Bilder und Audio fürs Training vorbereiten

Effizientes KI-Modelltraining mit PyTorch

Dennis Lee

Data Engineer, Amazon

Bilder und Audio vorbereiten

Bildanwendung

Bildklassifikation zur Objekterkennung
Data Sharding

Bild einer Objekterkennungs-App mit Autos auf einer Straße. Die App läuft auf einem Handy, das vor der Straßenszene gehalten wird.

Audioanwendung

Sprachbefehle geben
Beispiel: „Drehe die Lautstärke runter“

Bild einer Audio-Assistenztechnologie für sehbehinderte Personen, um Sprachbefehle auf dem Handy zu nutzen.

Einen Bilddatensatz manipulieren

print(dataset)

Dataset({
    features: ['img', 'label'],
    num_rows: 1000
})

print(dataset[0]["img"])

<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=720x480>

Bildformat vereinheitlichen

Bilder formatieren: Breite, Höhe
Pixelwerte normieren: Mittelwert, Standardabweichung
AutoImageProcessor lädt alle Preprocessing-Schritte

from transformers import AutoImageProcessor
model = "microsoft/swin-tiny-patch4-window7-224"

image_processor = AutoImageProcessor.from_pretrained(model)

Bildformat vereinheitlichen

dataset = dataset.map(
    lambda examples: {

        "pixel_values": [

            image_processor(image, return_tensors="pt").pixel_values
            for image in examples["img"]
        ]}, batched=True)

print(dataset)

Dataset({
    features: ['img', 'label', 'pixel_values'],
    num_rows: 1000
})

Ein Audiodatensatz manipulieren

print(dataset)

DatasetDict({
    train: Dataset({

        features: ['file', 
                   'audio',

                   'label'],
        num_rows: 1000
    }), ...
})

Audioformat vereinheitlichen

Anzahl Samples vereinheitlichen
Samplingrate: Samples pro Sekunde
Maximale Dauer: Sekunden Audio

sampling_rate = 16000  # 16 kHz

max_duration = 1  # 1 Sekunde

max_length = sampling_rate * max_duration

print(f"max_length = {max_length:,} samples")

max_length = 16,000 samples

Audioformat vereinheitlichen

from transformers import AutoFeatureExtractor

model = "facebook/wav2vec2-base"
feature_extractor = AutoFeatureExtractor.from_pretrained(model)


def preprocess_function(split_data):

    audio_arrays = [x["array"] for x in split_data["audio"]]

    inputs = feature_extractor(audio_arrays,

                               sampling_rate=feature_extractor.sampling_rate, 
                               max_length=int(feature_extractor.sampling_rate 
                                              * max_duration),

                               truncation=True)
    return inputs

Vorverarbeitungsfunktion anwenden

preprocess_function auf dataset abbilden
remove_columns: Spalten audio und file entfernen
batched: dataset in Batches verarbeiten

dataset = dataset["train"].map(preprocess_function,

                               remove_columns=["audio", "file"],

                               batched=True)

Vorverarbeitungsfunktion anwenden

print(dataset)

DatasetDict({
    train: Dataset({
        features: ['label', 'input_values'],
        num_rows: 1000
    })

Daten fürs verteilte Training vorbereiten

DataLoader: Daten zum Laden und Iterieren im Training vorbereiten
accelerator.prepare(): Daten auf CPU/GPU je nach Verfügbarkeit platzieren
Data Sharding: Jede GPU verarbeitet einen Teil der Trainingsdaten, wie Pizzastücke teilen
accelerator.prepare() funktioniert mit PyTorch-DataLoaders (torch.utils.data.DataLoader)

from accelerate import Accelerator
from torch.utils.data import DataLoader

dataloader = DataLoader(dataset, batch_size=32, shuffle=True)


accelerator = Accelerator()
dataloader = accelerator.prepare(dataloader)

Lass uns üben!

Effizientes KI-Modelltraining mit PyTorch