Se usó la API de Cloud Translation para traducir esta página.

Descarga, procesa y sube el conjunto de datos de ImageNet

En este documento, se describe cómo descargar, procesar con anterioridad y subir el conjunto de datos de ImageNet para usarlo con la arquitectura de VM de Cloud TPU.

ImageNet es una base de datos de imágenes. Las imágenes de la base de datos están organizadas en forma jerárquica, y cada nodo está representado por cientos y miles de imágenes.

El tamaño de la base de datos de ImageNet significa que puede tardar bastante en entrenar un modelo. Una alternativa es usar una versión de demostración del conjunto de datos, denominada fake_imagenet. Esta versión de demostración te permite probar el modelo, a la vez que reduce los requisitos de almacenamiento y tiempo asociados con el uso de la base de datos completa de ImageNet.

Procesa de forma previa el conjunto de datos completo de ImageNet

El conjunto de datos de ImageNet consta de tres partes: datos de entrenamiento, datos de validación y etiquetas de imagen.

Los datos de entrenamiento contienen 1,000 categorías y 1.2 millones de imágenes, empaquetadas para descargar. Los datos de validación y de prueba no se encuentran en los datos de entrenamiento de ImageNet (se quitaron los duplicados).

Los datos de validación y prueba constan de 150,000 fotos, recopiladas de Flickr y otros motores de búsqueda, etiquetados a mano con la presencia o ausencia de 1,000 categorías de objetos. Las 1,000 categorías de objetos contienen nodos internos y nodos hoja de ImageNet, pero no se superponen entre sí. Se lanzó un subconjunto aleatorio de 50,000 imágenes con etiquetas como datos de validación junto con una lista de las 1,000 categorías. Las imágenes restantes se usan para la evaluación y se publicaron sin etiquetas.

Pasos para procesar previamente el conjunto de datos de ImageNet completo

Existen cinco pasos a fin de preparar el conjunto de datos completo de ImageNet para que lo use un modelo de aprendizaje automático:

Verifica que haya espacio en el destino de descarga.
Configura los directorios de destino.
Regístrate en el sitio de ImageNet y solicita un permiso de descarga.
Descarga el conjunto de datos en el disco local o en una instancia de VM.

Nota: La descarga del conjunto de datos de Imagenet en una instancia de VM tarda mucho más que la descarga en la máquina local (aproximadamente 40 horas en comparación con 7 horas). Si descargas el conjunto de datos en tu máquina local, debes copiar los archivos en una instancia de VM para procesarlos previamente. Luego, debes subir los archivos a Cloud Storage antes de usarlos para entrenar el modelo. Copiar los archivos de entrenamiento y validación de tu máquina local a la instancia de VM tarda alrededor de 13 horas. El enfoque recomendado es descargar el conjunto de datos en una instancia de VM.
Ejecuta la secuencia de comandos de procesamiento previo y de carga.

Verifica los requisitos de espacio

Ya sea que descargues el conjunto de datos a tu máquina local o a una instancia de VM, necesitas alrededor de 300 GB de espacio disponible en el destino de descarga.

La asignación de disco predeterminada para una VM de TPU es de 100 GB. Dado que la descarga en la VM de TPU requiere 300 GB, si vas a descargar en la instancia de VM de TPU, deberás agregar un disco persistente con 200 GB de espacio adicional para completar la descarga. En una VM de TPU, puedes verificar el almacenamiento disponible con el comando df -ha.

Cuando agregues un disco persistente, asegúrate de lo siguiente:

Configura Cuando se borre la instancia en Borrar disco para garantizar que se borre el disco cuando borres la VM.
Anota la ruta de acceso al disco nuevo. Por ejemplo: /mnt/disks/mnt-dir.

Configura los directorios de destino

En tu máquina local o instancia de VM, configura la estructura de directorios para almacenar los datos descargados.

Crea un directorio, por ejemplo, imagenet, en el directorio principal en el destino de descarga (máquina local o VM de TPU).
```
mkdir imagenet
```
En este directorio, crea dos subdirectorios: train y validation.
```
mkdir imagenet/train
mkdir imagenet/validation
```
Exporta el directorio imagenet como IMAGENET_HOME.
```
export IMAGENET_HOME=~/imagenet
```

Regístrate y solicita permiso para descargar el conjunto de datos

Regístrate en el sitio web de Imagenet. No puedes descargar el conjunto de datos hasta que ImageNet confirme tu registro y te envíe un correo electrónico de confirmación. Si no recibes el correo electrónico de confirmación en un par de días, comunícate con el equipo de asistencia de ImageNet para consultar por qué no se confirmó tu registro. Una vez confirmado tu registro, puedes descargar el conjunto de datos. Los instructivos de Cloud TPU que usan el conjunto de datos de ImageNet usan las imágenes del desafío de reconocimiento visual a gran escala de ImageNet 2012 (ILSVRC2012).

Descarga el conjunto de datos ImageNet

En el sitio de descarga de LSRVC 2012, ve a la sección Imágenes en la página y haz clic con el botón derecho en “Imágenes de entrenamiento (tarea 1 y 2)”. La URL para descargar la parte más grande del conjunto de entrenamiento. Guarda la URL.

Haz clic con el botón derecho en “Imágenes de entrenamiento (tarea 3)” para obtener la URL del segundo conjunto de entrenamiento. Guarda la URL.

Haz clic con el botón derecho en “Imágenes de validación (todas las tareas)” para obtener la URL del conjunto de datos de validación. Guarda la URL.

Si descargas los archivos de ImageNet en tu máquina local, debes copiar los directorios en el directorio $IMAGENET_HOME correspondiente en la instancia de VM. Copiar el conjunto de datos de ImageNet del host local a tu instancia de VM tarda alrededor de 13 horas.

Antes de copiar el conjunto de datos de ImageNet en la VM de TPU, debes identificar el nombre de la instancia de VM de la TPU. Para hacerlo, conéctate a la VM de TPU con SSH. El nombre de la instancia de VM se muestra en el símbolo del sistema después del símbolo @.

Usa el siguiente comando para copiar los archivos en ~/imagenet en tu máquina local a $IMAGENET_HOME en tu VM.
```
gcloud compute scp --recurse $IMAGENET_HOME username@vm-instance-name:~/imagenet
```
En $IMAGENET_HOME, descarga los archivos “Imágenes de entrenamiento (tareas 1 y 2)” con la URL guardada.

El archivo “Imágenes de entrenamiento (tarea 1 y 2)” es el gran conjunto de entrenamiento. Es de 138 GB y, si vas a descargar en la VM de TPU con Cloud Shell, la descarga demora alrededor de 40 horas. Si Cloud Shell pierde su conexión con la VM, puedes anteponer nohup al comando o usar screen.
```
cd $IMAGENET_HOME \
nohup wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_train.tar
```
Reemplaza la URL por la que guardaste antes para “Imágenes de entrenamiento (tarea 1 y 2)”, ya que es posible que la URL haya cambiado.
Extrae los directorios de entrenamiento individuales en el directorio $IMAGENET_HOME/train con el siguiente comando. La extracción tarda entre 1 y 3 horas.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_train.tar -C $IMAGENET_HOME/train
```
Extrae los archivos tar de entrenamiento individuales ubicados en el directorio $IMAGENET_HOME/train, como se muestra en la siguiente secuencia de comandos:
```
cd `$IMAGENET_HOME/train`

for f in *.tar; do
 d=`basename $f .tar`
 mkdir $d
 tar xf $f -C $d
done
```
Borra los archivos tar una vez que los hayas extraído para liberar espacio en el disco.
En $IMAGENET_HOME, descarga los archivos “Imágenes de entrenamiento (tarea 3)” con la URL guardada.

El archivo “Imágenes de entrenamiento (tarea 3)” tiene 728 MB y solo tarda unos minutos en descargarse, por lo que no es necesario que tomes precauciones para evitar perder la conexión de Cloud Shell.
```
wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_train_t3.tar
```
Reemplaza la URL por la que guardaste antes para la “Imágenes de entrenamiento (tarea 3)”, ya que la URL podría haber cambiado.
Extrae los directorios de entrenamiento individuales en el directorio $IMAGENET_HOME/train con el siguiente comando.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_train_t3.tar -C $IMAGENET_HOME/train
```
Extrae los archivos tar de entrenamiento individuales ubicados en el directorio $IMAGENET_HOME/train, como se muestra en la siguiente secuencia de comandos:
```
cd `$IMAGENET_HOME/train`

for f in *.tar; do
 d=`basename $f .tar`
 mkdir $d
 tar xf $f -C $d
done
```
Borra los archivos tar una vez que los hayas extraído para liberar espacio en el disco.
En $IMAGENET_HOME, descarga los archivos “Imágenes de validación (todas las tareas)” con la URL guardada.

Cuando descargues el archivo “Imágenes de validación (todas las tareas)”, es posible que Cloud Shell se desconecte. Puedes usar nohup o screen para evitar que Cloud Shell se desconecte.
```
wget https://image-net.org/data/ILSVRC/2012/ILSVRC2012_img_val.tar
```
Reemplaza la URL por la que guardaste antes para “Imágenes de validación (todas las tareas)”, ya que la URL podría haber cambiado.

Esta descarga toma unos 30 minutos.
Extrae los archivos de validación individuales en el directorio $IMAGENET_HOME/validation con el siguiente comando.
```
tar xf $IMAGENET_HOME/ILSVRC2012_img_val.tar -C $IMAGENET_HOME/validation
```
Si descargaste los archivos de validación en tu máquina local, debes copiar el directorio $IMAGENET_HOME/validation de tu máquina local en el directorio $IMAGENET_HOME/validation de tu instancia de VM. Esta operación de copia demora alrededor de 30 minutos.
Descarga el archivo de etiquetas.
```
wget -O $IMAGENET_HOME/synset_labels.txt \
https://raw.githubusercontent.com/tensorflow/models/master/research/slim/datasets/imagenet_2012_validation_synset_labels.txt
```
Si descargaste el archivo de etiquetas en tu máquina local, debes copiarlo en el directorio $IMAGENET_HOME de tu máquina local y pegarlo en $IMAGENET_HOME en tu instancia de VM. Esta operación de copia demora unos segundos.

Los nombres de los subdirectorios de entrenamiento (por ejemplo, n03062245) son “ID de WordNet” (wnid). La API de ImageNet muestra la asignación de los ID de WordNet a las etiquetas de validación asociadas en el archivo synset_labels.txt. Un synset en este contexto es un grupo de imágenes visualmente similar.

Procesa el conjunto de datos de ImageNet y, de manera opcional, súbelo a Cloud Storage

Descarga la secuencia de comandos de imagenet_to_gcs.py desde GitHub:

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

Si subes el conjunto de datos a Cloud Storage, especifica la ubicación del bucket de almacenamiento para subir el conjunto de datos de ImageNet:
```
export STORAGE_BUCKET=gs://bucket-name
```
Si subes el conjunto de datos a tu máquina local o VM, especifica un directorio de datos para almacenar el conjunto de datos:
```
(vm)$ export DATA_DIR=$IMAGENET_HOME/dataset-directory
```
Instala las siguientes bibliotecas en tu máquina o en un entorno virtual:
```
pip3 install google-cloud-storage
pip3 install tensorflow
```
Ejecuta la secuencia de comandos para procesar previamente el conjunto de datos sin procesar como TFRecords y subirlo a Cloud Storage con el siguiente comando:

Nota: Si no quieres subir a Cloud Storage, especifica --nogcs_upload como otro parámetro y deja los parámetros --project y --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
```

La secuencia de comandos genera un conjunto de directorios (para entrenamiento y validación), como los que se muestran a continuación:

${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

Una vez que los datos se hayan subido a tu bucket de Cloud, ejecuta tu modelo y configura --data_dir=${DATA_DIR}.