDIA CUDA ツールキット 11では，NVIDIA cuDNN が対応していない場合がある．詳細は，NVIDIA cuDNN のページ https://developer.nvidia.com/cudnn で確認できる．
注意点の２：NVIDIA CUDA ツールキット は，バージョン12 でなくバージョン11 の最新版を使うこと．バージョン 12 は，2023年 4月に TensorFlow 2.10.1 で試したが動作しなかった．
最新の NVIDIA cuDNNに対応するNVIDIA CUDA ツールキットのバージョンは，
古いバージョンである2.4.4 あるいはそれ以前のバージョン のTensorFlow を使う場合は， 最新の NVIDIA cuDNNを使わないこと． 詳しくは，別ページ »で説明
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/
7-Zipは，ファイル圧縮・展開（解凍）ツール
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
次のコマンドは，7-Zip圧縮・展開（解凍）ツールをインストールするものである．
winget install --scope machine 7zip.7zip powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\Program Files\7-Zip\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"
【関連する外部ページ】
【関連項目】 7-Zip
【サイト内の関連ページ】
【関連する外部ページ】
Python の公式ページ: https://www.python.org/
【サイト内の関連ページ】
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 v8.9.7 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】
設定の要点
システム環境変数 TF_FORCE_GPU_ALLOW_GROWTH の設定: true
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
python --version
![[image]](../../tools/win/1148.png)
※ 「 python -m pip install ...」は，Python パッケージをインストールするためのコマンド．
python -m pip install -U pip setuptools
![[image]](../../tools/win/4576.png)
トラブルの可能性を減らすために，関係のパッケージの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 keras-tuner keras-visualizer
![[image]](../../tools/win/2568.png)
あわせて，TensorFlowの公式ドキュメント，サンプルコード、Kerasの追加モジュールもインストールする．
pip を用いてインストールする．
python -m pip install -U protobuf tensorflow==2.10.1 tf_slim tensorflow_datasets==4.8.3 tensorflow-hub keras keras-tuner keras-visualizer python -m pip install git+https://github.com/tensorflow/docs python -m pip install git+https://github.com/tensorflow/examples.git python -m pip install git+https://www.github.com/keras-team/keras-contrib.git
![[image]](../../tools/win/4779.png)
python -m pip install -U pillow pydot matplotlib seaborn pandas scipy scikit-learn scikit-learn-intelex opencv-python opencv-contrib-python
次のコマンドを実行
powershell -command "[System.Environment]::SetEnvironmentVariable(\"TF_FORCE_GPU_ALLOW_GROWTH\", \"true\", \"Machine\")"
![[image]](../../cc/tools/111.png)
TensorFlow がインストールできたかを確認したい．
バージョン番号が表示されれば OK．下の図とは違うバージョンが表示されることがある．
python -c "import tensorflow as tf; print( tf.__version__ )"
![[image]](../../tools/win/2457.png)
次のようなメッセージが出た場合には，メッセージに従い， 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． 但し，GPU がない場合には，このメッセージを無視する．
![[image]](../../cc/tools/106.png)
pip show tensorflow
![[image]](../../cc/tools/107.png)
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．
![[image]](../../tools/win/2616.png)
ここで，GPU があるのに，TensorFlow から認識されていないかもしれない． TensorFlow GPU 版が指定するバージョンの NVIDIA CUDA ツールキット，NVIDIA cuDNN がインストールされていないことが原因かも知れない．
TensorFlow 2.5 の GPU 版での，cuDNN のバージョンは 8.2，TensorFlow 2.4 の GPU 版での，cuDNN のバージョンは 8.0.5，TensorFlow 2.3, 2.2, 2.1 の GPU 版での，cuDNN のバージョンは 7.6．そして，TensorFlow 1.13 以上 TensorFlow 2.0 までの GPU 版での，cuDNN のバージョンは7.4 が良いようである．
Windows での NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN v8.9.7 のインストールと動作確認: 別ページ »で説明
cd %USERPROFILE% notepad matmul.py
![[image]](../../tools/win/5558.png)
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．
![[image]](https://www.kkaneko.jp/info/logo_png.png){kind=logo}
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()
![[image]](../../tools/win/5559.png)
Python プログラムの実行
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 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
![[image]](../../tools/win/5560.png)
![[image]](../../tools/win/5562.png)
cd %USERPROFILE% notepad pcasvd.py
![[image]](../../tools/win/5566.png)
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()
![[image]](../../tools/win/5567.png)
Python プログラムの実行
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 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
![[image]](../../tools/win/5568.png)
ImageNet で学習済みの ConvNeXtBase モデルを用いた画像分類を行う．
python -m pip install -U opencv-python opencv-contrib-python
cd %USERPROFILE% notepad convnext.py
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】
【使い方】
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。
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。
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。
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。
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。
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。
'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。
'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()
![[image]](../../tools/win/5563.png)
Python プログラムの実行
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 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
![[image]](../../tools/win/5564.png)
終了は q キー
![[image]](../../tools/win/5565.png)
ImageNet で学習済みの ConvNeXtBase モデルを用いた画像分類を行う．
cd %USERPROFILE% notepad convnextimg.py
![[image]](../../ai/win/773.png)
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】
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。
ImageNetで学習済みのConvNeXtBaseモデルをロードする。
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。
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。
【使い方】
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。
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。
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。
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。
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()
![[image]](../../ai/win/774.png)
Python プログラムの実行
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 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
![[image]](../../ai/win/775.png)
このとき，画像ファイルを複数選ぶことができる．
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．
![[image]](../../ai/win/771.png)
![[image]](../../ai/win/772.png)
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]](https://www.kkaneko.jp/info/kanekomail.png)