Diese Seite wurde von der Cloud Translation API übersetzt.

ImageNet-Dataset herunterladen, vorverarbeiten und hochladen

In diesem Dokument wird beschrieben, wie Sie das ImageNet-Dataset herunterladen, vorverarbeiten und hochladen, um es mit der Cloud TPU-VM-Architektur zu verwenden.

ImageNet ist eine Bilddatenbank. Die Bilder in der Datenbank sind hierarchisch angeordnet, wobei jeder Knoten der Hierarchie durch Hunderte und Tausende von Bildern dargestellt wird.

Aufgrund der Größe der ImageNet-Datenbank kann das Trainieren eines Modells einige Zeit in Anspruch nehmen. Alternativ können Sie auch eine Demoversion des Datasets verwenden, die als fake_imagenet bezeichnet wird. Mit dieser Demoversion können Sie das Modell testen und gleichzeitig den Speicher- und Zeitaufwand reduzieren, der mit der Verwendung der gesamten ImageNet-Datenbank verbunden ist.

Das gesamte ImageNet-Dataset vorverarbeiten

Das ImageNet-Dataset besteht aus drei Teilen: Trainingsdaten, Validierungsdaten und Bildlabels.

Die Trainingsdaten umfassen 1.000 Kategorien und 1,2 Millionen Bilder, die verpackt sind, damit sie leicht heruntergeladen werden können. Die Validierungs- und Testdaten sind nicht in den ImageNet-Trainingsdaten enthalten (Duplikate wurden entfernt).

Die Validierungs- und Testdaten bestehen aus 150.000 Fotos, die über Flickr und andere Suchmaschinen zusammengestellt und manuell mit Labels zum Vorhandensein oder Fehlen von 1.000 Objektkategorien versehen wurden. Die 1.000 Objektkategorien umfassen sowohl interne Knoten als auch Blattknoten von ImageNet, überschneiden sich aber nicht. Eine zufällige Teilmenge von 50.000 Bildern mit Labels wurde zusammen mit einer Liste der 1.000 Kategorien als Validierungsdaten veröffentlicht. Die verbleibenden Bilder werden zur Bewertung verwendet und wurden ohne Labels veröffentlicht.

Schritte zur Vorverarbeitung des vollständigen ImageNet-Datasets

Das vollständige ImageNet-Dataset wird in fünf Schritten zur Verwendung durch ein Modell für maschinelles Lernen vorbereitet:

Prüfen Sie, ob am Ziel für den Download ausreichend Speicherplatz vorhanden ist.
Richten Sie die Zielverzeichnisse ein.
Melden Sie sich auf der ImageNet-Website an und fordern Sie die Downloadberechtigung an.
Laden Sie das Dataset auf das lokale Laufwerk oder die VM-Instanz herunter.

Hinweis: Das Herunterladen des ImageNet-Datasets auf eine VM-Instanz dauert deutlich länger als das Herunterladen auf Ihren lokalen Computer (ca. 40 Stunden gegenüber 7 Stunden). Wenn Sie das Dataset auf Ihren lokalen Computer herunterladen, müssen Sie die Dateien zur Vorverarbeitung in eine VM-Instanz kopieren. Sie müssen die Dateien dann in Cloud Storage hochladen, bevor Sie sie zum Trainieren Ihres Modells verwenden können. Das Kopieren der Trainings- und Validierungsdateien von Ihrem lokalen Computer auf die VM-Instanz dauert ungefähr 13 Stunden. Wir empfehlen, den Datensatz in eine VM-Instanz herunterzuladen.
Führen Sie das Vorverarbeitungs- und Uploadskript aus.

Speicherplatzbedarf prüfen

Unabhängig davon, ob Sie das Dataset auf Ihren lokalen Computer oder eine VM-Instanz herunterladen, benötigen Sie am Ziel für den Download ungefähr 300 GB Speicherplatz.

Die Standardlaufwerkzuweisung für eine TPU-VM beträgt 100 GB. Da für den Download auf Ihre TPU-VM 300 GB erforderlich sind, müssen Sie einen nichtflüchtigen Speicher mit 200 GB zusätzlichem Speicherplatz hinzufügen, um den Download abzuschließen. Auf einer TPU-VM können Sie mit dem Befehl df -ha den verfügbaren Speicher prüfen.

Beachten Sie beim Hinzufügen eines nichtflüchtigen Speichers Folgendes:

Setzen Sie die Option Beim Löschen der Instanz auf Laufwerk löschen, damit das Laufwerk gelöscht wird, wenn Sie die VM löschen.
Notieren Sie sich den Pfad zu Ihrem neuen Laufwerk. Beispiel: /mnt/disks/mnt-dir.

Zielverzeichnisse einrichten

Richten Sie auf Ihrem lokalen Computer oder Ihrer VM-Instanz die Verzeichnisstruktur ein, in der die heruntergeladenen Daten gespeichert werden sollen.

Erstellen Sie ein Verzeichnis wie imagenet in Ihrem Basisverzeichnis auf dem Downloadziel (lokaler Computer oder TPU-VM).
```
mkdir imagenet
```
Erstellen Sie unter diesem Verzeichnis zwei Unterverzeichnisse: train und validation.
```
mkdir imagenet/train
mkdir imagenet/validation
```
Exportieren Sie das Verzeichnis imagenet als IMAGENET_HOME.
```
export IMAGENET_HOME=~/imagenet
```

Registrieren und Berechtigung zum Herunterladen des Datasets anfordern

Registrieren Sie sich auf der Imagenet-Website. Sie können das Dataset erst herunterladen, wenn ImageNet Ihre Anmeldung bestätigt und Ihnen eine Bestätigungs-E-Mail gesendet hat. Wenn Sie die Bestätigungs-E-Mail nicht innerhalb weniger Tage erhalten, wenden Sie sich an den ImageNet-Support, um zu erfahren, warum Ihre Registrierung nicht bestätigt wurde. Sobald Ihre Registrierung bestätigt wurde, können Sie das Dataset herunterladen. Die Cloud TPU-Tutorials, die das ImageNet-Dataset verwenden, verwenden die Bilder aus der ImageNet Large Scale Visual Recognition Challenge 2012 (ILSVRC2012).

ImageNet-Dataset herunterladen

Wechseln Sie von der LSRVC 2012-Download-Website zum Abschnitt „Images“ auf der Seite und klicken Sie mit der rechten Maustaste auf „Trainingsbilder (Aufgabe 1 und 2)“. Die URL zum Herunterladen des größten Teils des Trainings-Datasets. Speichern Sie die URL.

Klicken Sie mit der rechten Maustaste auf „Trainingsbilder (Aufgabe 3)“, um die URL für den zweiten Trainingssatz abzurufen. Speichern Sie die URL.

Klicken Sie mit der rechten Maustaste auf „Validierungsbilder (alle Aufgaben)“, um die URL für den Validierungsdatensatz abzurufen. Speichern Sie die URL.

Wenn Sie die ImageNet-Dateien auf Ihren lokalen Computer herunterladen, müssen Sie die Verzeichnisse auf Ihrem lokalen Computer in das entsprechende $IMAGENET_HOME-Verzeichnis auf Ihrer VM-Instanz kopieren. Das Kopieren des ImageNet-Datasets vom lokalen Host in Ihre VM-Instanz dauert ungefähr 13 Stunden.

Bevor Sie das ImageNet-Dataset auf Ihre TPU-VM kopieren, müssen Sie den Namen Ihrer TPU-VM-Instanz ermitteln. Stellen Sie dazu über SSH eine Verbindung zu Ihrer TPU-VM her. Der Name der VM-Instanz wird in der Eingabeaufforderung nach dem Symbol @ angezeigt.

Verwenden Sie den folgenden Befehl, um die Dateien unter ~/imagenet auf Ihrem lokalen Computer in $IMAGENET_HOME auf Ihrer VM zu kopieren.
```
gcloud compute scp --recurse $IMAGENET_HOME username@vm-instance-name:~/imagenet
```
Laden Sie unter $IMAGENET_HOME die Dateien „Trainingsbilder (Aufgabe 1 und 2)“ über die gespeicherte URL herunter.

Die Datei "Training images (Task 1 & 2)" ist der große Trainingsdatensatz. Die Größe beträgt 138 GB. Wenn Sie den Download auf Ihre TPU-VM über Cloud Shell durchführen, dauert der Download ungefähr 40 Stunden. Wenn die Cloud Shell die Verbindung zur VM verliert, können Sie dem Befehl nohup voranstellen oder screen verwenden.
```
cd $IMAGENET_HOME \
nohup wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_train.tar
```
Ersetzen Sie die URL durch die URL, die Sie zuvor für „Trainingsbilder (Aufgabe 1 und 2)“ gespeichert haben, da sich die URL möglicherweise geändert hat.
Extrahieren Sie mit dem folgenden Befehl die einzelnen Trainingsverzeichnisse in das Verzeichnis $IMAGENET_HOME/train. Die Extraktion dauert 1 bis 3 Stunden.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_train.tar -C $IMAGENET_HOME/train
```
Extrahieren Sie die einzelnen TAR-Trainingsdateien, die sich im Verzeichnis $IMAGENET_HOME/train befinden, wie im folgenden Script gezeigt:
```
cd `$IMAGENET_HOME/train`

for f in *.tar; do
 d=`basename $f .tar`
 mkdir $d
 tar xf $f -C $d
done
```
Löschen Sie die TAR-Dateien nach dem Extrahieren, um Speicherplatz freizugeben.
Laden Sie unter $IMAGENET_HOME die Dateien „Trainingsbilder (Aufgabe 3)“ über die gespeicherte URL herunter.

Die Datei „Training images (Task 3)“ hat 728 MB und der Download dauert nur wenige Minuten. Es sind keine Vorkehrungen erforderlich, um das Trennen der Verbindung zu Cloud Shell zu vermeiden.
```
wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_train_t3.tar
```
Ersetzen Sie die URL durch die URL, die Sie zuvor für „Trainingsbilder (Aufgabe 3)“ gespeichert haben, da sich die URL möglicherweise geändert hat.
Extrahieren Sie mit dem folgenden Befehl die einzelnen Trainingsverzeichnisse in das Verzeichnis $IMAGENET_HOME/train.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_train_t3.tar -C $IMAGENET_HOME/train
```
Extrahieren Sie die einzelnen TAR-Trainingsdateien, die sich im Verzeichnis $IMAGENET_HOME/train befinden, wie im folgenden Script gezeigt:
```
cd `$IMAGENET_HOME/train`

for f in *.tar; do
 d=`basename $f .tar`
 mkdir $d
 tar xf $f -C $d
done
```
Löschen Sie die TAR-Dateien nach dem Extrahieren, um Speicherplatz freizugeben.
Laden Sie die Dateien „Validierungsbilder (alle Aufgaben)“ von $IMAGENET_HOME über die gespeicherte URL herunter.

Beim Herunterladen der Datei „Validation images (all tasks)“ wird die Cloud Shell-Verbindung möglicherweise getrennt. Sie können nohup oder screen verwenden, um zu verhindern, dass die Verbindung zu Cloud Shell getrennt wird.
```
wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_val.tar
```
Ersetzen Sie die URL durch die URL, die Sie zuvor für „Validierungsbilder (alle Aufgaben)“ gespeichert haben, da sich die URL möglicherweise geändert hat.

Dieser Download dauert etwa 30 Minuten.
Extrahieren Sie die einzelnen Validierungsdateien mit dem folgenden Befehl in das Verzeichnis $IMAGENET_HOME/validation.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_val.tar -C $IMAGENET_HOME/validation
```
Wenn Sie die Validierungsdateien auf Ihren lokalen Computer heruntergeladen haben, müssen Sie das Verzeichnis $IMAGENET_HOME/validation auf Ihrem lokalen Computer in das Verzeichnis $IMAGENET_HOME/validation Ihrer VM-Instanz kopieren. Der Kopiervorgang dauert etwa 30 Minuten.
Laden Sie die Labeldatei herunter.
```
wget -O $IMAGENET_HOME/synset_labels.txt \
https://raw.githubusercontent.com/tensorflow/models/master/research/slim/datasets/imagenet_2012_validation_synset_labels.txt
```
Wenn Sie die Labeldatei auf Ihren lokalen Computer heruntergeladen haben, müssen Sie sie in das Verzeichnis $IMAGENET_HOME auf Ihrem lokalen Computer in $IMAGENET_HOME kopieren, das sich auf Ihrer VM-Instanz befindet. Dieser Kopiervorgang dauert einige Sekunden.

Die Namen der Trainingsunterverzeichnisse (z. B. n03062245) sind WordNet-IDs (wnid). Die ImageNet API zeigt die Zuordnung von WordNet-IDs zu den zugehörigen Validierungslabels in der Datei synset_labels.txt. Ein Synset ist in diesem Zusammenhang eine visuell ähnliche Gruppe von Bildern.

ImageNet-Dataset verarbeiten und optional in Cloud Storage hochladen

Laden Sie aus GitHub das Skript imagenet_to_gcs.py herunter:

wget https://raw.githubusercontent.com/tensorflow/tpu/master/tools/datasets/imagenet_to_gcs.py

Wenn Sie das Dataset in Cloud Storage hochladen, geben Sie den Standort des Storage-Buckets an, in den das ImageNet-Dataset hochgeladen werden soll:
```
export STORAGE_BUCKET=gs://bucket-name
```
Wenn Sie das Dataset auf Ihren lokalen Computer oder Ihre lokale VM hochladen, geben Sie ein Datenverzeichnis zum Speichern des Datasets an:
```
(vm)$ export DATA_DIR=$IMAGENET_HOME/dataset-directory
```
Installieren Sie die folgenden Bibliotheken auf Ihrem Computer oder in einer virtuellen Umgebung:
```
pip3 install google-cloud-storage
pip3 install tensorflow
```
Führen Sie das Skript aus, um das unformatierte Dataset als TFRecords vorzuverarbeiten, und verwenden Sie den folgenden Befehl, um es in Cloud Storage hochzuladen:
Hinweis: Wenn Sie keinen Upload nach Cloud Storage vornehmen möchten, geben Sie als weiteren Parameter --nogcs_upload an und lassen Sie die Parameter --project und --gcs_output_path weg.
```
 python3 imagenet_to_gcs.py \
  --project=$PROJECT \
  --gcs_output_path=$STORAGE_BUCKET  \
  --raw_data_dir=$IMAGENET_HOME \
  --local_scratch_dir=$IMAGENET_HOME/tf_records
```

Das Skript generiert eine Reihe von Verzeichnissen (sowohl für das Training als auch für die Validierung) im folgenden Format:

${DATA_DIR}/train-00000-of-01024
${DATA_DIR}/train-00001-of-01024
...
${DATA_DIR}/train-01023-of-01024

und

${DATA_DIR}/validation-00000-of-00128
${DATA_DIR}/validation-00001-of-00128
...
${DATA_DIR}/validation-00127-of-00128

Nachdem die Daten in Ihren Cloud-Bucket hochgeladen wurden, führen Sie Ihr Modell aus und legen Sie --data_dir=${DATA_DIR} fest.