Esta página foi traduzida pela API Cloud Translation.

Fazer o download, pré-processar e fazer upload do conjunto de dados do ImageNet

Este documento descreve como fazer o download, o pré-processamento e o upload do conjunto de dados do ImageNet para usar com a arquitetura de VM do Cloud TPU.

O ImageNet é um banco de dados de imagens. As imagens do banco de dados são organizadas hierarquicamente, com cada nó da hierarquia representado por centenas e milhares de imagens.

O tamanho do banco de dados do ImageNet significa que o treinamento de um modelo pode levar um tempo considerável. Uma alternativa é usar uma versão de demonstração do conjunto de dados, chamada de fake_imagenet. Essa versão de demonstração permite testar o modelo e, ao mesmo tempo, reduzir os requisitos de armazenamento e tempo associados ao uso do banco de dados completo do ImageNet.

Como pré-processar todo o conjunto de dados do ImageNet

O conjunto de dados do ImageNet consiste em três partes, dados de treinamento, dados de validação e rótulos de imagem.

Os dados de treinamento contêm 1.000 categorias e 1,2 milhão de imagens, empacotadas para download. Os dados de validação e teste não estão contidos nos dados de treinamento do ImageNet (cópias foram removidas).

Os dados de validação e teste consistem em 150.000 fotografias, coletadas Flickr e de outros mecanismos de pesquisa, rotulados com a presença ou ausência de 1.000 categorias de objetos. As 1.000 categorias de objetos contêm nós internos e nós de folha do ImageNet, mas não se sobrepõem. Um subconjunto aleatório de 50.000 das imagens com rótulos foi lançado como dados de validação junto com uma lista das 1.000 categorias. As imagens restantes são usadas para avaliação e foram liberadas sem identificadores.

Etapas para pré-processar todo o conjunto de dados do ImageNet

Há cinco etapas para preparar o conjunto de dados completo do ImageNet para uso por um modelo de machine learning:

Verifique se você tem espaço no destino do download.
Configure os diretórios de destino.
Cadastre-se no site do ImageNet e solicite permissão de download.
Faça o download do conjunto de dados para o disco local ou a instância de VM.

Observação: o download do conjunto de dados do Imagenet para uma instância de VM leva muito mais tempo do que o download para a máquina local (aproximadamente 40 horas contra 7 horas). Se você fizer o download do conjunto de dados para a máquina local, copie os arquivos para uma instância de VM para pré-processá-los. Em seguida, faça o upload dos arquivos para o Cloud Storage antes de usá-los para treinar o modelo. A cópia dos arquivos de treinamento e validação da máquina local para a instância da VM leva cerca de 13 horas. A abordagem recomendada é fazer o download do conjunto de dados para uma instância de VM.
Execute o script de pré-processamento e upload.

Verificar requisitos de espaço

Independentemente de fazer o download do conjunto de dados para sua máquina local ou para uma instância de VM, você precisa de cerca de 300 GB de espaço disponível no destino de download.

A alocação de disco padrão para uma VM de TPU é de 100 GB. Como o download para a VM da TPU requer 300 GB, se você for fazer o download para a instância de VM da TPU, adicione um disco permanente e mais 200 GB de espaço para concluir o download. Em uma VM de TPU, é possível verificar o armazenamento disponível com o comando df -ha.

Ao adicionar um disco permanente, faça o seguinte:

Defina Ao excluir uma instância como Excluir disco para garantir que o disco seja excluído quando você excluir a VM.
Anote o caminho do novo disco. Por exemplo, /mnt/disks/mnt-dir.

Configurar os diretórios de destino

Na máquina local ou na instância de VM, configure a estrutura de diretórios para armazenar os dados transferidos por download.

Crie um diretório, por exemplo, imagenet, no diretório principal do destino de download (máquina local ou VM da TPU).
```
mkdir imagenet
```
Nesse diretório, crie dois subdiretórios: train e validation.
```
mkdir imagenet/train
mkdir imagenet/validation
```
Exporte o diretório imagenet como IMAGENET_HOME.
```
export IMAGENET_HOME=~/imagenet
```

Cadastrar e solicitar permissão para fazer o download do conjunto de dados

Cadastre-se no site do Imagenet. Só será possível fazer o download do conjunto de dados depois que o ImageNet confirmar o registro e enviar um e-mail de confirmação. Se você não receber o e-mail de confirmação em alguns dias, entre em contato com o suporte do ImageNet para saber por que seu registro não foi confirmado. Depois de confirmar o registro, você pode fazer o download do conjunto de dados. Os tutoriais do Cloud TPU que usam o conjunto de dados ImageNet usam as imagens do ImageNet Large Scale Visual Recognition Challenge 2012 (ILSVRC2012).

Fazer o download do conjunto de dados do ImageNet

No site de download do LSRVC 2012, acesse a seção "Imagens" da página e clique com o botão direito do mouse em "Imagens de treinamento (Tarefa 1 e 2)". O URL para fazer o download da maior parte do conjunto de treinamento. Salve o URL.

Clique com o botão direito do mouse em "Imagens de treinamento (tarefa 3)" para conferir o URL do segundo conjunto de treinamento. Salve o URL.

Clique com o botão direito do mouse em "Imagens de validação (todas as tarefas)" para conferir o URL do conjunto de dados de validação. Salve o URL.

Se você fizer o download dos arquivos do ImageNet para a máquina local, copie os diretórios na máquina local para o diretório $IMAGENET_HOME correspondente na instância da VM. A cópia do conjunto de dados do ImageNet do host local para a instância de VM leva aproximadamente 13 horas.

Antes de copiar o conjunto de dados do ImageNet para a VM do TPU, você precisa identificar o nome da instância da VM do TPU. Para isso, conecte-se à VM do TPU usando SSH. O nome da instância de VM é mostrado no prompt de comando após o símbolo @.

Use o comando a seguir para copiar os arquivos em ~/imagenet na máquina local para $IMAGENET_HOME na VM.
```
gcloud compute scp --recurse $IMAGENET_HOME username@vm-instance-name:~/imagenet
```
Em $IMAGENET_HOME, faça o download dos arquivos "Imagens de treinamento (tarefa 1 e 2)" usando o URL salvo.

O arquivo de "imagens de treinamento (tarefa 1 e 2)" é o grande conjunto de treinamento. Ele tem 138 GB. Se você estiver fazendo o download em uma VM do TPU usando o Cloud Shell, o download será de aproximadamente 40 horas. Se o Cloud Shell perder a conexão com a VM, adicione nohup ao comando ou use screen.
```
cd $IMAGENET_HOME \
nohup wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_train.tar
```
Substitua o URL pelo URL salvo anteriormente para "Imagens de treinamento (tarefa 1 e 2)", já que ele pode ter mudado.
Extraia os diretórios de treinamento individuais no diretório $IMAGENET_HOME/train usando o comando abaixo. A extração leva de 1 a 3 horas.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_train.tar -C $IMAGENET_HOME/train
```
Extraia os arquivos .tar de treinamento individuais localizados no diretório $IMAGENET_HOME/train, conforme mostrado no script a seguir:
```
cd `$IMAGENET_HOME/train`

for f in *.tar; do
 d=`basename $f .tar`
 mkdir $d
 tar xf $f -C $d
done
```
Exclua os arquivos tar depois de extraí-los para liberar espaço em disco.
Em $IMAGENET_HOME, faça o download dos arquivos "Imagens de treinamento (tarefa 3)" usando o URL salvo.

O arquivo "Imagens de treinamento (Tarefa 3)" tem 728 MB e leva apenas alguns minutos para fazer o download. Assim, você não precisa tomar cuidado com a perda da conexão do Cloud Shell.
```
wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_train_t3.tar
```
Substitua o URL pelo URL salvo anteriormente para "Imagens de treinamento (tarefa 3)", já que ele pode ter mudado.
Extraia os diretórios de treinamento individuais no diretório $IMAGENET_HOME/train usando o comando abaixo.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_train_t3.tar -C $IMAGENET_HOME/train
```
Extraia os arquivos .tar de treinamento individuais localizados no diretório $IMAGENET_HOME/train, conforme mostrado no script a seguir:
```
cd `$IMAGENET_HOME/train`

for f in *.tar; do
 d=`basename $f .tar`
 mkdir $d
 tar xf $f -C $d
done
```
Exclua os arquivos tar depois de extraí-los para liberar espaço em disco.
Em $IMAGENET_HOME, faça o download dos arquivos "Imagens de validação (todas as tarefas)" usando o URL salvo.

Ao fazer o download do arquivo "Imagens de validação (todas as tarefas)", o Cloud Shell pode se desconectar. É possível usar nohup ou screen para evitar que o Cloud Shell seja desconectado.
```
wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_val.tar
```
Substitua o URL pelo URL salvo anteriormente para "Imagens de validação (todas as tarefas)", já que ele pode ter mudado.

Esse download leva cerca de 30 minutos.
Extraia os arquivos de validação individuais para o diretório $IMAGENET_HOME/validation usando o comando abaixo.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_val.tar -C $IMAGENET_HOME/validation
```
Se você tiver feito o download dos arquivos de validação para a máquina local, copie o diretório $IMAGENET_HOME/validation na máquina local para o diretório $IMAGENET_HOME/validation na instância da VM. Essa operação de cópia leva cerca de 30 minutos.
Faça o download do arquivo de rótulos.
```
wget -O $IMAGENET_HOME/synset_labels.txt \
https://raw.githubusercontent.com/tensorflow/models/master/research/slim/datasets/imagenet_2012_validation_synset_labels.txt
```
Se você fez o download do arquivo de rótulos na máquina local, copie-o para o diretório $IMAGENET_HOME na máquina local para $IMAGENET_HOME na instância da VM. Essa operação de cópia leva alguns segundos.

Os nomes dos subdiretórios de treinamento (por exemplo, n03062245) são códigos do WordNet (wnid). A API ImageNet mostra o mapeamento de IDs do WordNet para os rótulos de validação associados no arquivo synset_labels.txt. Uma sincronia nesse contexto é um grupo visualmente semelhante de imagens.

Processar o conjunto de dados ImageNet e, opcionalmente, fazer upload para o Cloud Storage

No GitHub, faça o download do script imagenet_to_gcs.py:

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

Se você estiver fazendo upload do conjunto de dados para o Cloud Storage, especifique o local do intervalo de armazenamento para fazer upload do conjunto de dados do ImageNet:
```
export STORAGE_BUCKET=gs://bucket-name
```
Se você estiver fazendo upload do conjunto de dados para a VM ou máquina local, especifique um diretório para armazenar o conjunto de dados:
```
(vm)$ export DATA_DIR=$IMAGENET_HOME/dataset-directory
```
Instale as seguintes bibliotecas na sua máquina ou em um ambiente virtual:
```
pip3 install google-cloud-storage
pip3 install tensorflow
```
Execute o script para pré-processar o conjunto de dados brutos como TFRecords e faça o upload dele no Cloud Storage usando o seguinte comando:

Observação: Se você não quiser fazer upload para o Cloud Storage, especifique --nogcs_upload como outro parâmetro e deixe os parâmetros --project e --gcs_output_path.
```
 python3 imagenet_to_gcs.py \
  --project=$PROJECT \
  --gcs_output_path=$STORAGE_BUCKET  \
  --raw_data_dir=$IMAGENET_HOME \
  --local_scratch_dir=$IMAGENET_HOME/tf_records
```

O script gera um conjunto de diretórios (para treinamento e validação) do formulário:

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

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

Depois que os dados forem enviados para seu bucket do Cloud, execute seu modelo e defina --data_dir=${DATA_DIR}.