DockerでのディープラーニングGPU学習環境構築方法 - Qiita
DockerでGPU学習環境構築 背景 ディープラーニングでローカルPCのGPUを使った学習環境を構築した経験のある人は、一度はNVIDIAのドライバやCUDA周りでハマった経験があるのではないでしょうか？そんなバッドノウハウ（怪文章？）をまとめたQiita記事（TensorFlowでGPU学習させるためにCUDA周りではまったときの対処法）に、なんとNVIDIAの中の人(@ksasaki さん）から「Dockerを使えば…人類は幸せになれる（超意訳）」とのコメントをいただきました！ 喜び勇んで、NVIDIAのドライバをアップデートしたところ、そこには文鎮と化した起動しないLinuxマシンが…からあげのNVIDIAとの戦いは始まったばかりだ！（戦ってません） DockerでGPU学習環境構築するメリット うまく構築できればという前提で、以下のようなメリットがあります。 様々なフレームワーク
【物体検出】(GPU版)YOLO独自モデル簡単学習方法
こんばんはエンジニアの眠れない夜です。 前回はkeras−yolo3の独自モデルの学習方法を紹介しました。 【物体検出】keras−yolo3の学習方法 手順が多くてハマりそうなポイントもちょいちょいあって、手間はかかりますが物体検出の独自モデルの学習ができるようになりましたね。 今回はGoogleColabを使ってGPU環境でYOLOの独自モデルを作ってみようと思います。 keras-yolo3で手作業で設定が必要な部分をどんどん置き換えていったらアノテーションファイルを作成してアップロードするだけで独自モデルの学習ができるようになりました＼(^o^)／ もはやハマるところなし！！ ノンプログラマーでも物体検出の独自モデルが作れそうな勢いです。Python初心者でも十分できます。 それでは一緒に手順を確認していきましょう。 【YOLO v3】独自モデルを学習させるまでの流れ 教師画像をダ
GPUを使ってVGG16をFine Tuningして、顔認識AIを作って見た - Qiita
概要 前回書いた記事の続きです。 KerasのCNNで、顔認識AIを作って見た〜スクレイピングからモデルまで〜 前回は、KerasのCNNを利用して、女優４人の分類に挑戦しました。 １から画像を識別する分類機を作成する場合、大量の画像データが必要ですが、１人400枚（水増しして１人1500~1800枚）で学習しても、精度が約８０％くらいしか出せませんでした。 そこで、すでに訓練した学習済みモデルを利用するファインチューニングという手法で再挑戦します。 また、学習時間短縮のために,Google Colaboratoryを利用して、無料でGPUを使いながらファインチューニングします。 こんなことやりたい 石原さとみの可能性：99.9%!!! 用語解説 Fine Tuning :学習済みモデルの一部を再利用して、新しいモデルを構築する手法 VGG16 :ImageNetの一般物体認識データセット
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
