Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Sign up for free
Menu
Search
Features
All features
Private URLs
Password Protection
Custom URLS
Scheduled publishing
Remove Branding
Restrict embedding
Deck Collections
Notes
Features
All features
Private URLs
Password Protection
Custom URLS
Scheduled publishing
Remove Branding
Restrict embedding
Deck Collections
Notes
Explore
Featured decks
Featured speakers
Programming
Technology
Storyboards
Explore
Featured decks
Featured speakers
Programming
Technology
Storyboards
Pricing
Search
Sign in
Sign up for free
機械学習をクラウド上のGPUでも、オンプレミスのGPUでも
Search
Masahiko Funaki(舟木 将彦)
September 16, 2022
Technology
130
0
Share
Embed
Copy iframe code
Copy JS code
Copy link
Start on current slide
機械学習をクラウド上のGPUでも、オンプレミスのGPUでも
Masahiko Funaki(舟木 将彦)
September 16, 2022
Transcript
22 slides
1 機械学習を クラウド上のGPUでも、 オンプレミスのGPUでも CircleCIを使って「透過的に」実現する 舟木 将彦 (@mfunaki) Senior Developer
Advocate
2 Agenda GPU とは 〜 ディープラーニングの高速化と課題 CI ツールでクラウド GPU /
オンプレ GPU を透過的に扱う マスク着用検出の実装例 まとめ 1 2 3 4
3 1. GPU とは ディープラーニングの高速化と課題
4 機械が 与えられたデータから データの背景にある ルールやパターンを発見する方法を モデル化すること 音声認識や画像認識を例にとると ・人によって「ありがとう」の 音の高さ、スピード、音素などは 異なっても、何らかのルールはある
・マスクによって 種別としての形、見る方向による形 色などは異なっても、 何らかのルールはある 機械学習とは
5 機械学習の精度向上のため 学習の際に 多層的な(ディープ)な構造で 考える方法 音声認識や画像認識を例にとると ・入力と出力(「ありがとう」 「マスク」などの結果)を 直接結ぶのではなく、 中間層を複数用意し、
各層に判断基準を分割する →精度は高くなるが計算量(時間)も増加 GPU(Graphical Processing Unit)を使い 3Dグラフィックス描画のように 並列的に処理可能 →計算時間を短縮可能 →計算能力やメモリによるが高価 ディープラーニングとは
GPUを使ってディープラーニングを高速化 物体検出モデル YOLOv5 を使い、マスク着用検出のための学習+検出 https://github.com/ultralytics/yolov5
YOLOv5 の学習を NVIDIA GPU(CUDA) で高速化 YOLOv5は PyTorch を使っており、 CUDAをサポートするNVIDIA GPUが利用可能な環境で実行することで高速化可能
GPUが手元にある人も、ない人も、 CircleCIを活用できます!
8 2. クラウドGPU / オンプレ GPU を 透過的に扱う
CircleCI で NVIDIA GPU を利用する2つの方法 Machine Executor (GPU) - CircleCIが用意した
GPU環境を利用 CircleCI ランナー - 自分で用意した GPU 環境を利用 https://circleci.com/docs/ja/2.0/runner-overview/ https://circleci.com/docs/ja/2.0/executor-types/
実行環境の定義 train_to_test_on_gpu ジョブを CircleCI のGPU で実行 - CircleCI クラウド上の GPU
が使えるのは 有償プランのみ(Freeプランでは使用できない ) train_to_test_on_runner ジョブを 自前の GPU で実行 - 自組織の名前空間でランナー用のリソースクラスを 作成し、GPU環境にランナーのインストールを行う - 今回は Windows 11のWSL2環境(Ubuntu 20.04) から Windows側のGPUを利用 (https://docs.microsoft.com/en-us/windows/wsl/tutorials/gpu-compute)
nvidia-smi コマンドの実行結果 train_to_test_on_gpu ジョブ train_to_test_on_runner ジョブ
YOLOv5 と必要なライブラリを読み込む train_to_test_on_gpuジョブ と train_to_test_on_runnerジョブの双方で 共用できる様に clone_yolov5 コマンドとして定義する
13 3. マスク着用検出の実装例
学習用データセットを用意する 学習用データセット(マスク着用/未着用画像とアノテーションデータ )に roboflow の Mask Wearing Dataset (149イメージ) を使用
https://public.roboflow.com/object-detection/mask-wearing
データセットをダウンロードする load_maskdataset コマンドとして定義する
データセットから学習する アーティファクト出力時のファイル名用に引数に train_env を取る train_with_maskdataset コマンドとして定義する
テストデータでマスク検出を確認する アーティファクト出力時のファイル名用に引数に test_env を取る test_mask_detection コマンドとして定義する
検出結果はアーティファクトから取得可能 train_to_test_on_gpu ジョブ train_to_test_on_runner ジョブ
19 4. まとめ
20 クラウド+オンプレミスで CI (自動化) するメリット • 学習手順 評価手順を 共有できる (誰がやっても
失敗しない) • 利用したい人なら だれでも使える (WS 所有者の 専有ではない) • 既存GPUがあれば 容易に導入できる (CIと組合せれば 誰でも使える) • センシティブな データをオンプレ に置いておける (顔や声などは 匿名化しにくい) • すぐに導入でき、 スケール可能 (調達に時間が かからない) • 利用したい人なら 誰でも使える (WS 所有者の 専有ではない) クラウド GPU オンプレ GPU CI (自動化)
CircleCIをもっと知りたい!人に... 最新の情報なら @CircleCIJapan をフォロー! #CircleCIJp タグつけて情報共有! イベント、セミナー、勉強会の情報なら connpassのCircleCIグループから! https://circleci.connpass.com/ 動画でCircleCIについて学ぶなら
CircleCIチャンネルを登録! (日本語プレイリストもあり )
Thank you. 22
More Decks by Masahiko Funaki(舟木 将彦)
See All by Masahiko Funaki(舟木 将彦)
自動化したのに回らない テスト運用の壁―AI時代の品質責任と生産性
mfunaki
0
47
「つくるAI」だけではバグは見つからない ~テストに必要な「見つけるAI」を分離させる戦略~
mfunaki
0
310
自動化したのに回らない テスト運用の壁―AI時代の品質責任と生産性
mfunaki
0
930
自動化したのに回らないテスト運用の壁ーAI時代の品質責任と生産性
mfunaki
1
230
202605-進化し続けるUIに追従.pdf
mfunaki
0
79
mablの要素選択を完全理解〜壊れないテストを作るための技術選択
mfunaki
0
97
知って得するmabl活用Tips〜「こんな時どうする?」実践機能ガイド
mfunaki
0
110
20260422-mablで変わるテスト自動化_品質_速さ_コストの三角形を崩す5つのアプローチ.pdf
mfunaki
0
150
手順(プロンプト)だけで テストを自動作成~テスト作成エージェントを使いこなすための 実践プロンプト術
mfunaki
0
250
Other Decks in Technology
See All in Technology
From vibe coding to reliable (agentic) development
jcabot
0
130
AIネイティブ組織の作り方。1人のPOとAIから始める、自社での実験
ama_ch
2
1.2k
Terraform 0 to 100:100個以上のリポジトリを常に最新にし続けるための自動化
sue445
2
1.2k
Linuxネットワークスタック進化の軌跡: 過去10年の歩みと最新トレンド
orimanabu
4
770
マネジメントされる側の仕事は「文句」を言うこと
riyaamemiya
7
5.9k
さようならSSH鍵、こんにちはゼロトラスト ― AIフレンドリーで快適な自宅鯖SSH
atalie2m
14
7.3k
Test Impact Analysis を武器に立ち向かう、AI 時代のテスト増加に対するヌーラボのアプローチ / getting-started-datadog-test-impact-analysis
k6s4i53rx
0
270
エンタープライズ事業未経験のデータ屋、 AI時代にN回撃沈する.pdf
ryoskdara_
0
170
統制されたID・権限をどう利用するか : DPoP/FAPIによるAPIセキュリティ強化
oidfj
1
230
HTTP QUERY時代の型安全な検索APIをKotlinで設計する
sansantech
PRO
1
110
kubellの最新データ分析環境
kubell_hr
2
200
みん強Lightning! データ基盤ひとりでできるかな
endonanana
0
120
Featured
See All Featured
BBQ
matthewcrist
90
10k
Building Better People: How to give real-time feedback that sticks.
wjessup
371
20k
Game over? The fight for quality and originality in the time of robots
wayneb77
1
340
ラッコキーワード サービス紹介資料
rakko
5
6M
YesSQL, Process and Tooling at Scale
rocio
174
15k
Sam Torres - BigQuery for SEOs
techseoconnect
PRO
0
620
Let's Do A Bunch of Simple Stuff to Make Websites Faster
chriscoyier
508
140k
Learning to Love Humans: Emotional Interface Design
aarron
275
41k
Well, that’s weird…
csswizardry
1
150
Believing is Seeing
oripsolob
1
280
How to Think Like a Performance Engineer
csswizardry
28
2.9k
The Curious Case for Waylosing
cassininazir
1
620