トレーニング用の画像と音声の前処理

PyTorch による効率的な AI モデルトレーニング

Dennis Lee

Data Engineer, Amazon

画像と音声の準備

画像アプリケーション

物体認識のための画像分類
データシャーディング

街路上の車を映した物体検出アプリの画面。スマートフォンを手に持ち、街路の風景を撮影している。

音声アプリケーション

音声コマンドの提供
例：「音量を下げて」

視覚障害者が音声コマンドでスマートフォンを操作する音声補助技術の画像。

サンプル画像データセットの操作

print(dataset)

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

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

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

画像フォーマットの標準化

画像フォーマット：幅・高さ
ピクセル値の標準化：平均・標準偏差
AutoImageProcessor がすべての前処理ステップを読み込む

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

image_processor = AutoImageProcessor.from_pretrained(model)

画像フォーマットの標準化

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
})

サンプル音声データセットの操作

print(dataset)

DatasetDict({
    train: Dataset({

        features: ['file', 
                   'audio',

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

音声フォーマットの標準化

サンプル数の統一
サンプリングレート：1秒あたりのサンプル数
最大継続時間：音声の秒数

sampling_rate = 16000  # 16 kHz

max_duration = 1  # 1 second

max_length = sampling_rate * max_duration

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

max_length = 16,000 samples

音声フォーマットの標準化

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

前処理関数の適用

preprocess_function を dataset にマッピング
remove_columns：audio と file 列を削除
batched：dataset のサンプルをバッチ処理

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

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

                               batched=True)

前処理関数の適用

print(dataset)

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

分散トレーニング用データの準備

DataLoader：トレーニング中にデータの読み込みと反復処理を準備
accelerator.prepare()：利用可能なCPUまたはGPUにデータを配置
データシャーディング：各GPUがトレーニングデータの一部を処理（ピザのスライスを分けるようなイメージ）
accelerator.prepare() はPyTorchのDataLoader（torch.utils.data.DataLoader）と連携

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

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


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

練習しましょう！

PyTorch による効率的な AI モデルトレーニング