2017-08-12

USB型DeepLearningアクセラレータ,"Movidius Neural Compute Stick"をRaspberryPi2で動かしてみた。

はじめに

USB型DeepLearningアクセラレータ,"Movidius Neural Compute Stick"をRaspberryPi2で動かしてみました.
基本的な手順はRaspberryPi3と変わりませんが,RaspberryPi2での動いた実績メモです.
Caffe modelのコンパイル環境にはUbuntu16.04が必要ですが,コンパイル済みのCaffe model(Graphバイナリ)があれば,Raspbian Jessie(2017-07-05)だけで動ごかせるのがポイントです.その辺を整理して書いてみます.

Movidius Neural Compute Stickとは.

f:id:flow-dev:20170812234951j:plain

Movidiusとは,GoogleのProject Tangoや,DJIのドローンSPARKなど,リアルタイム性が高いコンピュータービジョンの性能向上に,効果を発揮しているチップセットです.
Movidiusが開発した専用チップ"Myriad 2 VPU"を搭載.消費電力1Wで100GFLOPSでのディープニューラルネットワーク処理が可能とのこと.
専用SDKを利用してCaffe modelをこのUSBアクセラレータ用にコンパイル,RaspberryPiに接続すればエッジサイドでのDNN実行が可能となります.
以下に公式の説明動画を貼っておきました.

Introducing Movidius Neural Compute Stick

MovidiusNCSとRaspberryPi2で動かしてみました。

MovidiusNCSとRaspberryPi2,SDKサンプルで動かしてみた事を動画でまとめてみました.
CVPR2017で購入したので,現地の状況なども動画に含んでいます.ご参考までに.
2017-08-12現在.日本のRSコンポーネンツでも9900円で購入できそうです.
以下に記載した手順を踏むと,この動画で行っていることができます.
詳細や最新は,Latest version: Movidius™ Neural Compute SDKでご確認ください.(はまりそうなTIPSは細々書いてみました.)

Try Movidius Neural Compute Stick in Raspberry Pi 2

Movidius NCSに必要な,2つの環境.

Movidius NCSを使うには,2つの環境が必要となります.
1つ目はCaffe modelをNCS用にコンパイルする環境です.これはUbuntu16.04が必須となります(Raspbian Jessieは今のところ×). 一方でMovidius NCSは不要です.
2つ目はNCS用にコンパイルしたCaffe modelバイナリ(graphと呼ぶ)を実行する環境です.こちらはUbuntu16.04でもRaspbian Jessieでも実行可能です. Movidius NCSは必須です.
今回は,1つ目のCaffe modelをNCS用にコンパイルする環境はRaspberryPi2 + Ubuntu16.04で. 2つ目の実行環境は,RaspberryPi2 + Raspbian Jessie + Movidius NCSで環境を別々に作ってみました.(もちろん分けなくても良いです.また,RaspberryPiではなく,上記OSを準備したPCなら同様に環境構築が可能です)
以下の動画だけ見ると,RaspberryPi2 + Raspbian Jessieのみで全部出来るように見えますが,実はそうではなくて, Caffe modelをNCS用にコンパイルする環境がUbuntu16.04が別途必須なのです.

Getting Started with Neural Compute Stick and Rasbperry Pi 3

① Caffe modelをNCS用にコンパイルする環境を作る(Ubuntu16.04)

1.RaspberryPi2用のUbuntu16.04イメージをここからダウンロード(ubuntu-16.04.3-preinstalled-server-armhf+raspi2.img.xz)して,SDに書き込みます.

2.SDKをダウンロードして解凍します.

wget https://ncs-forum-uploads.s3.amazonaws.com/ncsdk/MvNC_SDK_01_07_07/MvNC_SDK_1.07.07.tgz
tar xvf MvNC_SDK_1.07.07.tgz
tar xvf MvNC_API-1.07.07.tgz
tar xvf MvNC_Toolkit-1.07.06.tgz

3.MvNC_Toolkit-1.07.06をセットアップします.これがCaffe modelをNCS用にコンパイルする環境です.セットアップ完了に3時間はかかったと思います...気長に.(あまりに長すぎて,Caffeのインストール途中で止めてしまい,その後Caffeのビルドが通らなくなったのですが,make cleanしてから,再度./setpu.shすればいけました.)

cd bin
./setup.sh

4.MvNC_API-1.07.07をセットアップします.これがNCS用にコンパイルしたCaffe modelバイナリ(graphと呼ぶ)を実行する環境です.Caffe modelバイナリ(graphと呼ぶ)を生成するために,Ubuntu16.04でCaffe model(Alexnet,Googlenet,Squeezenet,etc)のダウンロードを行い,MvNC_Toolkit-1.07.06に含まれるコンパイラを使ってCaffe modelをコンパイルし,graphを生成します.1点ファイル修正をします.デフォルトのconvert_models.shは,-s 12のコンパイルオプションがついておらず,実行速度が半減以下になるので,以下のように書き換えます.(2017-08-12現在. 他のサンプルは,mvNCCompile.pycに対して-s 12のコンパイルオプションがついてる場合のあるのですが,なぜかここには付いていない)

convert_models.sh

#!/bin/sh

NCS_TOOLKIT_ROOT='../../bin'
echo $NCS_TOOLKIT_ROOT
python3 $NCS_TOOLKIT_ROOT/mvNCCompile.pyc ../networks/SqueezeNet/NetworkConfig.prototxt -s 12 -w ../networks/SqueezeNet/squeezenet_v1.0.caffemodel -o ../networks/SqueezeNet/graph
python3 $NCS_TOOLKIT_ROOT/mvNCCompile.pyc ../networks/GoogLeNet/NetworkConfig.prototxt -s 12 -w ../networks/GoogLeNet/bvlc_googlenet.caffemodel -o ../networks/GoogLeNet/graph
python3 $NCS_TOOLKIT_ROOT/mvNCCompile.pyc ../networks/Gender/NetworkConfig.prototxt -s 12 -w ../networks/Gender/gender_net.caffemodel -o ../networks/Gender/graph
python3 $NCS_TOOLKIT_ROOT/mvNCCompile.pyc ../networks/Age/deploy_age.prototxt -s 12 -w ../networks/Age/age_net.caffemodel -o ../networks/Age/graph
python3 $NCS_TOOLKIT_ROOT/mvNCCompile.pyc ../networks/AlexNet/NetworkConfig.prototxt -s 12 -w ../networks/AlexNet/bvlc_alexnet.caffemodel -o ../networks/AlexNet/graph

cd ncapi/redist/pi_jessie
sudo dpkg -i *
cd ncapi/tools
./get_models.sh
./convert_models.sh

5.これで,Caffe modelをNCS用にコンパイルする環境作りと,NCS用にコンパイルしたCaffe modelバイナリ(graphと呼ぶ)の生成が完了しました.(ncapi/networks/Googlenetなどにgraphというバイナリファイルが生成出来ていれば成功です)

② NCS用にコンパイルしたCaffe modelバイナリ(graphと呼ぶ)を実行する環境を作る(Raspbian Jessie)

1.RaspberryPi2用のRaspbian JessieイメージをダウンロードしてDDで書き込みます.ここを参考にしました 2.Raspbian Jessieを起動したらapt-getで環境を最新にしておきます.

sudo apt-get upate
sudo apt-get upgrade

3.上記①Caffe modelをNCS用にコンパイルする環境を作るを完了した,ncapiディレクトリ一式を,Raspbian Jessieの実行用環境にフルコピーします.私はWindows環境でTeraTermを使ってssh接続したのちファイルコピーしました.ここを参考に,SCPコマンドを使うとファイルのやり取りが簡単でした. 4.Raspbian Jessie側に,NCS実行環境をインストールします.

cd ncapi/redist/pi_jessie
sudo dpkg -i *

5.SDKのstream_inferサンプルを動かす環境をインストールします.これはUSBカメラを使ったSqueezeNetの1000クラス分類デモを実行できます.(Googlenet等も実行可能です)

sudo apt install gstreamer-1.0
sudo apt install python3-gst-1.0
sudo apt-get install gir1.2-gstreamer-1.0 
sudo apt-get install gir1.2-gst-plugins-base-1.0

6.RaspberryPiで実行用に,ncapi/py_examples/stream_infer/stream_infer.pyを一行書き換えます.

stream_infer.py

#SINK_NAME="xvimagesink"         # use for x86-64 platforms
SINK_NAME="glimagesink" # use for Raspian Jessie platforms

7.Movidius NCSとUSBカメラを接続し,stream_infer.pyを実行すると,リアルタイムでカメラ映像のクラス分類が走ります.(SqueezeNetがper50msくらい,Googlenetがper80msくらいで実行できました.クラス分類の精度の方はまぁこんなものなのでしょうか.結構はっきりした物体じゃないと認識できませんね.

cd ncapi/py_examples/stream_infer/
python3 /stream_infer.py

まとめ

USB型DeepLearningアクセラレータ,"Movidius Neural Compute Stick"をRaspberryPi2で動かしてみました.
"Movidius Neural Compute Stick"が必要なのはコンパイル済のgraphバイナリを実行するときだけでした(まぁわかれば当たり前ですかね)
次は,SDKサンプル以外のCaffe Modelを実行したり,これを使ったガジェット作りに進みたいと思います.

以上

2017-04-23

Windowsですごく簡単にDeep Learningの環境を作る方法!

python Lifehack ディープラーニング機械学習

はじめに

ANACONDAを使えば,WindowsOSでもPython開発環境を簡単に作れる.

今回は,ANACONDAで画像処理とDNNやるときに,かつProxy環境下で使う場合の設定方法についてまとめる.

リンク

ANACONDAのInstall

ダウンロードはDownload Anaconda Nowから.

今回は,python2.7をベースとした環境構築で記述する.なので, python2.7 versionをダウンロード.
このInstallはガイドに従えば簡単.64bit版推奨.

ANACONDAのcondaコマンドをproxy環境で使えるようにする.

proxy環境だと,便利なcondaコマンドが使えなくて困る.設定しよう.

usage

C:\Users\hogehoge\AppData\Local\Continuumルートフォルダに行く
.condarcという名のファイルを作って,中身に以下を記述する.(hogeは置き換えて)
詰まったらここが詳しい.Proxy下のWindowsでPython(Anaconda)環境を整える

proxy_servers:
    http: http://hoge.com:11110
    https: https://hoge.com:11110

PATHを通す

C:\Users\hogehoge\AppData\Local\Continuum\anaconda2\ScriptsにPATHを通しておく

python3.5を個別にInstall

tensorflowを使いたいので,python3の環境をInstallする.

usage

Anaconda Prompt.exeを管理者権限で実行(なにかinstallする際はこれで)

以下実行すれば,python3.5のコアが導入できる.
activate py35 / deactivate py35で,環境を有効無効にできる.

conda create -n py35 python=3.5
activate py35
deactivate py35

tensorflowとkerasとsklearn入れる

tensorflowとKerasとsklearnをinstall. * sklearnはデータ前処理で便利なので入れとく.

usage

Anaconda Prompt.exeを管理者権限で実行
tensorflowはpython3系じゃないと動かないので,activate py35してから.

activate py35
pip install tensorflow
pip install keras
pip install sklearn

proxy越しならこんな感じ.(hogeは置き換えて)

activate py35
pip --proxy http://hoge.com:11110 install tensorflow
pip --proxy http://hoge.com:11110 install keras
pip --proxy http://hoge.com:11110 install sklearn

opencv3とdlibをいれる

opencv3とDlibをinstall. * 画像処理をするのと,画像認識系APIとして双方便利. * menpo使うと簡単他にもライブラリまとまってる.

usage

Anaconda Prompt.exeを管理者権限で実行
python2.7,python3系どっちでも使えるが,今回はpython2.7がベースとして記述する.

conda install -c https://conda.anaconda.org/menpo opencv3
conda install -c https://conda.anaconda.org/menpo dlib

リンク

まとめ

これで画像処理やDeepleraningをWindowsOSで始める環境が整いました.
ここまで出来れば,chainer入れたりとかはadd-onで出来ます.
簡単なんです.

2017-01-09

Visual Stadio CodeでC/C++の開発環境を簡単に作る(Windows)

Visual Stadio Code Lifehack

はじめに

Windows下のC/C++開発においてVisual Stadio Codeが便利なので,Eclipseから乗り換えました.

C/C++環境で困ったこと

Visual Stadio CodeにC/C++ for Visual Studio Codeを導入すれば,C/C++コード検索するための環境はおおよそ整いますが,これだけだと「指定した関数が参照されている先を全て検索する」ができません.. この点だけ、Eclipseより劣るので不便でした.

gtagsの導入で解決

しかし調べてみるとC++Intellisenseと,GNU GLOBAL(gtags)を導入することで,「指定した関数が参照されている先を検索する」が可能になることがわかりました.

設定方法をまとめました

今回はWindows環境で,C++Intellisenseと,GNU GLOBAL(gtags)を導入に関する纏まった情報がなかったので,以下に記述します.

環境の作り方

VisualStadioCodeに拡張機能 C++Intellisenseを追加する

VisualStadioCodeで"Ctrl+Shift+X"を入力して拡張機能を表示する.
Marketplaceで拡張機能を検索する欄に,C++Intellisenseと記載しプラグインを検索及びinstallを完了する.

f:id:flow-dev:20170109080711j:plain

GNU GLOBAL(gtags)をinstallする

GNU GLOBAL(gtags)とは,C/C++の参照関係を記述したタグファイルを生成するライブラリ. GNU GLOBAL(gtags)が詳しいので,以下はポイントを簡単に.

http://adoxa.altervista.org/global/からWindwos用のバイナリをダウンロードして展開する.
C:\usr\global\ 以下に上記で提供されているファイル(zipを展開したもの)を全部コピーする.
Windowsの環境変数PATHにC:\usr\global\binを追加し,PCを再起動する等により環境変数を有効化する.
以上で,C++IntellisenseからGNU GLOBAL(gtags)の実行ファイルを呼び出す環境が構築できる.

ターミナルを立ち上げて,gtags.exeを実行する.

VisualStadioCodeで,「指定した関数が参照されている先を検索する」を行いたいC/C++コード群のフォルダを開く.
VisualStadioCodeから"Ctrl+@"で統合ターミナル(コマンドプロンプト)を起動する.
以下のコマンドで,gtags.exeを利用して,「指定した関数が参照されている先を検索する」ためのタグファイルを生成する.

> gtags.exe -v

GPATH, GRTAGS, GTAGSという3つのタグファイルが生成される.
[参考]C/C++コードの参照関係を変更したタイミングで,再度gtags.exeを実行する必要がある.

C/C++コード上で.「すべての参照の検索」を実行する.

VisualStadioCodeで,「指定した関数が参照されている先を検索する」を行いたいC/C++コードファイルを開く.
任意の関数を反転させて,右クリックまたは,Shift+F12で,すべての参照の検索を実行する.

f:id:flow-dev:20170109080725j:plain

gtags.exeでタグファイルが正しく生成されていれば,参照先の一覧が表示される.

エラー(実行できない)時に確認すべき点

任意の関数を反転させて,右クリックまたは,Shift+F12で,すべての参照の検索が出来ない場合は,C++Intellisenseプラグインからhttp://adoxa.altervista.org/global/の導入が出来ていない
※gtags.exeでタグファイルが正しく生成されていなければ,結果がありませんと出る.

リンク

参考資料

2017-01-07

RaspberryPiにroswwwをinstallするTips

Raspberry Pi ROS

RaspberryPiにroswwwをinstallするTips

RaspberryPiにROSをinstallしたのち,rosbridgeとroswwwをinstallすればWebインターフェースを介してRaspberryPi+ROSを制御することができます.
RaspberryPi+ROSに接続したカメラの映像をsensor_msg/CompressedImageとし,Webインターフェースに投げて遠隔表示することもコツがわかれば簡単です.
今回はまず,RaspberryPiにroswwwをinstallする方法を書きます.

flow-developers.hatenablog.com

roswwをRaspberrypiにinstallするコマンド

# roswwwのUsrageはこちら.
<http://wiki.ros.org/roswww>

# ROSのworkspaceに移動する.
cd ~/ros_catkin_ws/src

# 最新のroswwwを取得する.
git clone  https://github.com/tork-a/roswww.git

# catkin_makeを実行する.
cd ~/ros_catkin_ws 
sudo ./src/catkin/bin/catkin_make_isolated --install --install-space /opt/ros/indigo　--pkg roswww
source /opt/ros/indigo/setup.bash

# [TIPS] launchファイルが2か所に同じ名前であるので、どちらかを消す.
/opt/ros/indigo/share/roswww/launch
か
~/ros_catkin_ws/src/roswww/launch
どちらかの
roswww.launch　と　start_bridge.launch
を消す.※中身は同じですが競合してlaunch実行がErrになるため.

# 最後にサーバー立つか,実行して確認しinstall完了.
roslaunch roswww start_bridge.launch

リンク

まとめ

今回はRaspberryPiにroswwwをinstallするTipsを書きました.
launchファイルが2か所に同じ名前であるので、どちらかを消す.がポイントです.
rosbridgeのinstall方法はまた次回.

2016-11-03

Markdownの書き方(レポート作成に必要な6つの記法)

Lifehack

Markdownの書き方(レポート作成に必要な6つの記法)

すぐに忘れてしまう,レポート書くのに最低限必要の記法まとめ

見出し

# 見出し1
## 見出し2
### 見出し3
#### 見出し4

見出し1

見出し2

見出し3

見出し4

箇条書き

* 箇条書き
* 箇条書き
* 箇条書き
- 箇条書き
- 箇条書き
- 箇条書き

箇条書き
箇条書き
箇条書き
箇条書き1
箇条書き2
箇条書き3

引用

>引用

引用

コード引用(python)

```python
print 'Hello world'
```

print 'Hello world'

コード引用(bash)

```bash
#!/bin/bash
echo "Hello World !"
exit 0
```

#!/bin/bash
echo "Hello World !"
exit 0

コード引用(cpp)

```cpp
int main(int argc, char *args[])
{
    printf("Hello, world!\n");
    return 0;
}
```

int main(int argc, char *args[])
{
    printf("Hello, world!\n");
    return 0;
}

リンク引用

[flow-developers](http://flow-developers.hatenablog.com/)

<http://flow-developers.hatenablog.com/>

flow-developers

http://flow-developers.hatenablog.com/

画像引用

![logo](http://k.yimg.jp/images/top/sp2/cmn/logo-ns-131205.png)

<div align="center">
<img src="http://k.yimg.jp/images/top/sp2/cmn/logo-ns-131205.png" width=30%><img src="http://k.yimg.jp/images/top/sp2/cmn/logo-ns-131205.png" width=30%>
</div>

テーブル

|左揃え|中央揃え|右揃え|
|:---|:---:|--:|
|align-left|align-center|align-right|
|セルの左揃えです|セルの中央揃えです|セルの右揃えです|

左揃え	中央揃え	右揃え
align-left	align-center	align-right
セルの左揃えです	セルの中央揃えです	セルの右揃えです

Markdown環境設定の過去記事はこちらに。 flow-developers.hatenablog.com

以上

2016-10-08

pythonでグレースケール→カラーマップ(colormap)変換

python IoT

グレースケール→カラーマップ(colormap)変換

グレースケール→カラーマップ(colormap)変換の汎用的サンプルコードです。
簡単なのでpython以外でも流用可能です。
種々のセンサ出力のカラー化でご活用ください。

Usage

0を中心に+-5を変化終点としたカラーマップ(colormap)
RGB(255,255,255)の変化を示すグラフ
カラーマップ(colormap)をmatplotlibでカラーバー(colorbar)化
用途に応じて範囲等は変更可能な記述としました。

f:id:flow-dev:20161008181320j:plain f:id:flow-dev:20161008171838p:plain

Sample Code

サンプルコードをGitHub Gistにuploadしました。

リンク

2016-09-01

(pandoc不要!)Markdownを簡単きれいにPDF変換する！

Lifehack Visual Stadio Code

はじめに

VisualStudioCodeは、markdownの編集/プレビューも可能な便利なエディタ。

VisualStudioCode

しかし、デフォルトではmarkdownをpdf/htmlファイルで出力できない。
markdownに興味がない人に、markdwonで書いたドキュメントを渡したい時に困る。
一方で、ググると「pandocを使え」と出てくる。
pandocは色々できるけど設定がめんどくさい。 *「もっと簡単に」「まぁ綺麗なフォント」でmarkdownをpdf/htmlファイル出力したいんだよね。
markdown-pdfなんてのもあるが、「まぁ綺麗なフォントじゃない」。cssファイルを探す手間とかいらない。
なかなか良いのがなかったんですが、ありました！

vscode-markdown-pdfを最高

「もっと簡単に綺麗なフォントでmarkdownをpdf/htmlファイル出力してほしい」
このすべてを満たすのがvscode-markdown-pdf

Install

左下の拡張機能アイコンをクリック
検索窓にpdfと入力
Markdown PDFをインストールする

f:id:flow-dev:20161006221202j:plain

Usage

2017/2/3追記.画像をたくさん張る場合,各画像をVGA(640x480)くらいにresizeしてからmarkdown->pdfしないとerrで落ちやすい(ver.0.1.5で確認)

Markdown ファイルを開く
右クリックしてConvert Markdown to PDFを選択するとpdf変換が始まる
ファイル -> 基本設定 -> ユーザ設定 で settings.json を開く
以下の設定を変更すると出力フォーマットをpdf , html, png, jpegから選択可能

 // Output format: pdf, html, png, jpeg
    "markdown-pdf.type": "pdf",

*　詳細は公式Readmeで。 vscode-markdown-pdf

pdf/html化したスクリーンショット

pdf
html
フォントも色もデフォルトのままでまぁ綺麗。

まとめ

vscode-markdown-pdf,こういうのがほしかった！

リンク

参考文献

vscode-markdown-pdf

はじめに

Movidius Neural Compute Stickとは.

MovidiusNCSとRaspberryPi2で動かしてみました。

Movidius NCSに必要な,2つの環境.

① Caffe modelをNCS用にコンパイルする環境を作る(Ubuntu16.04)

② NCS用にコンパイルしたCaffe modelバイナリ(graphと呼ぶ)を実行する環境を作る(Raspbian Jessie)

まとめ

はじめに

ANACONDAのInstall

ANACONDAのcondaコマンドをproxy環境で使えるようにする.

usage

PATHを通す

python3.5を個別にInstall

usage

tensorflowとkerasとsklearn入れる

usage

opencv3とdlibをいれる

usage

まとめ

はじめに

C/C++環境で困ったこと

gtagsの導入で解決

設定方法をまとめました

環境の作り方

VisualStadioCodeに拡張機能C++Intellisenseを追加する

GNU GLOBAL(gtags)をinstallする

ターミナルを立ち上げて,gtags.exeを実行する.

C/C++コード上で.「すべての参照の検索」を実行する.

エラー(実行できない)時に確認すべき点

参考資料

RaspberryPiにroswwwをinstallするTips

roswwをRaspberrypiにinstallするコマンド

まとめ

Markdownの書き方(レポート作成に必要な6つの記法)

見出し

見出し1

見出し2

見出し3

見出し4

箇条書き

引用

コード引用(python)

コード引用(bash)

コード引用(cpp)

リンク引用

画像引用

テーブル

グレースケール→カラーマップ(colormap)変換

Usage

Sample Code

はじめに

vscode-markdown-pdfを最高

Install

Usage

pdf/html化したスクリーンショット

まとめ

参考文献

VisualStadioCodeに拡張機能 C++Intellisenseを追加する