GoogleAppEngine(GAE)フレキシブル環境でディープラーニングの予測タスクを動かしてみた(CNN,画像分類,keras/TensorFlow)
はじめに
GoogleAppEngine(FlexibleEnv)でKeras/TensorFlowを利用し画像分類(CNN)の予測タスクを実行してみました。
本当はStandard環境で動かしたかったのですが、TensorFlowが、Python3.7非対応なので、Python3.6のFlexible環境で動作させています。
そもそもCloud ML Engineを使えば、という声が聞こえますが、GAEで完結できれば、よりお手軽なのではと思い、やってみました。
色々勉強をしながらなので、何かあればご指摘いただけると嬉しいです。
こんなユーザが対象です。
- GoogleAppEngineでKeras/TensorFlowを動かしてみたい
- MLEを利用することなくGAEで予測タスクも完結させたい(お手軽さや、コスト低減も期待
環境
- GoogleAppEngine(FlexibleEnbironment,Python3.6)
- モデルはGCSに保存
簡易構成図と簡単な流れは、以下です。
- 事前準備(予測するためのモデルを作成して、GCSへ保存しておく)
- GAEに予測画像のアップロード用のindex.htmlを作る
- アップロード画像を予測できるデータに変換
- GCSからモデルをロード
- 予測実行
1. 事前準備(予測するためのモデルを作成して、GCSへ保存しておく)
事前にCNNで画像分類モデルを作って、GCSに置いてください。色々サイトで手順やコードがあるので、ここで詳細は触れません。
今回私は、CNNで二つの種類の画像分類モデル(蒙古タンメン中本と、ラーメン二郎w)を作っておきました。
CNNで2つの画像分類モデルを作ったコードはgithubに公開しました。
上記のコードでは、Cloud Datalab上で、Keras/TensorFlowを利用して、モデル(HDF5ファイル)を生成、GCSへアップロードしています。
GoogleAppEngineの環境の準備もしておく
app.yamlとrequirements.txtを以下のようにしておきます。
TensorFlowはPython3.7非対応なので、Flexible環境で構築。
runtime: python
env: flex
entrypoint: gunicorn -b :$PORT main:app
runtime_config:
python_version: 3
Flask==1.0.2
google-cloud-storage==1.7.0
gunicorn==19.8.1
WTForms-Appengine==0.1
numpy==1.15.2
keras==2.2.4
Pillow==5.3.0
tensorflow==1.12.0
2. GAEに予測画像のアップロード用のindex.htmlを作る
アップロード用と、結果レスポンス用のhtmlの準備をしておきます。
<form method="post" action="post_image" enctype="multipart/form-data">
<input type="file" name="file_predict">
<p><input type="submit" value="送信する"></p>
</form>
<p><h3>予測結果</h3></p>
予測値:{{ predict_kekka }}
3. アップロード画像を予測できるデータに変換
ここから、コードに入ります。
まずは、予測したい画像がPOSTされたら、予測できる形式にデータを変換します。
Pillowを利用して、ファイルをopenし、RGB変換、リサイズをしたうえで、numpyでarray変換しています。
DOWNLOAD_FOLDER = '/tmp/'
file = request.files['file_predict']
if file and allowed_file(file.filename):
filename = secure_filename(file.filename)
file.save(os.path.join(DOWNLOAD_FOLDER , filename))
filepath = os.path.join(DOWNLOAD_FOLDER , filename)
image = Image.open(filepath)
image = image.convert('RGB')
image = image.resize((image_size, image_size))
data = np.asarray(image)
X = []
X.append(data)
X = np.array(X)
4. GCSからモデルをロード
予測をするために事前に作っておいたモデル(HDF5ファイル=nakamoto_jiro_cnn.h5)をGCSから取得し、loadします。
model_name = 'nakamoto_jiro_cnn.h5'
modelpath = os.path.join(DOWNLOAD_FOLDER , model_name)
storage_client = storage.Client()
bucket = storage_client.get_bucket(CLOUD_STORAGE_BUCKET)
blob = bucket.get_blob(model_name)
blob.download_to_filename(modelpath)
model = load_model(modelpath)
5. 予測実行
最後に、予測実行し、結果を取得します。
result = model.predict([X])[0]
predicted = result.argmax()
percentage = int(result[predicted] * 100)
predict_kekka = "ラベル: " + classes[predicted] + ", 確率:"+ str(percentage) + " %"
コードはここまでが主要なところで、あとは、GAEをデプロイして、トップページにアクセスし、2で作成したhtml(FORM)から画像をアップロードすることで、予測結果が返ってきます。
おわりに
GoogleAppEngineで画像分類の予測タスクを完結できますし、GCSからモデルをロードするだけで簡単に使えるので、MLEにモデルをホストして使うよりお手軽ではと思いました。
今回作成したGAEのコードは、githubにアップロードしています。
Author And Source
この問題について(GoogleAppEngine(GAE)フレキシブル環境でディープラーニングの予測タスクを動かしてみた(CNN,画像分類,keras/TensorFlow)), 我々は、より多くの情報をここで見つけました https://qiita.com/shinkoizumi0033/items/5c3ca92a7daee62b1e46著者帰属:元の著者の情報は、元のURLに含まれています。著作権は原作者に属する。
Content is automatically searched and collected through network algorithms . If there is a violation . Please contact us . We will adjust (correct author information ,or delete content ) as soon as possible .