![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
下に書いてある通り，Windows-WSL2-Ubuntu20.02-(Xfce4)-Miniconda-pip-PyTorch-JetBrainsToolbox-PyCharmで深層学習を行ってます(GPU実行環境整備とpythonモジュールのバージョン管理がいい？）．そもそもで，Windows-WSL2ではなく，Ubuntuでいいと思うので，将来的には，Ubuntuに移行予定ですし，多分，Dockerを利用することになると思います（ときどき，wordやexcelを使うことがあるので，その際はどうしたらいいのか？）．
どうやらWSL2+PyTorchは安定している．少なくとも，detectron2は，今のところ動いている．（WSLは250GB以上に割り当てできないのか？そんなことはないようです．）
抽出したい部分領域を指定（マスクやアノテーション，ラベリング）したい際などに使用する．
そこから学習データとして画像で扱うならば，RGBモード，Palleteモードが関わるときがあり，その際はPythonのPillowモジュールの利用がいいのかも？見た目では分からないので
CycleGAN（特別な使い方ですが）や物体検出系の深層学習モデルで使用する際に
ここで大事なのは，後々の深層学習モデルで指定されるのはRGBモードかパレットモードか？
python labelme_json_to_png_L.py /mnt/c/Users/landslide/Desktop/niiyama/test_input -o=/mnt/c/Users/landslide/Desktop/niiyama/test_input_b -class_name="guardrail b" -pixel_value=255
python C:\Users\d18036\Desktop\labelme-main\examples\instance_segmentation\labelme2coco.py "C:\Users\d18036\Desktop\hodoukyou2023\hodoukyou-iroiro\kiritori-rear\test" "C:\Users\d18036\Desktop\hodoukyou2023\hodoukyou-iroiro\kiritori-rear\kiritori-henkan3" --labels "C:\Users\d18036\Desktop\hodoukyou2023\labels.txt"~labelme2coco.pyの
for shape in label_file.shapes:
points = shape["points"]
label = shape["label"]
group_id = shape.get("group_id")
shape_type = shape.get("shape_type", "polygon")
if shape_type == "rectangle":
(x1, y1), (x2, y2) = points
x1, x2 = sorted([x1, x2])
y1, y2 = sorted([y1, y2])
points = [(x1, y1), (x2, y2)]
mask = labelme.utils.shape_to_mask(img.shape[:2], points, shape_type)
...
としたら（If文のところの挿入，mask=の前まで．）いいようです．転移学習のプログラムができた．
(いまのところ回帰のプログラム.)
ここのtqdmとかのブランチにある以下のファイル．
画像データセットと属性ファイルをTraining-Validation，Testに分けるプログラムができた．
(なぜ，Training-Validation，Testかというと，K-foldを使用前提）
jupyter nbconvert --to script input_file.ipynb
Roboflow could be versatile and useful.
pix2pixとCycleGANは，PyTorch系のこのプログラムを使います．
python train.py --dataroot ./datasets/yellow2brown/ --name yellow2brown7 --model cycle_gan --gpu_ids 1 --n_epochs 200 --lr 0.0005 python train.py --dataroot ./datasets/yellow2brown/ --name yellow2brown7 --model cycle_gan --gpu_ids 1
マスク適用
python train_mask.py --dataroot ./datasets/yellow2brown_mask_new/ --name yellow2brown_mask_new3 --model cycle_gan_mask --gpu_ids 1 --n_epochs 200 --lr 0.0005 --mask_weight 1 --dataset_mode unalignedmask
python train_mask.py --dataroot ./datasets/yellow2brown_cut_mask/ --name yellow2brown_cut_mask_weight_3_norm --model cycle_gan_mask_norm --gpu_ids 0 --n_epochs 100 --mask_weight 3 --dataset_mode unalignedmask --load_size 256 --preprocess resize
python test.py --dataroot ./datasets/yellow2brown_mask --name yellow2brown_mask150 --model cycle_gan --epoch 150 --gpu_ids 1
python test.py --dataroot ./datasets/yellow2brown_cut_mask --name yellow2brown_cut_mask_weight_0t1_norm --model cycle_gan_mask_norm_test --epoch 5 --gpu_ids 0 --phase test
ここで、
Train/Test Tips 日本語
dataset例
