GPU環境でのTensorFlow 2.10.1のインストールと活用（Windows 上）

前準備

Python 3.10，Git，7-Zip のインストール（Windows 上）

Pythonは，プログラミング言語の１つ． Gitは，分散型のバージョン管理システム． 7-Zipは，ファイル圧縮・展開（解凍）ツール．

【手順】

1. 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

   次のコマンドは，Python ランチャーとPython 3.10とGitと7-Zipをインストールし，Gitと7-Zipにパスを通すものである．

   次のコマンドでインストールされるGitは 「git for Windows」と呼ばれるものであり， Git，MinGW などから構成されている．

   winget install --scope machine Python.Launcher
   winget install --scope machine Python.Python.3.10
   winget install --scope machine Git.Git
   powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\Program Files\Git\cmd\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"
   winget install --scope machine 7zip.7zip
   powershell -command "$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】

• Python の公式ページ: https://www.python.org/
• Git の公式ページ: https://git-scm.com/
• 7-Zip の公式ページ: https://7-zip.opensource.jp/

【サイト内の関連ページ】

• Python詳細ガイド：別ページ »

【関連項目】 Python, Git バージョン管理システム, Git の利用, 7-Zip

Build Tools for Visual Studio 2022 （ビルドツール for Visual Studio 2022）または Visual Studio 2022 のインストール（Windows 上）

【インストールの判断】 Build Tools for Visual Studio は，開発ツールセットである． Visual Studio は統合開発環境であり，いくつかの種類があり，Build Tools for Visual Studioの機能を含むか連携して使用するものである．インストールは以下の基準で判断してください：

• Build Tools for Visual Studio の機能のみが必要な場合

  Build Tools for Visual Studio のインストール を行う．

• Visual Studio の機能が必要である，あるいは，よく分からない場合

  Visual Studio をインストール する．

  Visual Studio 2022 をインストールする際に，「C++ によるデスクトップ開発」を選択することで， Build Tools for Visual Studio 2022 の機能も一緒にインストールされる．

不明な点がある場合は，Visual Studio 全体をインストール を行う方が良い．

Build Tools for Visual Studio 2022 のインストール（Windows 上）

1. 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

   次のコマンドは，Build Tools for Visual Studio 2022と VC2015 再配布可能パッケージをインストールするものである．

   winget install --scope machine Microsoft.VisualStudio.2022.BuildTools 
   winget install --scope machine Microsoft.VCRedist.2015+.x64
   

2. Build Tools for Visual Studio 2022 での C++ によるデスクトップ開発，CLI，ATL，MFC のインストール（Windows 上）
   1. Visual Studio Installer の起動

      起動方法: スタートメニューの「Visual Studio Installer」を選ぶ．

   2. Visual Studio Build Tools 2022 で「変更」を選ぶ．
      
   3. 「C++ によるデスクトップ開発」をクリック．そして，画面右側の「インストール」の詳細で「v143 ビルドツール用 C++/CLI サポート（最新）」，「ATL」，「MFC」をチェックする．その後，「変更」をクリック．
      

Visual Studio のインストール（Windows 上）

1. 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

   1. 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」）。
   2. インストールコマンドの実行

      winget install Microsoft.VisualStudio.2022.Community --scope machine --override "--add Microsoft.VisualStudio.Workload.NativeDesktop Microsoft.VisualStudio.ComponentGroup.NativeDesktop.Core Microsoft.VisualStudio.Component.VC.CLI.Support Microsoft.VisualStudio.Component.CoreEditor Microsoft.VisualStudio.Component.NuGet Microsoft.VisualStudio.Component.Roslyn.Compiler Microsoft.VisualStudio.Component.TextTemplating Microsoft.VisualStudio.Component.Windows.SDK.Latest Microsoft.VisualStudio.Component.VC.Tools.x86.x64 Microsoft.VisualStudio.Component.VC.ATL Microsoft.VisualStudio.Component.VC.ATLMFC"
      winget install Microsoft.VisualStudio.2022.Community --scope machine Microsoft.VCRedist.2015+.x64
      

      インストールされるコンポーネントの説明：

      • NativeDesktop：C++によるデスクトップアプリケーション開発のためのワークロード一式
      • NativeDesktop.Core：C++デスクトップ開発に必要な基本コンポーネント群
      • VC.CLI.Support：マネージドコードとネイティブコードの統合開発を可能にするC++/CLIサポート
      • CoreEditor：コード編集，デバッグ，検索などの基本機能を提供するVisual Studioのコアエディタ
      • NuGet：.NETライブラリの依存関係を管理するパッケージ管理システム
      • Windows.SDK.Latest：Windows 向けアプリケーション開発用SDK（Software Development Kit）
      • VC.Tools.x86.x64：32ビット及び64ビット向けC++コンパイラとビルドツール
      • VC.ATL：Windowsコンポーネント開発用のActive Template Library
      • VC.ATLMFC：デスクトップアプリケーション開発用のMicrosoft Foundation Class Library

      システム要件と注意事項：

      • 管理者権限でのインストールが必須
      • 必要ディスク容量：10GB以上
      • 推奨メモリ：8GB以上のRAM
      • インストール過程でシステムの再起動が要求される可能性がある
      • 安定したインターネット接続環境が必要

      追加のコンポーネントが必要な場合は，Visual Studio Installerを使用して個別にインストールすることが可能である．

   3. インストール完了の確認

      winget list Microsoft.VisualStudio.2022.Community
      

      トラブルシューティング：

      インストール失敗時は，以下のログファイルを確認：

      %TEMP%\dd_setup_<timestamp>.log
      %TEMP%\dd_bootstrapper_<timestamp>.log

2. Visual Studio での C++ によるデスクトップ開発，CLI のインストール（Windows 上）
   1. Visual Studio Installer の起動

      起動方法: スタートメニューの「Visual Studio Installer」を選ぶ．

   2. Visual Studio Community 2022 で「変更」を選ぶ．
   3. 「C++ によるデスクトップ開発」をチェック．そして，画面右側の「インストール」の詳細で「v143 ビルドツール用 C++/CLI サポート（最新）」をチェックする．その後，「インストール」をクリック．

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 ツールキット 11.8 のインストール（Windows 上）

1. Windows では，NVIDIA CUDA ツールキットのインストール中は，なるべく他のウインドウはすべて閉じておくこと．
2. 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」）。
3. 次のコマンドを実行

   次のコマンドは，NVIDIA GeForce Experience，NVIDIA CUDA ツールキット 11.8 をインストールするものである．

   wmic path win32_VideoController get name
   
   winget install --scope machine Nvidia.CUDA --version 11.8
   powershell -command "[System.Environment]::SetEnvironmentVariable(\"CUDA_HOME\", \"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\", \"Machine\")"
   

4. NVIDIA CUDA ツールキットのインストールが終わったら，ユーザ環境変数 TEMP の設定を行う．

   Windows のユーザ名が日本語のとき，nvcc がうまく動作しないエラーを回避するためである．

   ユーザ環境変数 TEMP に「C:\TEMP」を設定するために， コマンドプロンプトで，次のコマンドを実行する．

   mkdir C:\TEMP
   powershell -command "[System.Environment]::SetEnvironmentVariable(\"TEMP\", \"C:\TEMP\", \"User\")"
   

NVIDIA cuDNN 8.9.7 のインストール（Windows 上）

zlib のインストール（Windows 上）

1. 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」）。
2. 次のコマンドを実行

   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 %HOMEPATH%
   rmdir /s /q zlib
   git clone https://github.com/madler/zlib
   cd zlib
   del CMakeCache.txt
   rmdir /s /q CMakeFiles\
   cmake . -G "Visual Studio 17 2022" -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

NVIDIA cuDNN 8.9.7 のインストール（Windows 上）

1. NVIDIA cuDNN のウェブページを開く

   https://developer.nvidia.com/cuDNN

2. ダウンロードしたいので，cuDNNのところにある「Download cuDNN」をクリック．
   
3. cuDNN Downloads のページで「Archive of Previous Releases」をクリック
   
4. 「cuDNN 8.x - 1.x」をクリック
   
5. ダウンロードしたいバージョンを選ぶ

   ここでは「NVIDIA cuDNN v8.9.7 for CUDA 11.x」を選んでいる．

   このとき，画面の「for CUDA ...」のところを確認し，使用するNVIDIA CUDA のバージョンに合うものを選ぶこと．

   
6. Windows にインストールするので Windows 版を選ぶ
   
7. NVIDIA Developer Program メンバーシップに入る

   NVIDIA cuDNN のダウンロードのため．

   「Join now」をクリック．その後，画面の指示に従う． 利用者本人が，電子メールアドレス，表示名，パスワード，生年月日を登録．利用条件等に合意．

   
8. ログインする
   
9. 調査の画面が出たときは，調査に応じる
10. ライセンス条項の確認
    
11. ダウンロードが始まる．
    
12. ダウンロードした .zip ファイルを展開（解凍）する． その中のサブディレクトリを確認しておく．

    Windows での展開（解凍）に便利な 7-Zip: 別ページ »で説明

    
13. NVIDIA CUDA ツールキットをインストールしたディレクトリを確認する．「C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8」のようになっている．
    
14. 確認したら， さきほど展開してできたすべてのファイルとディレクトリを，NVIDIA CUDA ツールキットをインストールしたディレクトリにコピーする
    
15. パスが通っていることを確認．

    次の操作により，cudnn64_8.dll にパスが通っていることを確認する．

    Windows のコマンドプロンプトを開き，次のコマンドを実行する．エラーメッセージが出ないことを確認．

    where cudnn64_8.dll
    

    
16. Windows の システム環境変数 CUDNN_PATH の設定を行う． Windows では， コマンドプロンプトを管理者として開き， 次のコマンドを実行することにより， システム環境変数 CUDNN_PATH の設定を行うことができる．

    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

    powershell -command "[System.Environment]::SetEnvironmentVariable(\"CUDNN_PATH\", \"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\", \"Machine\")"
    

    

TensorFlow 2.10（GPU 対応可能）のインストールと活用（Windows 上）

インストール手順

1. 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」）。
2. 使用する Python のバージョンの確認

   python --version
   

   
3. pip と setuptools の更新

   * 「 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
   

   
4. TensorFlow, Keras 関係の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，関係のパッケージのアンインストールを行っておく．

   Windows で pip を実行するときは，コマンドプロンプトを管理者として開き，それを使って pip を実行することにする．

   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
   

   
5. TensorFlow 2.10.1 および関連パッケージ（tf_slim，tensorflow_datasets，tensorflow-hub，Keras，keras-tuner，keras-visualizer）のインストール．

   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
   

   
   （以下省略）
6. Pythonパッケージ（Pillow, pydot, matplotlib, seaborn, pandas, scipy, scikit-learn, scikit-learn-intelex, opencv-python, opencv-contrib-python）のインストール（インストール済みのときは最新版に更新）

   python -m pip install -U pillow pydot matplotlib seaborn pandas scipy scikit-learn scikit-learn-intelex opencv-python opencv-contrib-python
   

7. Windows の システム環境変数 TF_FORCE_GPU_ALLOW_GROWTH に，true を設定

   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．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__ )"
   

   

   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．

   

   • 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
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．

   

   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

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 %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

   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

   【サイト内の関連ページ】 Python のまとめ: 別ページ »

   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 %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

   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

   【サイト内の関連ページ】 Python のまとめ: 別ページ »

   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 %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

   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

   【サイト内の関連ページ】 Python のまとめ: 別ページ »

   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 %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

   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

   【サイト内の関連ページ】 Python のまとめ: 別ページ »

   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．

   
   

【まとめ】WindowsでのTensorFlowの環境構築から応用アプリケーションの実行まで，一連のプロセスを説明．