GoogleCloudのサービスで エッジAIカメラを作ってみた

大阪版IoT縛りの勉強会！IoT Osaka Vol.12（2019/08/02）
発表資料です。

Transcript

1. GoogleCloudのサービスで
   エッジAIカメラを作ってみた
   田口　雅章
   大阪版IoT縛りの勉強会！
   IoT Osaka Vol.12（2019/08/02）
   

   View Slide

2. 発表者
   田口　雅章
   IT利活用、IT投資のご相談対応など
   

   View Slide

3. 概要
   GoogleCloudのサービスで
   　エッジAIカメラを作ってみた
   　①エッジAIカメラとは
   　②どうしてエッジAIカメラ？
   　③GoogleCloudでやる理由
   　④構成と手順の超概要
   

   View Slide

4. データ分析
   ①エッジAIカメラとは
   既存のAIカメラ・ソリューション
   取得 収集 蓄積 分析
   データ活用（制御）
   ◯高度な分析 ☓データ転送大、制御時間大
   

   View Slide

5. ①エッジAIカメラとは
   エッジAIカメラ・ソリューション
   取得・分析 収集 蓄積 分析
   ◯制御時間小、データ転送小、
   データプライバシーの向上
   データ分析
   データ活用（制御）
   ☓エッジのコスト大
   分析・活用
   

   View Slide

6. リアルタイム情報の割合が増大
   2025年に「世界のデータ量」の約30％がリアルタイム情報
   ②どうしてエッジAIカメラ？
   IDC報告から引用
   1Z(ゼタ)B=1,000E(エクサ)B=270バイト
   

   View Slide

7. ヘススケアでデータが急増と予想
   当面は製造業の割合が高い見込み
   ヘルスケア業界、医療現場やMRIなどの画像・映像データが急増
   ②どうしてエッジAIカメラ？
   IDC報告から引用
   1Z(ゼタ)B=1,000E(エクサ)B=270バイト
   

   View Slide

8. ↓ここ、日本企業が得意なのでは？
   現場のデータ取得・分析 ⇢ 現場の機器を制御
   （データをクラウド転送しての利活用も大切！）
   ②どうしてエッジAIカメラ？
   取得・分析 収集 蓄積 分析
   分析・活用
   GAFA/メジャークラウド
   /巨大メーカー
   

   View Slide

9. ③GoogleCloudでやる理由
   1)エッジHW〜クラウドを全網羅
   2)RaspberryPi4がUSB3搭載！
   RasPi4ではEdgeTPUが4倍早くなる(予想)
   RasPi3だとUSB2でのデータ転送で遅延が発生
   Google Coral
   Edge TPU USB Accelerator ¥9,450
   ・IoTエッジ用に開発されたチップ(TPU)を搭載
   ・AIアクセラレーター（高速演算処理装置）
   ・RaspberryPi3でもUSB接続で使える
   ※RasPi2だとinstall.sh等を修正する必要があるかも
   遅
   延
   

   View Slide

10. ③GoogleCloudでやる理由
    3)GoogleCloudが個人的に好き
    AWS,Azure,Alibabaなども好きです...使ってるし
    

    View Slide

11. ④構成と手順の超概要
    エッジAIカメラの標準構成
    カメラ 機械学習
    (ML)モデル
    (AI)
    RasPi3 B+
    エッジAIカメラ Google
    クラウド
    Cloud
    IoT Core
    とか
    Edge
    TPU
    データ
    制御
    データ
    エッジ管理 /
    セキュリティ/
    設定更新 /
    MLモデルの
    デプロイ
    

    View Slide

12. ④構成と手順の超概要
    使ったもの
    上が学習用、下がテスト用
    

    View Slide

13. ④構成と手順の超概要
    大事な材料を忘れていました
    GoogleCloud初登録なら無料枠内で試せるかも（保証はしない）
    

    View Slide

14. ④構成と手順の超概要
    画像認識のMLモデルは誰でもつくれる
    ・使い方がわかれば、後は予算だけ
    AutoML
    Vision
    ● GoogleCloudのサービス
    ● ベータ版(2019/07/29時点)
    ● 独自に定義したラベルに従って
    画像を分類するよう
    MLモデルを自動トレーニングし作成
    ● EdgeTPUで動くMLモデル を指定可
    

    View Slide

15. ④構成と手順の超概要
    MLモデル作成の流れ
    カメラ
    ML
    モデル
    (AI)
    RasPi3 B
    エッジAIカメラ Google
    クラウド
    学習用　画像データ
    MLモデルの
    デプロイ
    AutoML
    Vision
    データ
    

    View Slide

16. ④構成と手順の超概要
    手順１：RaspberryPi 3B
    画像データはデモなので５種類を１０枚づつ
    推奨は1種類100枚以上（ただし費用は増える）
    EBI IKURA MAGURO
    TAMAGO UNI
    

    View Slide

17. ④構成と手順の超概要
    手順２：GoogleCloud
    登録し、ダッシュボードを開きます
    詳細：Google Cloud Platform スタートガイド
    https://cloud.google.com/gcp/getting-started/?hl=ja
    AutoML Visonサービスを使用
    

    View Slide

18. ④構成と手順の超概要
    手順３：GoogleCloud
    必要な方は課金を有効にします
    

    View Slide

19. ④構成と手順の超概要
    手順３：GoogleCloud
    AutoML VisionでEdgeTPU用MLモデル作成
    詳細：Cloud AutoML Vision　Edge device model quickstart
    　　　https://cloud.google.com/vision/automl/docs/edge-quickstart
    GUI画面でアップロードした写真にタグ付け
    

    View Slide

20. ④構成と手順の超概要
    手順３：GoogleCloud
    AutoML VisionでEdgeTPU用MLモデル作成
    詳細：Cloud AutoML Vision　Edge device model quickstart
    　　　https://cloud.google.com/vision/automl/docs/edge-quickstart
    EdgeTPU用モデルを
    直接作成できる
    

    View Slide

21. ④構成と手順の超概要
    手順３：GoogleCloud
    AutoML VisionでMLモデル作成
    5種☓10枚(サイズ320×250)で、今回は学習時間40分
    今回の費用 ¥533
    

    View Slide

22. ④構成と手順の超概要
    手順３：GoogleCloud
    MLモデル（３つのファイル）のうち辞書ファイル
    models_edge_略_edgetpu-tflite_dict.txt
    の修正が必要でした
    各行の先頭に
    通し番号+[半角スペース]
    を追加
    

    View Slide

23. ④構成と手順の超概要
    手順4：RaspberryPi 3B
    Edge TPU環境を用意する
    詳細：Coral Get started with the USB Accelerator
    　　　https://coral.withgoogle.com/docs/accelerator/get-started/
    sudo apt-get update
    wget https://dl.google.com/coral/edgetpu_api/edgetpu_api_latest.tar.gz -O
    edgetpu_api.tar.gz --trust-server-names
    tar xzf edgetpu_api.tar.gz
    sudo edgetpu_api/install.sh
    #Python3.7のとき（）
    cd /usr/local/lib/python3.7/dist-packages/edgetpu/swig/
    sudo cp _edgetpu_cpp_wrapper.cpython-35m-arm-linux-gnueabihf.so
    _edgetpu_cpp_wrapper.cpython-37m-arm-linux-gnueabihf.so
    cd /usr/local/lib/python3.7/dist-packages/edgetpu/demo
    python3 classify_image.py \
    --model ~/Downloads/mobilenet_v2_1.0_224_inat_bird_quant_edgetpu.tflite \
    --label ~/Downloads/inat_bird_labels.txt \
    --image ~/Downloads/parrot.jpg
    

    View Slide

24. ④構成と手順の超概要
    手順4：RaspberryPi 3B
    MLモデルをデプロイ（配置）
    細：Coral Get started with the USB Accelerator
    　　https://coral.withgoogle.com/docs/accelerator/get-started/
    ML
    モデル
    (AI)
    RasPi3 B
    MLモデルの
    デプロイ
    AutoML
    Vision
    models_略_dict.txt
    models_略_model.tflite
    models_略_metadata.json
    

    View Slide

25. ④構成と手順の超概要
    手順5：RaspberryPi 3B
    MLモデルを動かしてみる
    pi@raspberrypi:~/dev/TPU/sushi $ ./sushi_TPU.sh
    INFO: Initialized TensorFlow Lite runtime.
    ---------------------------
    MAGURO
    Score : 0.9296875
    pi@raspberrypi:~/dev/TPU/sushi $ ./sushi_TPU.sh
    INFO: Initialized TensorFlow Lite runtime.
    ---------------------------
    UNI
    Score : 0.81640625
    pi@raspberrypi:~/dev/TPU/sushi $ ./sushi_TPU.sh
    INFO: Initialized TensorFlow Lite runtime.
    ---------------------------
    IKURA
    Score : 0.9296875
    

    View Slide

26. まとめ
    エッジが得意な人
    ☓
    クラウドが得意な人
    ↓
    IoTの「制御」が実現する
    ⇢IoT LTがビジネスチャンス　かも
    

    View Slide

27. APPENDIX
    

    View Slide

28. 参考情報
    Cloud AutoML Vision
    Edge device model quickstart
    https://cloud.google.com/vision/automl/docs/edge-quickstart
    Cloud AutoML Vision Exporting Edge models
    https://cloud.google.com/vision/automl/docs/deploy#using_the_exported_model_4
    Coral Get started with the USB Accelerator
    https://coral.withgoogle.com/docs/accelerator/get-started/
    Coral Edge TPU Compiler（既にあるMLモデルを変換する場合）
    https://coral.withgoogle.com/docs/edgetpu/compiler/
    

    View Slide

29. EOF
    

    View Slide