GPU対応PyTorch 2.3のセットアップと性能確認（Windows 上）

【概要】

Windows環境でのPyTorch 2.3のインストール手順と動作確認方法を詳細に説明している．主な内容としては，Build Tools for Visual Studio 2022，NVIDIAドライバ，NVIDIA CUDAツールキット，NVIDIA cuDNNの事前インストール，PyTorch公式ページ https://pytorch.org/ からのインストールコマンド取得，コマンドプロンプトでの実行である．また，インストール後の動作確認として，GPUとCPUの性能比較を行う行列積計算プログラムの実行方法が示されている．さらに，画像分類タスクのためのImageNetで学習済みのConvNeXtBaseモデルを用いたリアルタイム画像分類プログラムの実装例も提供されている．各ステップでは，具体的なコマンドラインの操作を示している．

【目次】

前準備
PyTorch のインストール（Windows 上）
行列の掛け算，主成分分析，特異値分解（PyTorch のプログラム例）（Windows 上）

【サイト内の関連ページ】

PyTorch, Caffe2 最新版のインストール．CUDA対応可（ソースコードを使用）（Windows 上）

【付記】本ページのプログラムはAIのアシストを受けて作成しています

前準備

Python 3.10, 7-Zip のインストール（Windows 上）

Pythonは，プログラミング言語の１つ． 7-Zipは，ファイル圧縮・展開（解凍）ツール．

【手順】

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）

次のコマンドを実行

次のコマンドは，Python ランチャーとPython 3.10と7-Zipをインストールし，7-Zipにパスを通すものである．

winget install --scope machine Python.Launcher
winget install --scope machine Python.Python.3.10
winget install --scope machine 7zip.7zip
powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\Program Files\7-Zip\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"

【関連する外部ページ】

Python の公式ページ: https://www.python.org/
7-Zip の公式ページ: https://7-zip.opensource.jp/

【サイト内の関連ページ】

Python詳細ガイド：別ページ »

【関連項目】 Python, 7-Zip

Build Tools for Visual Studio 2022 （ビルドツール for Visual Studio 2022）または Visual Studio 2022 のインストール（Windows 上）

【インストールの判断】 Build Tools for Visual Studio は，開発ツールセットである． Visual Studio は統合開発環境であり，いくつかの種類があり，Build Tools for Visual Studioの機能を含むか連携して使用するものである．インストールは以下の基準で判断してください：

Build Tools for Visual Studio の機能のみが必要な場合
Build Tools for Visual Studio のインストールを行う．
Visual Studio の機能が必要である，あるいは，よく分からない場合
Visual Studio をインストールする．
Visual Studio 2022 をインストールする際に，「C++ によるデスクトップ開発」を選択することで， Build Tools for Visual Studio 2022 の機能も一緒にインストールされる．

不明な点がある場合は，Visual Studio 全体をインストールを行う方が良い．

Build Tools for Visual Studio 2022 のインストール（Windows 上）

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
次のコマンドを実行
次のコマンドは，Build Tools for Visual Studio 2022と VC2015 再配布可能パッケージをインストールするものである．
winget install --scope machine Microsoft.VisualStudio.2022.BuildTools winget install --scope machine Microsoft.VCRedist.2015+.x64
Build Tools for Visual Studio 2022 での C++ によるデスクトップ開発，CLI，ATL，MFC のインストール（Windows 上）
1. Visual Studio Installer の起動
  起動方法: スタートメニューの「Visual Studio Installer」を選ぶ．
2. Visual Studio Build Tools 2022 で「変更」を選ぶ．
3. 「C++ によるデスクトップ開発」をクリック．そして，画面右側の「インストール」の詳細で「v143 ビルドツール用 C++/CLI サポート（最新）」，「ATL」，「MFC」をチェックする．その後，「変更」をクリック．

Visual Studio のインストール（Windows 上）

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
次のコマンドを実行
1. コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
2. インストールコマンドの実行
  winget install Microsoft.VisualStudio.2022.Community --scope machine --override "--add Microsoft.VisualStudio.Workload.NativeDesktop Microsoft.VisualStudio.ComponentGroup.NativeDesktop.Core Microsoft.VisualStudio.Component.VC.CLI.Support Microsoft.VisualStudio.Component.CoreEditor Microsoft.VisualStudio.Component.NuGet Microsoft.VisualStudio.Component.Roslyn.Compiler Microsoft.VisualStudio.Component.TextTemplating Microsoft.VisualStudio.Component.Windows.SDK.Latest Microsoft.VisualStudio.Component.VC.Tools.x86.x64 Microsoft.VisualStudio.Component.VC.ATL Microsoft.VisualStudio.Component.VC.ATLMFC" winget install Microsoft.VisualStudio.2022.Community --scope machine Microsoft.VCRedist.2015+.x64
  インストールされるコンポーネントの説明：
  - NativeDesktop：C++によるデスクトップアプリケーション開発のためのワークロード一式
  - NativeDesktop.Core：C++デスクトップ開発に必要な基本コンポーネント群
  - VC.CLI.Support：マネージドコードとネイティブコードの統合開発を可能にするC++/CLIサポート
  - CoreEditor：コード編集，デバッグ，検索などの基本機能を提供するVisual Studioのコアエディタ
  - NuGet：.NETライブラリの依存関係を管理するパッケージ管理システム
  - Windows.SDK.Latest：Windows 向けアプリケーション開発用SDK（Software Development Kit）
  - VC.Tools.x86.x64：32ビット及び64ビット向けC++コンパイラとビルドツール
  - VC.ATL：Windowsコンポーネント開発用のActive Template Library
  - VC.ATLMFC：デスクトップアプリケーション開発用のMicrosoft Foundation Class Library
  システム要件と注意事項：
  - 管理者権限でのインストールが必須
  - 必要ディスク容量：10GB以上
  - 推奨メモリ：8GB以上のRAM
  - インストール過程でシステムの再起動が要求される可能性がある
  - 安定したインターネット接続環境が必要
  追加のコンポーネントが必要な場合は，Visual Studio Installerを使用して個別にインストールすることが可能である．
3. インストール完了の確認
  winget list Microsoft.VisualStudio.2022.Community
  トラブルシューティング：
  
  インストール失敗時は，以下のログファイルを確認：
  %TEMP%\dd_setup_<timestamp>.log %TEMP%\dd_bootstrapper_<timestamp>.log
Visual Studio での C++ によるデスクトップ開発，CLI のインストール（Windows 上）
1. Visual Studio Installer の起動
  起動方法: スタートメニューの「Visual Studio Installer」を選ぶ．
2. Visual Studio Community 2022 で「変更」を選ぶ．
3. 「C++ によるデスクトップ開発」をチェック．そして，画面右側の「インストール」の詳細で「v143 ビルドツール用 C++/CLI サポート（最新）」をチェックする．その後，「インストール」をクリック．

NVIDIA ドライバのインストール（Windows 上）

NVIDIA ドライバ

NVIDIA ドライバは，NVIDIA製GPUを動作させるための重要なソフトウェアである．このドライバをインストールすることにより，GPUの性能を引き出すことができ，グラフィックス関連のアプリ，AI関連のアプリの高速化が期待できる．

ドライバはNVIDIA公式サイトである https://www.nvidia.co.jp/Download/index.aspx?lang=jp からダウンロードできる．このサイトからダウンロードするときには，グラフィックスカードとオペレーティングシステムを選択する．なお，NVIDIA GeForce Experiance を用いてインストールすることも可能である．

【サイト内の関連ページ】

NVIDIA ドライバのインストール（Windows 上）

NVIDIA グラフィックス・ボードの確認
Windows で，NVIDIA グラフィックス・ボードの種類を調べたいときは，次のコマンドを実行することにより調べることができる．
wmic path win32_VideoController get name
NVIDIA ドライバのダウンロード
NVIDIA ドライバは，以下の NVIDIA 公式サイトからダウンロードできる．
https://www.nvidia.co.jp/Download/index.aspx?lang=jp
ダウンロードの際には，使用しているグラフィックス・ボードの型番とオペレーティングシステムを選択する．

NVIDIA CUDA ツールキット 11.8 のインストール（Windows 上）

NVIDIA CUDA ツールキットのインストール時の注意点

NVIDIAのGPUを使用して並列計算を行うためのツールセット

主な機能: GPU を利用した並列処理，GPU のメモリ管理，C++をベースとした拡張言語とAPIとライブラリ

【NVIDIA CUDA ツールキットの動作に必要なもの】

CUDA対応のNVIDIA GPUが必要．
そのために，NVIDIA グラフィックス・ボードを確認する． Windows で，NVIDIA グラフィックス・ボードの種類を調べたいときは，次のコマンドを実行することにより調べることができる．
wmic path win32_VideoController get name
NVIDIA ドライバのダウンロードとインストール
NVIDIA ドライバは，以下の NVIDIA 公式サイトからダウンロードできる．ダウンロードの際には，使用しているグラフィックス・ボードの型番とオペレーティングシステムを選択する．
https://www.nvidia.co.jp/Download/index.aspx?lang=jp
Windows では，インストール前に，Build Tools for Visual Studio もしくは Visual Studio をインストールしておくことが必要である．

【Windows でインストールするときの注意点】

Windows では， NVIDIA CUDA ツールキットのインストール中は，なるべく他のウインドウはすべて閉じておくこと．
NVIDIA CUDA ツールキットのインストールが終わったら，ユーザ環境変数 TEMP の設定を行う．
Windows のユーザ名が日本語のとき，nvcc がうまく動作しないエラーを回避するためである．
ユーザ環境変数 TEMP に「C:\TEMP」を設定するために，コマンドプロンプトで，次のコマンドを実行する．
mkdir C:\TEMP powershell -command "[System.Environment]::SetEnvironmentVariable(\"TEMP\", \"C:\TEMP\", \"User\")"

【関連する外部ページ】

NVIDIA CUDA ツールキットのアーカイブの公式ページ: https://developer.nvidia.com/cuda-toolkit-archive
NVIDIA CUDA ツールキットの公式のドキュメント: https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html
NVIDIA CUDA ツールキットのインストールに関する，NVIDIA CUDA クイックスタートガイドの公式ページ: https://docs.nvidia.com/cuda/cuda-quick-start-guide/index.html

Windows では，NVIDIA CUDA ツールキットのインストール中は，なるべく他のウインドウはすべて閉じておくこと．
Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）

次のコマンドを実行

次のコマンドは，NVIDIA GeForce Experience，NVIDIA CUDA ツールキット 11.8 をインストールするものである．

wmic path win32_VideoController get name

winget install --scope machine Nvidia.CUDA --version 11.8
powershell -command "[System.Environment]::SetEnvironmentVariable(\"CUDA_HOME\", \"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\", \"Machine\")"

NVIDIA CUDA ツールキットのインストールが終わったら，ユーザ環境変数 TEMP の設定を行う．
Windows のユーザ名が日本語のとき，nvcc がうまく動作しないエラーを回避するためである．
ユーザ環境変数 TEMP に「C:\TEMP」を設定するために，コマンドプロンプトで，次のコマンドを実行する．
mkdir C:\TEMP powershell -command "[System.Environment]::SetEnvironmentVariable(\"TEMP\", \"C:\TEMP\", \"User\")"

PyTorch のインストール（Windows 上）

Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
使用する Python のバージョンの確認
python --version
PyTorch の Web ページを開く
https://pytorch.org/
ランタイムコマンドを表示させる
次のように選ぶと，その下に，ランタイムコマンドが表示される
- Your OS: Windows を選ぶ
- Package: pip を選ぶ
- Language: Python を選ぶ
- CUDA: 使用している CUDA のバージョンを選ぶ
ランタイムコマンドを，先ほどのコマンドプロンプト（管理者として実行したもの）で実行
PyTorch 2.3 のインストール手順例は次の通り
1. Windows で，コマンドプロンプトを管理者権限で起動する（例：Windowsキーを押し，「cmd」と入力し，「管理者として実行」を選択）
2. PyTorch のページを確認
  PyTorch の公式ページ: https://pytorch.org/index.html
3. 次のようなコマンドを実行（実行するコマンドは，PyTorch のページの表示されるコマンドを使う）．
  次のコマンドを実行することにより， PyTorch 2.3 （NVIDIA CUDA 11.8 用）がインストールされる．但し，Anaconda3を使いたい場合には別手順になる．
  事前に NVIDIA CUDA のバージョンを確認しておくこと（ここでは，NVIDIA CUDA ツールキット 11.8 が前もってインストール済みであるとする）．
  PyTorch で，GPU が動作している場合には，「torch.cuda.is_available()」により，True が表示される．
  python -m pip install -U --ignore-installed pip python -m pip uninstall -y torch torchvision torchaudio torchtext xformers python -m pip install -U torch torchvision torchaudio numpy --index-url https://download.pytorch.org/whl/cu118 python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

Python でPyTorch のバージョン確認

python -c "import torch; print( torch.__version__ )"

動作確認
https://pytorch.org/get-started/locally/ に記載の Python プログラムを動かしてみる
Python プログラムの実行
- Windows では python （Python ランチャーは py）
Python のまとめ: 別ページ »にまとめ
1. コマンドプロンプトで次を実行
  python
2. Python プログラムを実行する
  PyTorch を使用して，5行3列のランダムな値を持つテンソル (多次元配列) を作成し，それを表示するプログラム．
  import torch x = torch.rand(5, 3) print(x)

行列の掛け算，主成分分析，特異値分解（PyTorch のプログラム例）（Windows 上）

行列の掛け算

Windows で，コマンドプロンプトを実行

エディタを起動

cd /d c:%HOMEPATH%
notepad pytorchmul.py

エディタで，次のプログラムを保存

このプログラムは，PyTorch を使用して GPU と CPU での行列積の性能を比較する．異なるサイズ (5000x5000, 10000x10000, 15000x15000, 20000x20000) で，ランダムな値を持つ2つの行列を生成し，それらの行列積を計算する．GPU と CPU それぞれで，行列積の計算時間を測定し，結果を出力する．このことで，GPU と CPU での行列積の性能を比較できる．

import os
import torch
import time

def measure_time(func):
    start_time = time.perf_counter()
    result = func()
    end_time = time.perf_counter()
    calculation_time = end_time - start_time
    return calculation_time

def run_matmul(device_type, matrix_size):
    print(f'実行開始 - Matrix Size: {matrix_size}')
    print('device_type の設定:', device_type)

    if device_type == 'GPU' and not torch.cuda.is_available():
        print("CUDA is not available. Skipping GPU computation.")
        return
    
    device = torch.device('cuda' if device_type == 'GPU' else 'cpu')

    X = torch.rand(matrix_size, matrix_size, device=device)
    Y = torch.rand(matrix_size, matrix_size, device=device)

    def matmul_operation():
        return torch.matmul(X, Y)

    calculation_time = measure_time(matmul_operation)

    print(f"Running on {device_type}")
    print(f"Available devices: {device}")
    print(f"Calculation time: {calculation_time:.6f} seconds")
    print()

def main():
    matrix_sizes = [5000, 10000, 15000, 20000]

    for size in matrix_sizes:
        print(f'Matrix Size: {size}')
        run_matmul('GPU', size)
        run_matmul('CPU', size)
        print('---')

if __name__ == '__main__':
    main()

Python プログラムの実行
Python プログラムの実行
- Windows では python （Python ランチャーは py）
【サイト内の関連ページ】 Python のまとめ: 別ページ »
プログラムを pytorchmul.pyのようなファイル名で保存したので，「python pytorchmul.py」のようなコマンドで行う．
python pytorchmul.py
結果の確認
行列積の計算時間が表示される．

主成分分析，特異値分解

Windows で，コマンドプロンプトを実行
エディタを起動
cd /d c:%HOMEPATH% notepad pypcasvd.py

エディタで，次のプログラムを保存

このプログラムは，PyTorch を使用して，行列に対してPCA（主成分分析）とSVD（特異値分解）の計算を行い，GPUとCPUでの実行時間を比較する． [1000, 2000, 3000, 4000] の異なる4通りのサイズの行列に対して， PCAとSVDの計算時間を測定し，結果を表示することで，GPUとCPUの性能の違いを確認できる．

import os
import torch
import time

def measure_time(func):
    start_time = time.perf_counter()
    result = func()
    end_time = time.perf_counter()
    calculation_time = end_time - start_time
    return calculation_time

def run_pca_svd(device_type, matrix_size):
    print(f'実行開始 - Matrix Size: {matrix_size}')
    print('device_type の設定:', device_type)
    
    if device_type == 'GPU' and not torch.cuda.is_available():
        print("CUDA is not available. Skipping GPU computation.")
        return
    
    device = torch.device('cuda' if device_type == 'GPU' else 'cpu')
    X = torch.randn(matrix_size, matrix_size, device=device)
    
    def pca_operation():
        mean = torch.mean(X, dim=0)
        X_centered = X - mean
        cov_matrix = torch.matmul(X_centered.T, X_centered) / (matrix_size - 1)
        _, _, _ = torch.svd(cov_matrix)
        return None
    
    def svd_operation():
        _, _, _ = torch.svd(X)
        return None
    
    pca_time = measure_time(pca_operation)
    svd_time = measure_time(svd_operation)
    
    print(f"Running on {device_type}")
    print(f"Available devices: {device}")
    print(f"PCA Calculation time: {pca_time:.6f} seconds")
    print(f"SVD Calculation time: {svd_time:.6f} seconds")
    print()

def main():
    matrix_sizes = [1000, 2000, 3000, 4000]
    for size in matrix_sizes:
        print(f'Matrix Size: {size}')
        run_pca_svd('GPU', size)
        run_pca_svd('CPU', size)
        print('---')

if __name__ == '__main__':
    main()

Python プログラムの実行
Python プログラムの実行
- Windows では python （Python ランチャーは py）
【サイト内の関連ページ】 Python のまとめ: 別ページ »
プログラムを pypcasvd.pyのようなファイル名で保存したので，「python pypcasvd.py」のようなコマンドで行う．
python pypcasvd.py
結果の確認

ImageNet で学習済みの ConvNeXtBase モデルを用いた画像分類（PyTorch, Keras を使用）

ImageNet で学習済みの ConvNeXtBase モデルを用いた画像分類を行う．

パソコン接続のカメラを使用するので準備しておく

前準備として Python 用 opencv-python のインストール

python -m pip install -U opencv-python opencv-contrib-python

Windows で，コマンドプロンプトを実行

エディタを起動

cd /d c:%HOMEPATH%
notepad pyconvnext.py

エディタで，次のプログラムを保存

このプログラムは、PyTorchとImageNetで学習済みのConvNeXtBaseモデルを活用し、カメラから取得した画像をリアルタイムで分類します。プログラムでは、GPUの設定、モデルのロード、フレームの前処理、画像分類、結果と推論に要した時間の表示を行います。カメラからの画像をリアルタイムで分類し、その結果をビジュアルに確認できるプログラムです。

【説明】

set_gpu_config()関数により、GPUの設定を行います。GPUが利用可能な場合は、使用するGPUのデバイス名を表示します。GPUが利用できない場合は、CPUを使用することを表示します。
preprocess_image()関数により、入力画像の前処理を行います。前処理では、画像のリサイズ、テンソルへの変換、正規化を行います。
load_model()関数により、ImageNetで学習済みのConvNeXtBaseモデルをロードします。
classify_camera_frames()関数で、カメラからの画像を取得し、画像分類を行います。
- 取得した画像をpreprocess_image()関数で前処理します。
- 前処理された画像をモデルに入力し、分類を行います。
- 分類結果から、最も確率の高いクラスのラベルと信頼度を取得します。
- 結果（クラスラベル、信頼度、推論時間、フレームレート）を画面上に描画します。
main()関数で、GPUの設定を行い、モデルをロードし、classify_camera_frames()関数を呼び出してカメラからの画像の分類を開始します。
'q'キーが押されるまで、上記の処理を繰り返し行います。'q'キーが押されたら、プログラムを終了します。

【使い方】

必要な準備
プログラムを実行する前に、必要なライブラリ（PyTorch、torchvision、OpenCV、urllib）がインストールされていることを確認してください。
カメラの設定
プログラムはデフォルトでカメラデバイス0を使用します。異なるカメラを使用する場合は、cv2.VideoCapture(0)の引数を適切なデバイスIDに変更してください。
モデルの選択
プログラムはデフォルトでconvnext_baseモデルを使用します。異なるPyTorchのモデルを使用したい場合は、MODEL_NAMEの値を変更してください。モデルによって入力サイズや前処理の要件が異なる場合があるため、注意が必要です。
前処理のパラメータ
プログラムはデフォルトでMEANとSTDの値を使用して前処理を行います。これらの値は、ImageNetデータセットで使用される一般的な値です。モデルによっては別の値が適切な場合があります。
GPUの使用
プログラムは、利用可能な場合はGPUを使用します。 GPUが利用可能でない場合は、自動的にCPUにフォールバックします。
プログラムの実行
プログラムを実行すると、カメラからのリアルタイム画像分類が開始されます。分類結果、信頼度、推論時間、フレームレートが画面上に表示されます。
キー操作:
'q'キーを押すとプログラムが終了します。 'p'キーを押すと、画像の分類を一時停止/再開できます。
プログラムの終了:
'q'キーを押すか、ウィンドウを閉じるとプログラムが終了します。

以上の手順に従って、プログラムを実行してください。カメラからのリアルタイム画像分類を体験できます。

import torch
import torchvision.models as models
import torchvision.transforms as transforms
import cv2
import json
import time
import os
import numpy as np
import urllib.request

# ==== 設定 ====
MODEL_NAME = 'convnext_base'
MEAN = [0.485, 0.456, 0.406]
STD = [0.229, 0.224, 0.225]
FPS_BUFFER_SIZE = 10
IMAGENET_LABELS_URL = 'https://raw.githubusercontent.com/anishathalye/imagenet-simple-labels/master/imagenet-simple-labels.json'
# =============

def download_imagenet_labels(url: str, filename: str) -> None:
    if not os.path.exists(filename):
        print(f"Downloading {filename} from {url}")
        try:
            urllib.request.urlretrieve(url, filename)
            print(f"Downloaded {filename}")
        except Exception as e:
            print(f"Error downloading {filename}: {str(e)}")
            raise
    else:
        print(f"{filename} already exists.")

# ImageNetのクラスラベルとクラス名のマッピングをダウンロード
try:
    download_imagenet_labels(IMAGENET_LABELS_URL, 'imagenet_class_index.json')
except Exception as e:
    print(f"Error downloading imagenet_class_index.json: {str(e)}")
    exit(1)

# ImageNetのクラスラベルとクラス名のマッピングを読み込み
try:
    with open('imagenet_class_index.json', 'r') as f:
        imagenet_labels = json.load(f)
except Exception as e:
    print(f"Error loading imagenet_class_index.json: {str(e)}")
    exit(1)

def load_model(model_name: str, device: torch.device) -> torch.nn.Module:
    try:
        model = getattr(models, model_name)(pretrained=True)
        model.eval()
        model.to(device)
        return model
    except Exception as e:
        print(f"Error loading model {model_name}: {str(e)}")
        raise

def get_pretrained_dataset(model: torch.nn.Module) -> str:
    if hasattr(model, 'default_cfg') and 'url' in model.default_cfg:
        url = model.default_cfg['url']
        if 'imagenet' in url.lower():
            return 'ImageNet'
        else:
            # urlから推定されるデータセットを返す
            if 'cifar10' in url.lower():
                return 'CIFAR-10'
            elif 'cifar100' in url.lower():
                return 'CIFAR-100'
            elif 'coco' in url.lower():
                return 'COCO'
            # 他のデータセットに対する条件を追加することができる
            else:
                return f'Unknown dataset from url: {url}'
    return 'Unknown'

def get_input_size(model: torch.nn.Module) -> tuple[int, int]:
    if hasattr(model, 'default_cfg') and 'input_size' in model.default_cfg:
        return model.default_cfg['input_size']
    return (224, 224)  # デフォルトの入力サイズ

def get_transform(input_size: tuple[int, int], mean: list[float], std: list[float]) -> transforms.Compose:
    return transforms.Compose([
        transforms.ToPILImage(),
        transforms.Resize(input_size),
        transforms.ToTensor(),
        transforms.Normalize(mean=mean, std=std)
    ])

def print_model_info(model: torch.nn.Module) -> None:
    num_classes = model.classifier[2].out_features
    pretrained_dataset = get_pretrained_dataset(model)
    input_size = get_input_size(model)
    print(f"Model: {MODEL_NAME}")
    print(f"Pretrained dataset: {pretrained_dataset}")
    print(f"Input image size: {input_size}")
    print(f"Number of classes: {num_classes}")

def preprocess_image(img: np.ndarray, transform: transforms.Compose) -> torch.Tensor:
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img = transform(img)
    img = img.unsqueeze(0)
    return img

def classify_image(model: torch.nn.Module, img: torch.Tensor, device: torch.device) -> tuple[str, float]:
    with torch.no_grad():
        img = img.to(device)
        outputs = model(img)
        _, preds = torch.max(outputs, 1)
        class_id = preds.item()
        class_name = imagenet_labels[class_id]
        confidence = torch.softmax(outputs, dim=1)[0, preds].item()
    return class_name, confidence

def update_fps(fps_buffer: list[float], prediction_time: float) -> float:
    fps_buffer.append(prediction_time)
    if len(fps_buffer) > FPS_BUFFER_SIZE:
        fps_buffer = fps_buffer[-FPS_BUFFER_SIZE:]
    fps = len(fps_buffer) / sum(fps_buffer)
    return fps

def display_results(frame: np.ndarray, class_name: str, confidence: float,
                    prediction_time: float, fps: float) -> None:
    cv2.putText(frame, f"Class: {class_name}", (10, 30),
                cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
    cv2.putText(frame, f"Confidence: {confidence:.4f}", (10, 70),
                cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
    cv2.putText(frame, f"Time: {prediction_time:.4f} seconds", (10, 110),
                cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
    cv2.putText(frame, f"FPS: {fps:.2f}", (10, 150),
                cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)

def classify_camera_frames(model: torch.nn.Module, device: torch.device) -> None:
    input_size = get_input_size(model)
    transform = get_transform(input_size, MEAN, STD)

    cap = cv2.VideoCapture(0)
    if not cap.isOpened():
        print("Error opening camera")
        exit(1)

    fps_buffer = []
    paused = False

    while cap.isOpened():
        if not paused:
            ret, frame = cap.read()
            if not ret:
                print("Error reading frame from camera")
                break

            img = preprocess_image(frame, transform)
            start_time = time.perf_counter()
            class_name, confidence = classify_image(model, img, device)
            prediction_time = time.perf_counter() - start_time
            fps = update_fps(fps_buffer, prediction_time)
            display_results(frame, class_name, confidence, prediction_time, fps)

        cv2.imshow("Camera Classification", frame)

        key = cv2.waitKey(1) & 0xFF
        if key == ord('q'):
            break
        elif key == ord('p'):
            paused = not paused

    cap.release()
    cv2.destroyAllWindows()

def main():
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    print(f"Using device: {device}")

    try:
        model = load_model(MODEL_NAME, device)
        print_model_info(model)
        classify_camera_frames(model, device)
    except Exception as e:
        print(f"Error in main: {str(e)}")
        exit(1)

if __name__ == '__main__':
    main()

Python プログラムの実行
Python プログラムの実行
- Windows では python （Python ランチャーは py）
【サイト内の関連ページ】 Python のまとめ: 別ページ »
プログラムを pyconvnext.pyのようなファイル名で保存したので，「python pyconvnext.py」のようなコマンドで行う．
python pyconvnext.py
結果の確認
終了は q キー

【まとめ】 WindowsでのPyTorch 2.3のインストールのインストールから，GPUとCPUの性能比較，高度な画像分類タスクまでの一連のプロセスを説明．