Hello イメージの分類

この Jupyter ノートブックはオンラインで起動でき、ブラウザーのウィンドウで対話型環境を開きます。ローカルにインストールすることもできます。次のオプションのいずれかを選択します。

この OpenVINO™ の基本的な紹介では、画像分類モデルを使用して推論を行う方法を示します。

このチュートリアルでは、Open Model Zoo の事前トレーニングされた MobileNetV3 モデルが使用されます。OpenVINO IR モデルの作成方法の詳細については、TensorFlow モデルから OpenVINO への変換 チュートリアルを参照してください。

目次

• インポート

• モデルとデータのサンプルをダウンロード

• 推論デバイスの選択

• モデルのロード

• 画像のロード

• 推論の実行

# Install openvino package
%pip install -q "openvino>=2023.1.0"

Note: you may need to restart the kernel to use updated packages.

インポート

from pathlib import Path

import cv2
import matplotlib.pyplot as plt
import numpy as np
import openvino as ov

# Fetch `notebook_utils` module
import urllib.request
urllib.request.urlretrieve(
                                        url='https://raw.githubusercontent.com/openvinotoolkit/openvino_notebooks/main/notebooks/utils/notebook_utils.py',
                                        filename='notebook_utils.py'
)

from notebook_utils import download_file

モデルとデータのサンプルをダウンロード

base_artifacts_dir = Path('./artifacts').expanduser()

model_name = "v3-small_224_1.0_float"
model_xml_name = f'{model_name}.xml'
model_bin_name = f'{model_name}.bin'

model_xml_path = base_artifacts_dir / model_xml_name

base_url = 'https://storage.openvinotoolkit.org/repositories/openvino_notebooks/models/mobelinet-v3-tf/FP32/'

if not model_xml_path.exists():
                                        download_file(base_url + model_xml_name, model_xml_name, base_artifacts_dir)
                                        download_file(base_url + model_bin_name, model_bin_name, base_artifacts_dir)
else:
                                        print(f'{model_name} already downloaded to {base_artifacts_dir}')

artifacts/v3-small_224_1.0_float.xml:   0%|          | 0.00/294k [00:00<?, ?B/s]

artifacts/v3-small_224_1.0_float.bin:   0%|          | 0.00/4.84M [00:00<?, ?B/s]

推論デバイスの選択

OpenVINO を使用して推論を実行するためにドロップダウン・リストからデバイスを選択します

import ipywidgets as widgets

core = ov.Core()
device = widgets.Dropdown(
                                        options=core.available_devices + ["AUTO"],
                                        value='AUTO',
                                        description='Device:',
                                        disabled=False,
)

device

Dropdown(description='Device:', index=1, options=('CPU', 'AUTO'), value='AUTO')

モデルのロード

core = ov.Core()
model = core.read_model(model=model_xml_path)
compiled_model = core.compile_model(model=model, device_name=device.value)

output_layer = compiled_model.output(0)

画像のロード

# Download the image from the openvino_notebooks storage
image_filename = download_file(
                                        "https://storage.openvinotoolkit.org/repositories/openvino_notebooks/data/data/image/coco.jpg",
                                        directory="data"
)

# The MobileNet model expects images in RGB format.
image = cv2.cvtColor(cv2.imread(filename=str(image_filename)), code=cv2.COLOR_BGR2RGB)

# Resize to MobileNet image shape.
input_image = cv2.resize(src=image, dsize=(224, 224))

# Reshape to model input shape.
input_image = np.expand_dims(input_image, 0)
plt.imshow(image);

data/coco.jpg:   0%|          | 0.00/202k [00:00<?, ?B/s]

推論の実行

result_infer = compiled_model([input_image])[output_layer]
result_index = np.argmax(result_infer)

imagenet_filename = download_file(
                                        "https://storage.openvinotoolkit.org/repositories/openvino_notebooks/data/data/datasets/imagenet/imagenet_2012.txt",
                                        directory="data"
)

imagenet_classes = imagenet_filename.read_text().splitlines()

data/imagenet_2012.txt:   0%|          | 0.00/30.9k [00:00<?, ?B/s]

# The model description states that for this model, class 0 is a background.
# Therefore, a background must be added at the beginning of imagenet_classes.
imagenet_classes = ['background'] + imagenet_classes

imagenet_classes[result_index]

'n02099267 flat-coated retriever'