Предобработка изображений и аудио для обучения

Эффективное обучение моделей ИИ с PyTorch

Dennis Lee

Data Engineer, Amazon

Подготовка изображений и аудио

Приложения для изображений

Классификация изображений для распознавания объектов
Шардирование данных

Приложение для обнаружения объектов: на экране телефона выделены автомобили на улице. Телефон держат в руках на фоне реальной уличной сцены.

Приложения для аудио

Голосовое управление
Пример: «Убавь громкость»

Аудиовспомогательная технология для людей с нарушением зрения: управление телефоном с помощью голосовых команд.

Работа с учебным датасетом изображений

print(dataset)

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

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

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

Стандартизация формата изображений

Формат изображений: ширина, высота
Стандартизация значений пикселей: среднее, стандартное отклонение
AutoImageProcessor загружает все шаги предобработки

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

image_processor = AutoImageProcessor.from_pretrained(model)

Стандартизация формата изображений

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
})

Работа с учебным аудиодатасетом

print(dataset)

DatasetDict({
    train: Dataset({

        features: ['file', 
                   'audio',

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

Стандартизация формата аудио

Стандартизация числа сэмплов
Частота дискретизации: число сэмплов в секунду
Максимальная длительность: число секунд аудио

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

Стандартизация формата аудио

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

Применение функции предобработки

Применить preprocess_function к dataset
remove_columns: удалить столбцы audio и file
batched: обрабатывать примеры из dataset пакетами

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

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

                               batched=True)

Применение функции предобработки

print(dataset)

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

Подготовка данных для распределённого обучения

DataLoader: подготовка данных для загрузки и итерации при обучении
accelerator.prepare(): размещение данных на CPU или GPU в зависимости от доступности
Шардирование данных: каждый GPU обрабатывает подмножество обучающих данных, как ломти пиццы
accelerator.prepare() работает с DataLoader из PyTorch (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)

Давайте попрактикуемся!

Эффективное обучение моделей ИИ с PyTorch