Descarga, procesamiento previo y carga del conjunto de datos de ImageNet

En este tema, se describe cómo descargar, procesar de forma previa y subir el conjunto de datos de ImageNet que se usará con Cloud TPU. Los modelos de aprendizaje automático que usan el conjunto de datos de ImageNet incluyen las siguientes redes:

  • ResNet
  • AmoebaNet
  • EfficientNet
  • MNASNet
ImageNet es una base de datos de imágenes. Las imágenes de la base de datos están organizadas de forma jerárquica, y cientos y miles de imágenes representan a cada nodo.

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 de tiempo asociados, en general, 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 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, todo esto empaquetado para que se pueda descargar con facilidad. 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 de 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 ImageNet completo

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

  1. Verifica que tengas espacio en el destino de descarga.
  2. Configura los directorios de destino.
  3. Regístrate en el sitio de ImageNet y solicita permiso de descarga.
  4. Descarga el conjunto de datos en el disco local o en la VM de Compute Engine.

  5. Ejecuta la secuencia de comandos de procesamiento previo y carga.

Verifica los requisitos de espacio

Ya sea que descargues el conjunto de datos en tu máquina local o en una VM de Compute Engine, necesitarás unos 300 GB de espacio disponible para el destino de descarga. En una VM, puedes verificar el almacenamiento disponible con el comando df -ha.

Puedes aumentar el tamaño del disco de VM mediante uno de los siguientes métodos:

  • Especifica la marca --disk-size-gb en la línea de comandos de ctpu up con el tamaño, en GB, que desees asignar.
  • Sigue la guía de Compute Engine para agregar un disco a la VM.
    • Configura Cuando se borra la instancia en Borrar disco a fin de garantizar que se quite el disco cuando eliminas 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 VM de Compute Engine, configura la estructura de directorios para almacenar los datos descargados.

  • Crea y exporta un directorio de inicio para el conjunto de datos ImageNet.

    Crea un directorio, por ejemplo, imagenet en tu directorio principal de tu VM o máquina local. En este directorio, crea dos subdirectorios: train y validation. Exporta el directorio principal 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 ver por qué no se confirmó tu registro. Después de confirmar tu registro, ve al sitio de descarga.

Descarga el conjunto de datos ImageNet

  1. Desde el sitio de descarga, ve a la sección Imágenes en la página y haz clic derecho en “Imágenes de entrenamiento (tarea 1 y 2)”. Esto te dará la URL necesaria para descargar la parte más grande del conjunto de entrenamiento. Guarda la URL.

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

    Haz clic derecho en “Validation images (all tasks)” para obtener la URL del conjunto de datos de validación. Guarda la URL.

    Si descargas los archivos de ImageNet en tu máquina local, después de que se complete la descarga, deberás copiar los directorios en tu máquina local al directorio $IMAGENET_HOME correspondiente de tu VM de Compute Engine. Copiar el conjunto de datos de ImageNet de un host local a tu VM lleva aproximadamente 13 horas.

    Por ejemplo, el siguiente comando copia todos los archivos de $IMAGENET_HOME de tu máquina local a tu VM que muestra el mensaje de shell username@vm-name:

    gcloud compute scp --recurse $IMAGENET_HOME username@vm-name:~/imagenet
    
  2. Desde $IMAGENET_HOME, usa wget para descargar los archivos de entrenamiento y validación con las URL guardadas.

    El archivo “Imágenes de entrenamiento (tarea 1 y 2)” es el gran conjunto de entrenamiento. Es de 138 GB. Si se descarga en una VM de Compute Engine con Cloud Shell, el tiempo estimado de descarga es de aproximadamente 40 horas. Para este archivo particularmente grande, puedes anteponer nohup en el comando o usar screen para evitar que se interrumpa la descarga si Cloud Shell se desconecta.

    cd $IMAGENET_HOME \
    nohup wget http://image-net.org/challenges/LSVRC/2012/dd31405981ef5f776aa17412e1f0c112/ILSVRC2012_img_train.tar
    

    Así se descarga un archivo tar grande: ILSVRC2012_img_train.tar.

    Desde $IMAGENET_HOME en la VM, extrae los directorios de entrenamiento individuales en el directorio $IMAGENET_HOME/train con el siguiente comando. La extracción toma entre 1 y 3 horas.

    tar xf ILSVRC2012_img_train.tar
    

    El archivo “Imágenes de entrenamiento (tarea 3)” es de 728 MB, así que solo toma unos minutos en descargarse, por lo que no necesitas tomar precauciones por si pierdes la conexión de Cloud Shell.

    Cuando descargas este archivo, se extraen los directorios de entrenamiento individuales en el directorio $IMAGENET_HOME/train existente.

    wget http://www.image-net.org/challenges/LSVRC/2012/dd31405981ef5f776aa17412e1f0c112/ILSVRC2012_img_train_t3.tar
    

    El archivo “Imágenes de validación (todas las tareas)” es de 6 GB, por lo que te recomendamos usar nohup o screen para evitar la interrupción de la descarga si Cloud Shell se desconecta.

    wget http://www.image-net.org/challenges/LSVRC/2012/dd31405981ef5f776aa17412e1f0c112/ILSVRC2012_img_val.tar
    

    Esta descarga demora aproximadamente 30 minutos. Cuando descargas este archivo, se extraen los directorios de validación individuales en el directorio $IMAGENET_HOME/validation.

    Si descargaste los archivos de validación en tu máquina local, debes copiar el directorio $IMAGENET_HOME/validation en tu máquina local en el directorio $IMAGENET_HOME/validation en la VM de Compute Engine. Esta operación de copia demora alrededor de 30 minutos.

    Descarga el archivo de etiquetas. Esto solo toma unos segundos.

    wget -O $IMAGENET_HOME/synset_labels.txt \
    https://raw.githubusercontent.com/tensorflow/models/master/research/inception/inception/data/imagenet_2012_validation_synset_labels.txt
    

    Si descargaste el archivo de etiquetas en tu máquina local, debes copiarlo en el directorio $IMAGENET_HOME en tu máquina local en $IMAGENET_HOME en tu VM de Compute Engine. Esta operación de copia toma 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 ID de WordNet a sus etiquetas de validación asociadas en el archivo synset_labels.txt. Un synset en este contexto es un grupo de imágenes visualmente similares.

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

  1. 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
    
  2. Si subes el conjunto de datos a Cloud Storage, especifica la ubicación del depósito de almacenamiento para subir el conjunto de datos de ImageNet:

    export STORAGE_BUCKET=gs://bucket-name
    
  3. Si subes el conjunto de datos a Cloud Storage, especifica un directorio de datos de depósito de almacenamiento para almacenar el conjunto de datos:

    (vm)$ export DATA_DIR=$STORAGE_BUCKET/dataset-directory
    
  4. 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:

     python3 imagenet_to_gcs.py \
      --project=$PROJECT \
      --gcs_output_path=$DATA_DIR  \
      --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

y

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

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