タグ: プログラム

物体認識を使った新しい行動解析ツール”YORU”とは一体なんなのか

2024年11月にbioRxivにこれまでの行動解析ツールとは異なる手法を使ったYORUという行動解析ツールについて発表されました。
今回はそのツールについてどのようなツールなのかを解説していきたいと思います。

YORUのプレプリント

YORUのドキュメント

YORUとは

YORUとは深層学習を使った動物の行動解析ツールです。

YORUのサイトより引用

これまでもDeepLabCutやSLEAPといった深層学習を使ったツールは多く公開されています。
これらのツールは深層学習と用いて動物の体の部位をトラッキング、そして姿勢推定を行うツールです。(ここではトラッキングツールと呼びます。)

姿勢を推定することによって、動物がどのような姿勢をしているのかを明らかにし、行動解析を行います。

これに対して、YORUは物体認識というアルゴリズムを用いて行動を認識します。
簡潔には、身体部位のトラッキング等は行わず、動物の行動している様子から行動を直接定義します。

人がりんごやみかんを見分けるときに、形や色といったことを情報に見分けていると思います。
物体認識では物体を分類することに長けているため、こういった見た目によるものの見分けを行います。

これを動物の行動解析に用いることで、動物の行動をその見た目から分類します。
YORUのツール内では、これを行動オブジェクト(Behavior object)と呼んでいます。

トラッキングツールでは行動は点と線で認識され、YORUでは行動をボックスで囲われるように解析されます。

物体認識による行動定義のメリット

物体認識による行動のメリットとしては

・個体数が増えてもエラーが出にくい

・動物の向きに影響されにくい

・解析速度が速い

・トラッキングでは捉えにくい行動（マウスがうずくまるといったような行動）を捉えられる

といったことが考えられます。

トラッキングツールの弱点である、複数個体の行動解析を簡単に、かつ解析コストをかなり抑えて解析することが可能です。
さらに、身体部位の位置情報による行動定義が困難な行動も簡単に解析可能です。

例えば、手をあける、閉じるという行動を考えてみましょう。
トラッキングツールであればカメラで指先をトラッキングして閉じている、開いているを定義すると思いますが、手を閉じたときに指先が見えなくなると、トラッキングできず、位置情報を正確に計算できなくなります。

しかし、物体認識であれば手がひらいた状態と閉じた状態の手の形を見ているので、一部が見えなくなっても正確に捉えることが可能です。

個体数増加に強いという理由に関しても、トラッキングツールであれば個体数が増えると、身体部位がどの個体なのかを割り振って、正確に各個体の行動をとらえなければなりませんが、YORUであれば各個体の形状のみで解析するため、個体の識別や各個体への割り振りを行う必要がありません。

解析速度も速いため、リアルタイム解析が可能であり、ある行動をしたときに装置制御を行うといったことも可能であり、行動実験の自動化を行うことができます。

物体認識による行動定義のデメリット

もちろんデメリットもあり、

・一連の行動は捉えることができない

・個体識別は行えない

・未知の行動を捉えることはできない

・見た目でわかりにくい行動は捉えられない

・定義した行動の詳細がわからない

といったことがあります。
これらのデメリットは逆にトラッキングツールの強みとしても挙げられるところであり、どちらが優れているというよりは、メリット・デメリットをお互いに補完し合っているような感じです。

そのため、実験者は状況に応じた適切な手法を選ぶ必要があります。

YORUは何がすごいのか

さて、YORUの根本に使われている物体認識による行動解析のメリット・デメリットを述べましたが、YORUは一体何がすごいのでしょうか。

全てGUI化されている

YORUではプログラミングを行うことなく、行動解析を行うことが可能です。

これはDeepLabCutやSLEAPなどのツールも同様であり、生物学者にとってこれらの解析を使うための一助となります。

デザイン

YORUのデザインはこれまでのツールと違い、かなり研究ツールっぽくはない感じがします。

リアルタイム解析を導入している

YORUではこれまでのツールでは珍しく、リアルタイム解析のGUIが完備されています。

リアルタイム解析のシステムを作るのはプログラミングがある程度できればそこまで問題ではありませんが、そうでないとかなりハードルが高いです。

ただ、YORUでは全てプログラミングなしで、リアルタイム解析、さらには外部トリガーまでを行うことが可能になっています。

多様な実験装置に適応可能である点

リアルタイム解析の最も高いハードルとして、自身の実験系の装置を動かすコードとこれらの解析をどのように組み合わせるのかというのがあります。

YORUではプラグインシステムを導入しており、外部装置を制御するプログラムを選ぶことができます。

つまり、自身のシステムにあったプラグインを選択すれば良いのです。

また、プラグインは自作することも可能であり、自身の装置の制御プログラムをプラグインにすることで簡単にYORUのリアルタイム解析と合致させることができます。

これは他のツールにはない、かなり使いやすいシステムとなっています。

最後に

YORUは発表されたてで、まだまだ使いにくい点・ドキュメントの不足が目立ちます。

しかし、これからこれらが整備されていくことによって、どのように使われていくのか非常に楽しみです。

2024-11-17
GitHubの基礎から論文にコードを公開するまでの方法

GitとGitHubの使い方に関する発表を行った時の資料を公開します。

実際にGitHubを使ってどのように操作するのかから、プログラムコードを論文に載せるためにはどのような操作するのかを説明しています。

論文データや解析プログラムの公開が現在よく求められています。
それ以外にもGitHubを使ったプログラム管理は共同研究を行う上で重要な要素となってきています。

[2024年1月15日更新]　https://www.slideshare.net/slideshow/embed_code/key/vzfmHD9i6I15wI

GitHubの基礎からプログラム管理、そしてプログラムコードを論文に公開するまでの手順 from Hayato Yamanouchi

自身のサイトにも同様のものを載せています。

山ノ内勇斗の個人サイト

2024-02-01
SLEAPのインストール方法[2024年2月更新]
SLEAPという機械学習を用いた動物の身体部位のトラッキングツールのインストール方法について書いていきたいと思います。

DeepLabCutがトラッキングツールとして最もメジャーであり僕自身も過去にインストール方法について書いたり、他の人が多くの記事を残してくれています。

しかし、SLEAPについては日本語での記事は少ないのが現状です。
SLEAPはDeepLabCutよりも優れている点はたくさんあり、選択肢の一つとしてできるようにするために今回インストール方法を書こうと決意しました。

SLEAPはインストール方法から使い方まで動画付きで非常にわかりやすくまとまっているので、英語がわかる方なら簡単に使うことができると思います。

SLEAPの論文についてはこちら

SLEAPの公式サイトはこちら

SLEAPのGitHubはこちら

はじめに

まず初めに、SLEAP(公式)のインストール方法に書いてある、
```
mamba create -y -n sleap -c conda-forge -c nvidia -c sleap -c anaconda sleap=1.3.3
```
で一発で環境構築からパッケージのインストール、その他の諸々を行うという方法は、筆者はいくつかのパソコンで試したが、どれも環境構築の段階でずっと処理中になってしまい、うまくいかなかった。

よって、今回は公式が提案する別の方法でインストールする方法を紹介する。

インストール方法

基本的にはSLEAP公式のサイトのインストール方法にのっとって行なっていきます。

動作環境

・Windows 11 pro
・NVIDIA 3080で動作確認
・SLEAP 1.3.3
・Python 3.7.12

ファイルのダウンロード

まず初めに、SLEAPのGitHubからファイルを自分のパソコンにダウンロードします。

Gitで行う場合には以下のコードを行います。
```
git clone https://github.com/talmolab/sleap
```
gitコマンドが使えない場合には、gitをインストールする、もしくはGitHubから直接ファイルをダウンロードします。

GPUのドライバーのインストール

NVIDIAのドライバーをインストールします。
（もともとインストールされている場合はスキップします。）

Anacondaのインストール

次に、AnacondaのサイトからWindows 10 64bit版をダウンロード、インストールします。
AnacondaのサイトのFree Downloadを押し、サイトの下の方に行くと下のような画面になるので、
一番左のWindowsのインストーラーを入れましょう。

Anacondaがインストールできると、windowsのアプリ一覧の中に、”Anaconda Prompt”が入っていると思います。
それを使って、以下のコードを実行し、仮想環境の構築やインストール、さらにはSLEAPの起動を行ってきます。

仮想環境の構築とインストール

その後、以下のコードを実行し、仮想環境の構築、そしてSLEAPのインストールします。
仮想環境名は”sleap”になります。
```
cd sleap
conda env create -f environment.yml -n sleap
```
ちなみに、GPUの入っているパソコンでは上記のコードで行うことができますが、
もし入っていないパソコンでは、以下のコードで行うことができます。
```
cd sleap
conda env create -f environment_no_cuda.yml -n sleap
```
これでインストールは完了です。

インストールできたかの確認

仮想環境のアクティベーションを行い、sleap-labelでSLEAPを起動します。
```
conda activate sleap
sleap-label
```
仮想環境のアクティベーション(codna activate sleapのコマンド部分です。)はAnaconda Promptを閉じた際には毎度行う必要があります。

仮想環境のアクティベーションで(base)から、(sleap)になると思います。

起動できたら問題なくインストールができました。

論文に載せる際のバージョンなどの確認

バージョンの確認はsleapの仮想環境をアクティベートした後で、以下のコマンドを実行します。
```
python -c "import sleap; sleap.versions()"
```
すると、
```
SLEAP: 1.3.3
TensorFlow: 2.7.0
Numpy: 1.21.5
Python: 3.7.12
OS: Windows-10-10.0.22621-SP0
```
と、SLEAPのバージョン情報などが出力されます。

また、SLEAPがGPUを利用できているかについては、
```
python -c "import sleap; sleap.system_summary()"
```
で確認できます。
利用できているときは以下のような出力になります。
```
GPUs: 1/1 available
  Device: /physical_device:GPU:0
         Available: True
       Initialized: False
     Memory growth: None
```
次回以降はSLEAPの具体的な使い方について紹介できたらなと思います。

おまけ

パソコンどれを使えばいいのかわからない方へ、パソコン購入相談をココナラでやることにしました！
あなたの要望に合わせてパソコンを選び、提案しますパソコン選びに困っている方々へ！様々な目的に対応できます！
パソコンを選んだり、アドバイスすることが多く多くの友人からパソコンの相談やったら儲かるのにと言われました。
それに感化されて一旦やってみようと思いました！

パソコンの利用目的に合わせて、そしてパソコンの予算に合わせて購入をご提案します。
特に機械学習に用いるパソコンを多く選び、使ってきています。

そして、希望があればパソコンを今後買う時にどこに注目すると良いかもアドバイスしていきたいと思います。

今まで選んだことあるパソコンとして、研究室の解析用パソコン、実用パソコン、ゲーム配信用パソコン、大学の新入生用のパソコン、建築学科用のCADが使えるパソコン、とりあえずのパソコンなど。

MacとWindowsの両方使っているので、どちらのお話、ご提案もできます！

ぜひ利用してみてください
2024-01-21
[2022年12月更新]YOLOXのインストール方法
YOLOXとは

YOLOシリーズがたくさん出ている中、2021年7月に最新のYOLOXが出ました。

YOLOXに関する論文はこちら (現在プレプリントです。)
また、GitHubはこちら

YOLOは物体認識のアルゴリズムです。
リアルタイムに動かすことを前提としており、非常に動作が軽量であり(認識だけならスマホでも動かすことができます)、システムの応用性もあり、IoT装置にも多く取り入れられています。

物体認識アルゴリズムと聞くと少し難しそうですが、簡単に想像できるのは、カメラの顔や目の自動フォーカスです。
ここが顔ですよと視覚が現れると思いますが、それが他の物体でも適応され、そしてそれぞれが何なのかを分類することができます。

YOLOはたくさんのシリーズがあり、YOLO, YOLOv2, YOLOv3, YOLOv4, YOLOv5, YOLOXと出てきています。
また、動作環境もPythonだけでなく、MATLABでも使うことができるなど、自分の使っているプラットフォームに適応させることができます。

YOLOXはYOLOv3からのシステムとは異なり、YOLO(最初に出版された方法)でのシステムとなっており、動作も早く、また正確性もかなり向上しているとのことです。

詳しくは他のブログサイトでも書かれています。

YOLOXのインストール方法

GitHubのサイトにもインストール方法が記載されていますが、英語なのと、仮想環境を使った方法では書かれていないので、今回はAnacondaで仮想環境を使って行う方法です。

WindowsとMacの両方で、YOLOXのマニュアル通りにインストールするとエラーが連発しました。
今後もバージョンによって、エラーが変わってきたりするので、その都度調べてください。

macのターミナルでcondaコマンドを使う方法は以下から

macOSでCondaコマンドを使う

WindowsではAnaconda Promptを使うと良いかと思います。

ターミナル(Anaconda Prompt)を開き、文字が並んでいる黒いウィンドウができます。
最終行の左に(base)となっているかと思います。
現在、仮想環境には入っていない状態です。

仮想環境なしでもYOLOXは動作できますが、他のパッケージとの環境が交差してしまうので、仮想環境を作ることをお勧めします。

まず以下のコードを入力し、仮想環境を作成します。
```
conda create -n YoloX python=3.8
```
YoloXは仮想環境名で、これでなくても大丈夫です。
また、pythonのバージョンはpython=3.8で指定できます。

その後以下のコードで仮想環境に入ります。
```
conda activate YoloX
```
これで、左の(base)が(YoloX)になっていたら成功です。

CUDAのインストール

まず、機械学習のライブラリを初めてインストールする方で、YOLOの学習をGPUで行うおうとする方はCUDAをインストールしましょう。
(CPUでの学習はありえないほど時間がかかるのでおすすめしません。ただ、Apple Silicon搭載のPCではGPUを使うことは現在できません。)
CUDAは公式サイトからダウンロードできます。

CUDAのバージョンは、PyTorchで対応しているCUDAのバージョンを確認してから、そのバージョンをインストールするといいと思います。
PyTorchの公式サイト

過去のバージョンをインストールするには、Download nowを押した後の画面で、下の方のResourcesのArchive of Previous CUDA Releasesでインストールすることができます。

最新バージョンでもできるかもしれませんが、取り合えず、PyTorchに合わせておけば問題なく動かすことができると思います。

インストールされているかはwindowsで、「システム環境変数の編集」を開き、詳細設定>環境変数と開き、
CUDA_PATHからはじまるパスがあるか確認しましょう。
Vの後の数字がバージョンを示しています。

PyTorchのインストール

まず、インストールする前に、pipの更新をしておきましょう。
Anaconda Promptで仮想環境に入り、以下のコマンドを実行します。
```
python -m pip install --upgrade pip
```
PyTorchの公式サイトに行き、自分の環境に合ったインストール方法を選びましょう。
しかし、ここで問題となるのが、Packageの欄で、ここではpipを選択しましょう。
condaでインストールするとその後でエラーが出てしまいます。

Run this Commandのコマンドをコピペして、仮想環境にインストールします。

インストールが終わったら、以下のコマンドでPyTorchがインストールされているか確認しましょう。
```
pip list
```
この中に、torchが入っていればOKです！！！
一応動作確認として、pythonを起動し、以下のコマンドを実行してみましょう。
```
import torch
print(torch.cuda.is_available())
```
出力でTrueと出れば問題なくインストールできており、torchをGPUで動かす準備が整ったということになります。
(Macに導入する際やGPUがないパソコンには、Folseと出てきますが、imortが出てきたら大丈夫です)
エラーが出たらもう一度、インストールを見直してみましょう。

YOLOXに関わるパッケージのinnsuto-ru

GitHubからYOLOXの諸々のファイルをダウンロード(クローン)します。
Gitコマンドが使える人は、以下のコードでクローンできます。
```
git clone git@github.com:Megvii-BaseDetection/YOLOX.git
```
その後、クローンしたフォルダにアクセスし、必要なパッケージをインストールします。

まず、クローンしたYOLOXのフォルダにある、requirements.txtの中身を以下のように書き換えます。
```
# TODO: Update with exact module version
numpy
#torch>=1.7
opencv_python
loguru
tqdm
#torchvision
thop
ninja
tabulate

# verified versions
# pycocotools corresponds to https://github.com/ppwwyyxx/cocoapi
#pycocotools>=2.0.2
#onnx==1.8.1
onnxruntime==1.8.0
onnx-simplifier==0.3.5
```
どうやら、pycocotoolsなどはこのコマンドで入れることができないようです。

これが終わったら、requirements.txtを保存して、下のコマンドをターミナル(Anaconda prompt)で実行します。
```
cd YOLOX
pip3 install -r requirements.txt
pip3 install cython pycocotools
```
ダウンロードしたYOLOXのフォルダには”requirements.txt”というファイルがあり、ここに必要なパッケージが入っているので、これを読み取り専用で開き、記載されているパッケージをインストールするコマンドが二つ目のコマンドです。
```
pip3 install cython pycocotools
```
このコマンドによって、cythonとpycocotoolsをインストールすることができます。
どうやらこれらは別途インストールする必要があるようです。

このコマンドを実行すると、以下のエラーが出る人もいるかと思います。
```
      building 'pycocotools._mask' extension
      error: Microsoft Visual C++ 14.0 or greater is required. Get it with "Microsoft C++ Build Tools": https://visualstudio.microsoft.com/visual-cpp-build-tools/
```
Microsoft C++ Build Toolsがpycocotoolsには必要だそうです。(Mac版がないのに、Macでもエラーが出る。)
WIndowsの人は一応インストールしておくと良いでしょう。

これをインストールし、さらに以下のコードで再度インストールを試みてください。
```
pip3 install "git+https://github.com/philferriere/cocoapi.git#egg=pycocotools&subdirectory=PythonAPI"
```
それでもうまくいかない場合には、以下のコマンドで入れましょう。
```
conda install -c conda-forge pycocotools
```
基本的には今回のパッケージ等はpipでインストールしていますが、こればっかりはインストールできないので、condaでインストールするという最終手段を使います。

次に、yolox_x.pthをダウンロードします。
リンクを押すとすぐにダウンロードが始まります。

ダウンロードしたファイルをgithubからクローンしたYOLOXのフォルダに入れましょう。
これでデモの認識に使うモデルをダウンロードし、任意の場所に置くことができます。

tools/demo.pyの上部に下記をプログラムに追記し、yoloxフォルダへアクセスできるようにします。
```
#demo.pyの中身に書き込みましょう。
import sys
import os
sys.path.append(os.path.join(os.path.dirname(__file__), '..'))
```
これを行わないと、yoloxのパッケージがありませんというエラーが出されます。

その後、ターミナルで以下のコマンドを実行しましょう。
これで、デモ動作ができているかどうかを確認することができます。
```
python tools/demo.py image -n yolox-x -c yolox_x.pth --path assets/dog.jpg --conf 0.25 --nms 0.45 --tsize 640 --save_result --device gpu 
#gpuで動かさない場合には、gpuをcpuに書き換えてください。
```
–device gpu は状況に応じて –device cpuに書き換えてください。

これで、YOLOX/YOLOX_outputs/yolox_x/vis_res/20……..の中に以下の画像が入っていればよいです。

おまけ

パソコンどれを使えばいいのかわからない方へ、パソコン購入相談をココナラでやることにしました！
あなたの要望に合わせてパソコンを選び、提案しますパソコン選びに困っている方々へ！様々な目的に対応できます！
パソコンを選んだり、アドバイスすることが多く多くの友人からパソコンの相談やったら儲かるのにと言われました。
それに感化されて一旦やってみようと思いました！

パソコンの利用目的に合わせて、そしてパソコンの予算に合わせて購入をご提案します。
特に機械学習に用いるパソコンを多く選び、使ってきています。

そして、希望があればパソコンを今後買う時にどこに注目すると良いかもアドバイスしていきたいと思います。

今まで選んだことあるパソコンとして、研究室の解析用パソコン、実用パソコン、ゲーム配信用パソコン、大学の新入生用のパソコン、建築学科用のCADが使えるパソコン、とりあえずのパソコンなど。

MacとWindowsの両方使っているので、どちらのお話、ご提案もできます！

ぜひ利用してみてください
2022-11-15
elifを使った条件分岐がうまくいかない！！[Python]
if文で複数条件で複数の条件分岐を行いたいときに、elifでやってみたらエラーは出ていないんだけど、なんか結果がうまくいかないという時ってないでしょうか。
もしかしたら、下の事象が当てはまっているかもしれません。
参考までに、僕が間違えてしまっていたので、メモ書きします。

問題となるプログラム

if、elifに二条件を記載して、elifを含むプログラムを作成した状況で問題が起こります。
```
def trable(a, b):
    if a >= 10 & b >= 10:
        print("patern A")
    elif a >= 10 & b < 10:
        print("patern B")
    elif a < 10 & b >= 10:
        print("patern C")
    else:
        print("patern D")

trable(11, 11)
trable(11, 9)
trable(9, 11)
trable(9, 9)
```
上記のプログラムを実行したときに、上から順にA, B, C, Dのパターンに分類分けされてほしいようにも思えますが、実際には下の出力になります。
```
patern A
patern B
patern C
patern B
```
順序を入れ替えてみてはどうでしょうか。
```
def trable(a, b):
    if a >= 10 & b >= 10:
        print("patern A")
    elif a < 10 & b < 10:
        print("patern B")
    elif a >= 10 & b >= 10:
        print("patern C")
    else:
        print("patern D")

trable(11, 11)
trable(9, 11)
trable(11, 9)
trable(9, 9)
```
とやって、patern B, Cのプログラムを入れ替えて、A, B, C, Dと出力してほしいというプログラムを作ると、実際には下記の出力になります。
```
patern A
patern D
patern D
patern D
```
elif自体は複数条件を定義したいときに下記のように使用します。
```
if 条件式A:
  条件式Aが真(True)となった場合の処理
elif 条件式B:
  条件式Aが偽(False)で、条件式Bが真(True)となった場合の処理
else:
  条件式Aが偽(False)で、条件式Bも偽(False)となった場合の処理
```
しかし、if文、elif文の条件式が二条件になると、上記のような問題が起こると想定されます。
よって、目的の出力にならないことが起こります。

これの厄介なところはエラーが排出されないので、実際に結果を見てみないとうまくいっているかどうかがわからないという点です。

改善策

複数条件で複数の条件式で分けたいときには、elif文で複数条件を指定しないようにします。
```
def resolve(a, b):
    if a>= 10:
        if b >= 10:
            print("patern A")
        else:
            print("patern B")

    else:
        if b >= 10:
            print("patern C")
        else:
            print("patern D")

resolve(11, 11)
resolve(11, 9)
resolve(9, 11)
resolve(9, 9)
```
煩わしくなりましたが、こうすることで思っている想定通りの出力を行うことができます。

プログラムではこのような思わぬ落とし穴があるので、書いたプログラムはしっかり確認することの教訓になりますね。

追記(2022年8月)

()で括っていないことが問題であったみたいです。
```
def trable(a, b):
    if (a >= 10) & (b >= 10):
        print("patern A")
    elif (a < 10) & (b < 10):
        print("patern B")
    elif (a >= 10) & (b >= 10):
        print("patern C")
    else:
        print("patern D")
```
とすると、うまく条件分岐できました。
もしくは、&をandと表記することでも解決することができます。
```
def trable(a, b):
    if a >= 10 and b >= 10:
        print("patern A")
    elif a < 10 and b < 10:
        print("patern B")
    elif a >= 10 and b >= 10:
        print("patern C")
    else:
        print("patern D")
```
&とandって同じように思えますが、&には論理積という側面があり、元々のプログラムだと
```
a >= 10 & b < 10
```
これは　a >= (10 & b) < 10 の意味になるようで、
a=9, b=9だと不等式が
9>=8<10となり、Trueとなってしまうそうです。

難しいですね・・・。
2022-08-25
【2022年12月更新】YOLOv5のインストール方法[物体認識ツール]
YOLOv5とは

YOLOは物体検出を行うアルゴリズムです。YOLOはYou Look Only Onseの頭文字をとっています。
物体のトラッキングとはまた少し違い、オブジェクトと、それがなんなのかを検出することができます。

YOLOのHPより引用(https://pjreddie.com/darknet/yolo/)

自動運転などでは、人なのか、ペットなのか、車なのかといった、人間がものを判断するように物体を検出、分類します。

分類するアルゴリズムは複雑なので、ここでは説明は省きますが、調べてみると非常に多くのサイトで解説されています。

現在YOLOは大体隔年ぐらいのペースで新しいバージョンが出ており、今ではYOLO v1~YOLOv5、そして、2021年8月に新しいバージョンであるYOLO Xが公表されました。
バージョンによって何が違うのかは、細かい部分で大きな変更がありますが、基本的には新しくなるにつれて精度がよくなっていきます。

今回は十分な精度かつ、現在かなり情報が多くなり、導入しやすくなったYOLO v5のインストールと動作確認までのステップを紹介していきたいと思います。

インストール環境

OS : Windows 10 (macOS Montereyでもできました)
Python : 3.9.7 (3.6以降)
CUDA : 11.3

インストール方法

仮想環境の作成

Anacondaを用いて、仮想環境を作成します。
Anacondaをインストールしていない人は、インストールしましょう。

YOLOv5をインストールする際にはかなり多くのパッケージがあるので、仮想環境でインストールをお勧めします。
仮想環境の名前はなんでもいいのですが、今回は”Yolov5_env”とします。
anaconda promptで以下のコマンドを入力します。
```
conda create -n Yolov5_env python=3.9
```
これで仮想環境が作成されるはずです。
仮想環境に以下のコマンドで入ります。
```
conda activate Yolov5_env
```
CUDAのインストール

まず、機械学習のライブラリを初めてインストールする方で、YOLOの学習をGPUで行うおうとする方はCUDAをインストールしましょう。(CPUでの学習はありえないほど時間がかかるのでおすすめしません)
CUDAは公式サイトからダウンロードできます。

CUDAのバージョンは、PyTorchで対応しているCUDAのバージョンを確認してから、そのバージョンをインストールするといいと思います。
PyTorchの公式サイト

過去のバージョンをインストールするには、Download nowを押した後の画面で、下の方のResourcesのArchive of Previous CUDA Releasesでインストールすることができます。

最新バージョンでもできるかもしれませんが、取り合えず、PyTorchに合わせておけば問題なく動かすことができると思います。

インストールされているかはwindowsで、「システム環境変数の編集」を開き、詳細設定>環境変数と開き、
CUDA_PATHからはじまるパスがあるか確認しましょう。
Vの後の数字がバージョンを示しています。

PyTorchのインストール

まず、インストールする前に、pipの更新をしておきましょう。
Anaconda Promptで仮想環境に入り、以下のコマンドを実行します。
```
python -m pip install --upgrade pip
```
PyTorchの公式サイトに行き、自分の環境に合ったインストール方法を選びましょう。
しかし、ここで問題となるのが、Packageの欄で、ここではpipを選択しましょう。
condaでインストールするとその後でエラーが出てしまいます。

Run this Commandのコマンドをコピペして、仮想環境にインストールします。

インストールが終わったら、以下のコマンドでPyTorchがインストールされているか確認しましょう。
```
pip list
```
この中に、torchが入っていればOKです！！！
一応動作確認として、pythonを起動し、以下のコマンドを実行してみましょう。
```
import torch
print(torch.cuda.is_available())
```
出力でTrueと出れば問題なくインストールできており、torchをGPUで動かす準備が整ったということになります。
(Macに導入する際やGPUがないパソコンには、Folseと出てきますが、imortが出てきたら大丈夫です)
エラーが出たらもう一度、インストールを見直してみましょう。

YOLOv5のインストール

GitHubからYOLOv5のファイルをダウンロード(クローン)します。
```
git clone https://github.com/ultralytics/yolov5
```
gitコマンドが使えない方は、gitをインストールするか、YOLOv5のGitHubからファイルをダウンロードします。

次に、以下のコマンドをAnaconda promptの仮想環境で実行します。
```
cd yolov5
pip install -r requirements.txt
```
最初のコマンドは、GitHubでダウンロードしたyolov5のフォルダに移動するコマンドで、gitコマンドでインストールした人はこれで大丈夫ですが、直接サイトからダウンロードしたかたはそのディレクトリに頑張って移動しましょう。

ダウンロードしたyolov5のフォルダには”requirements.txt”というファイルがあり、ここに必要なパッケージが入っているので、これを読み取り専用で開き、記載されているパッケージをインストールするコマンドが二つ目のコマンドです。

インストールが終了したらどんなパッケージがインストールされたか確認しましょう。
```
pip list 
```
かなり多くのパッケージがインストールされたと思います。
一旦これでYOLOv5のインストールは完了です。

動作

動作確認として、元々yolov5のフォルダに入っているデータで確かめてみましょう。
Anaconda promptで仮想環境に入り、cdコマンドでyolov５のフォルダに移動します。

そして、以下のコマンドを実行します。
```
python detect.py --source ./data/images/ --weights yolov5s.pt --conf 0.4
```
detect.pyがyoloを使って、物体認識するプログラムです。
sourceで物体認識してほしい素材があるフォルダのパスを指定します。
今回はyolov5に入っているimagesの画像を用いました。

weightsでどのモデルを使用するかを選択します。
今回はyolov5.ptを用います。

confではどれぐらいの尤度(Likelihood)で物体を認識するかを示します。
これに関しては、機械学習を勉強する際によく出てくる言葉です。
わからなければこのままで問題ないと思います。

実行すると、yolov5のフォルダのruns\detect\expに認識された画像が入っていると思います。
このようにしてYOLOv5では物体認識が行われます。

直面したエラー

・ModuleNotFoundError: No module named ‘torch’

Yoloを動かそうとしたときにこのようなエラーが出ることがあります。
これはPyTorchが利用できていない、モジュールが見つからないというようなエラーです。

このエラーが出た際には、まず仮想環境でtorchがインストールされているかどうか確認しましょう。
```
pip list
```
ここにtorchがなければPyTorchをインストールしましょう。
あるけれどうまくいかない、よくわからないというときは、pythonを起動し、PyTorchをインポート、利用できているかみましょう。
```
import torch
torch.cuda.is_acailable()
```
利用できる際には、Trueと返され、うまくいかないときは、上記のエラーが表示されるかと思います。

エラーの原因として考えられる一つとして、PyTorchをcondaコマンドでインストールしているという可能性があります。
PyTorchはcondaコマンドでインストールしているけど、他のパッケージはpipコマンドでインストールしていると上記のエラーが出てしまうことがあります。

その際には、condaコマンドでtorchをアンインストールし、pipコマンドでインストールしなおしましょう。

モジュールが見つからない問題は、インストールする際のコマンドがpipなのか、condaなのかごっちゃになっている可能性があります。
今回はpipで統一していますが、常にどのコマンドでインストールしているか気にするといいでしょう。

リンク集

Anaconda
CUDA
PyTorch
YOLOv5 GitHub
YOLOホームページ

おまけ

パソコンどれを使えばいいのかわからない方へ、パソコン購入相談をココナラでやることにしました！
あなたの要望に合わせてパソコンを選び、提案しますパソコン選びに困っている方々へ！様々な目的に対応できます！
パソコンを選んだり、アドバイスすることが多く多くの友人からパソコンの相談やったら儲かるのにと言われました。
それに感化されて一旦やってみようと思いました！

パソコンの利用目的に合わせて、そしてパソコンの予算に合わせて購入をご提案します。
特に機械学習に用いるパソコンを多く選び、使ってきています。

そして、希望があればパソコンを今後買う時にどこに注目すると良いかもアドバイスしていきたいと思います。

今まで選んだことあるパソコンとして、研究室の解析用パソコン、実用パソコン、ゲーム配信用パソコン、大学の新入生用のパソコン、建築学科用のCADが使えるパソコン、とりあえずのパソコンなど。

MacとWindowsの両方使っているので、どちらのお話、ご提案もできます！

ぜひ利用してみてください！
2022-02-23
labelImgのインストール方法[2022年12月更新]
物体クラスタリングを行う上で、元々ある学習モデルだけでなく、自分が作った学習モデルも使いたくなる時があると思います。

物体クラスタリングで有名なツールとして、YOLOがありますが、その学習データーを作る際に、labelImg(大文字でLABELIMG)は非常に有用なツールとなります。

そのlabelImgのインストール方法についてご紹介します。

環境

OS : Windows 10 (macOS Montereyでもできました)
Python :3.9.7 (3.6以降)

インストール方法

Anacondaを用いて、仮想環境を作り、そこでインストールする方法をおすすめします。
それによって、他の環境に影響を与えることなく、インストールすることができます。

仮想環境の名前はわかれば良いので、なんでも良いのですが、今回は”labelimg_env”にします。
以下のコマンドをAnaconda promptで実行しましょう。
```
conda create -n labelimg_env python=3.9
```
今回はpython3.9でインストールしていますが、3.6以降であれば特に問題はないかと思います。

次に、pipとsetuptoolsの更新をおこなっておきましょう。
これを行うことによって、謎のエラーを防げます(多分)。
```
python -m pip install --upgrade pip setuptools
```
そして、labelImgをインストールします。
```
pip install labelImg
```
インストールされたか確認は以下のコマンドで確認できます。
```
pip list
```
この中に、labelImgがあれば成功です。

起動

まず、仮想環境に入ります。
```
conda activate labelimg_env
```
labelImgを起動します。
```
labelImg
```
別のウィンドウで画面がひらけばOKです！！

あとがき

LabelImgはPyQt5によって、GUIが作られています。
pythonのバージョンが3.6以降がいいのは、PyQt5のバージョンでPython 3.6以降を必須としているからです（現状）。

基本的には最新バージョンで問題ないかと思います。
2022-02-17

PWM出力を使ってパルス波の周波数, Duty比を変更する [Arduino UNO]

PWM出力とは

PWMとはpulse width modulationの略で、パルス幅変調と日本語では言います。
波長のデューティー比(Duty cycle)を変えることによって、変調を行う方法です。

詳しくは前回の記事で説明されています。

ArduinoのPWM出力

Arduino UNOではATmega328と呼ばれるMicrochip社のマイコンをメインチップとして使っています。
Arduinoのプログラムを考える上で、深みにハマっていくとマイコンのデータシートを見ていかなければならなくなりますので、一回見てみると面白いかと思います。(事実今がそう)

Arduinoには三つのタイマー(Timer/Counter)があります。
このタイマーはArduinoプログラムの時間に関係しています。
delay()やtone()などの関数はこのタイマーを使って計測されています。

Timer/Counter	Pin番号	ビット数	役割	PWM周波数
Timer0	5, 6	8 bit	Arduinoの時間を管理 delay(), millis(), micros()など	977 Hz
Timer1	9, 10	16 bit	Servoライブラリなど	490 Hz
TImer2	3, 11	8 bit	tone()など	490 Hz

今回このタイマーをいじることでPWMの出力を変えるということをします。
ちなみに、応用するとタイマーの根本を変えるので、delay()などの関数もいい感じに変えたりすることができたりするかも？(どちらかというと影響を受けて狂ったりすることの方が多そう)

TImer0は基本的にシステム全体に関わることが多いので、TImer1を使用することをお勧めします。

参考になるサイト集
https://playground.arduino.cc/Main/TimerPWMCheatsheet/
https://www.arduino.cc/en/Tutorial/SecretsOfArduinoPWM
https://atooshi-note.com/arduino-1hz-pwm/
http://blog.kts.jp.net/arduino-pwm-change-freq/
http://garretlab.web.fc2.com/arduino/inside/hardware/arduino/avr/cores/arduino/wiring_analog.c/analogWrite.html

プログラムの概要

　プログラムの全体の方針として、Arduinoのタイマーをレジスタの設定を変えることで自由にPWM出力の周波数を変更することができるようにします。

目的としては、低い周波数を出力できるようにしたく、10 Hzを出力できるようなプログラムにします。

今回は10番ピンにLEDを繋いで、その光の周波数、Duty比を自由に変更できるようにするプログラムを作成します。
10番ピンなので、TImer1を使用します。

プログラムコード

//レジスタの設定を変えるためのもの
#include <avr/io.h>
int PWMPin = 10;

//関数の定義
//frq:周波数 (1Hz~指定できる)
//duty:指定したいduty比
void HzWrite(int frq, float duty) { 

    // モード指定
  TCCR1A = 0b00100001;
  TCCR1B = 0b00010100; //分周比256を用いる

  // TOP値指定
  OCR1A = (unsigned int)(31250 / frq);

  // Duty比指定
  OCR1B = (unsigned int)(31250 / frq * duty);
}


void setup() {
  pinMode(PWMPin, OUTPUT);
}

void loop() {
  HzWrite(10, 0.5);
  delay(5000);
  digitalWrite(PWMPin, LOW);
  delay(5000);

}

プログラムの説明

まず、レジスタの設定を変えるために、<avr/io.h>をインクルードします。

#include <avr/io.h>

次に、delay()と一緒に使って、10 Hzの出力を5秒ごとに繰り返すという関数を作るため、HzWriteという関数を指定します。カッコ内には周波数、Duty比を指定できるようにします。

void HzWrite(int frq, float duty) { 

}

次にモードの指定です、。
今回使うレジスタはTCCR1A/TCCR1Bです。(TCCR: Timer/Counter Control Register)
ここで1というのはTImer1を示しており、Timer2を使いたければTCCR2A/TCCR2Bを使います。

PWM周波数を〇〇Hzとして設定するには、TOP値を自分で指定する必要があります。
TOP値が大きければ大きいほど出力される周波数は低くなります。
今回は10 Hzで例を取っているので、16MHzというシステムクロックと比べると非常に遅いので、大きなTOP値と分周を指定する必要がある。よって、なるべく大きいTimer1を使用します。

Timer0, 2の8 bitではTOP値の最大値は255(2^8 – 1)であり、Timer1の16 bitでは65535(2^16 – 1)となる
(最大値が-1となるのは、0~255もしくは0~65535となるため、数字の数が2^xになるが、最大値は-1しなければならない。)

システム的には、TOP値までカウンタをインクリメント(0, 1, 2, と数えていく)し、OCRxA/OCRxB(xはカウンタ番号、カウンタについて2つの出力ピンA, Bが割り当てられている。)と一致した時にピンの出力を変化させる(LOW→HIGHのように)。そして、カウンタがTOP値まで到達すると今度は0までデクリメント(65535, 65534, 65533と上から数えていく)し、インクリメントの時と同様にOCRxA/OCRxBと一致した時にピンの出力を変化させます。

Arduino UNOではこのカウンタのインクリメントするスピードは分周比の設定を変えることによって、ある程度変えることができます。(ある程度とは、1/8/64/256/1024 の中から選択できるということ)
分周比は周波数を分周(周波数を1/n倍すること)するときの比(n)です。
つまり、1000 Hzを分周比10で分周すると100 Hzになります。

ちなみに、分周比1ではArduino UNO(ATmega328)のシステム動作クロックである16MHzで操作します。

つまり、TOP値とOCRxA/OCRxBの値、分周比を変えることによって、自由に出力の変換点を変えることができます。

今回は10Hzを指定したいので余裕を持って分周比256で行います。
1カウントする時間は、Unoなら16MHzなので1 / 16MHz = 62.5ns(分周1)
分周比を256にすると、TOPまでカウントした際には62.5ns x 256 x 65535 = 1.04856 secなので、1 Hzを指定できるようになる。

今回このプログラムでは1 Hz ~ 31250 Hzまでの周波数を作り出すことができる。
しかし、31250に近づくにつれてDuty比の指定ができなくなっていきます。
Duty比を細かく設定したい際には300 Hz程度までしか作成することができません。

このプログラムでは分周比の設定を変更することで、自分の使用用途にあった周波数帯を作れるようなプログラムを作ることができます。

TCCRaA/TCCR1Bには何を指定するのかを書きます。
ここら辺の細かいところはなんか難しいので、データシートを使って、なんとなく指定していきましょう。

今回は2進数で示しているので、最初に0bがついています。TCCR1AではCOM1A1, COM1A0, COM1B, 無指定, 無指定, WGM11, WGM10 を 1 か 0 で設定します。
TCCR1B にはそれぞれ、無指定(ICNC1), 無指定(ICES1), 無指定, WGM13, WGM12, CS12, CS11, CS10 を設定します。

まず、今回はModeはPWMモードがPhase Correct and Frequency Correct であるMode9を指定する。
今回TOP値はOCR1Aに指定する。

よって、WGM13 / WGM12 / WGM11 / WGM10 はそれぞれ、1,0,0,1

COM1B0 / COM1B0 は 0, 0 が無出力、0, 1 がトグル動作 (一致時の出力を反転)、
1, 0 はカウンタがOCR1A/B – TOP間にある場合 LOW、0 – OCR1A/B間は HIGH となるよう出力、
1, 1 は1, 0 の逆です。

今回は周波数をOUTPUTのLEDをLOWとHIGHで変えるため、1B0 / COM1B0 は1, 0の値を指定します。

スケッチを書く際にわかりやすいので 1, 0 を選択します。

今回分周比は256を指定するため、CS12/CS11/CS10は1, 0, 0を指定する。

まとめると、以下のようになる。

TCCR1A = 0b00100001;
TCCR1B = 0b00010010;

次にOCR1AとOCR1Bを設定し、周波数とDuty比を指定したもので出力してもらうように指定します。

  // TOP値指定
  OCR1A = (unsigned int)(31250 / frq);

  // Duty比指定
  OCR1B = (unsigned int)(31250 / frq * duty);

今回Phase and Frequency Correct PWMを用いる際には、インクリメントしディクリメントすることから、出力される周波数は以下のように示すことができます。

周波数frq = IC の動作周波数 / (分周比 * TOP値 * 2)

逆にTOP値を指定するときは

TOP値 = IC の動作周波数 / (分周比 x frq x 2)

今回Arduino UNOで分周比256とした際には

TOP値 = OCR1A = 16,000,000 / (256 x frq x 2) = 31250 / frq

LOWとHIGHが入れ替わるタイミングはOCR1A/OCR1B = Duty比としたいため、

OCR1B = 31250 / frq x duty

オーバーフローを防ぐため、Unsigned intを指定している。

出力のメインはこちら

void setup() {
  pinMode(PWMPin, OUTPUT);
}

void loop() {
  HzWrite(10, 0.5);
  delay(5000);
  digitalWrite(PWMPin, LOW);
  delay(5000);

}

PWMPinつまり10ピンをOUTPUTで指定し、HzWrite()で周波数とDuty比を指定する。
delay()でまった後に、digitalWrite(PWMPin, LOW)で出力をなくし、delay()する。

以上がプログラムの全貌と解説です。

後書き

PWM出力の周波数を変更する方法のブログに関して、Arduinoで検索するよりも、AVRとか、ATmega328, 328Pなどのように検索した方が多く出てきました。

今回はざっくりとしたブログでしたが、より深く知りたい人は調べてみてください。

2021-10-29

Arduionoで連続パルス波を作成する方法
はじめに

Arduinoを使って、連続パルス波を出力したりしたくなる時があると思います。
LEDを点滅させたり、音を出力したり、タイマーとして使ってみたり・・・

何かと使うことが多く、そして簡単なようにも思えますが、調べていくと非常に奥深いことがわかります。

今回は、Arduinoで連続パルス波を出力する方法をいくつか紹介していきます。
Delayを使って時間を変える

最もシンプルかつ、簡単な方法で、delay関数を使って出力のONとOFFを切り替える手法です。
```
//pinはピン番号
void loop(){
    digitalWrite(pin, HIGH);
    delay(1000);
    digitalWrite(pin, LOW);
    delay(1000);
}
```
上記のプログラムでは、出力がHIGHとLOWとで切り替えています。
delayは単位はmsなので、delay(1000)では1秒間待つというプログラムになります。

つまり、1Hzでついたり消えたりするプログラムになります。

ただ、周波数の指定にdelay()関数を使うことは問題点が多いです。
また、この方法では、60Hzの信号を5秒間出力といったように、出力の時間を変更するのが、for構文を使って指定する必要があり、そういった面で不便さがあります。

ただ、シンプルが故、とりあえずやってみたいという時にはおすすめです。
tone()を使って指定する

tone()関数はブザー音などを作成するときによく使われる関数です。
Arduino公式の解説

この関数では、周波数、継続時間を指定することができます。
なので、delayを使った時とは違い、周波数を計算せずとも直接指定することができます。
```
//pinはピン番号
void loop() {
     tone(pin,60);
}
```
tone(pin, frequency)や、tone(pin, frequency, duration) といったように指定することができます。

durationはms単位で指定するため、delayと同様の記載方です。

この関数の問題は、指定できる周波数が31Hz以下ではできないという点です。
つまり、1Hzなどの出力を作ることができません。

音などの31Hzより大きい周波数を指定する時には非常に簡単に周波数を指定できますし、delay関数を使う時よりも非常に短く、正く指定することができます。
PWM出力を使って、PWM出力の周波数を変える

PWM出力を使う方法は最も自由度が高く、そして奥深すぎる原因です。

PWMとはpulse width modulationの略であり、日本語ではパルス幅変調です。
詳しくはwikipediaより

この言葉だけ聞いてもなんのことかよくわかりませんが、簡単にいうと、PWMとはデューティー(Duty)比を変更して色々変調する方法です。
Arduino公式の説明はこちらから

LEDの明るさを指定するときに、本来であれば電流値を変えることで明るくしたり、暗くしたりできます。
しかし、電流値が一定だった時に、でもLEDの明るさを変えたいとなった際に、めっちゃ早い周波数で(人が点滅しているのがわからなくなるのが30~60Hzと呼ばれている)点滅させます。

そして、ONとOFFが通常であれば1:1(Duty比が50%)となっていますが、これを4:1(Duty比が80%)とか1:4(Duty比が20%)とかにしてみるとどうでしょうか。
前者では明るく見え、後者では暗く見えるでしょう。

このようにして、パルスの幅を変えることで出力を変調するというのがPWMによる出力です。

そして、Arduinoではこの出力ができるとともに、PWM出力の周波数を変えることもできます。
レジスタ設定と呼ばれる、まあArduinoの元の部分を変えちゃえばPWMの出力周波数を変えることができるっしょっていう考えがこの方法です。
ちなみにデフォルトでは出力周波数は490Hz、一部のピンでは980Hzです。

今後の記事でやり方を詳しく説明します。
「PWM Arduino　周波数　変更」で調べるとたくさん説明が出てきます。

4回ぐらい読むとなんとなくわかるようになると思います。

基本的にはこれらの方法で自分の目的にあったプログラムを探してみてはどうでしょうか。
2021-10-22
Python Video Annotatorインストール方法
Python Video Annotatorとは

Python Video Annotatorとは、撮影した動画を解析、動画内のイベントを時系列的にノートすることができるアプリケーションです。

神経科学や行動学の研究者が、動物の動画を撮影し、その動物たちの行動を解析、定量するためなどに利用することができます。
例として、マウスの行動を記録する際に、舌を出す、尻尾を振る、耳を動かすなど、記録したい行動があったとします。
それが、動画のいつ起こっていて、どれぐらいの時間継続しているのか。
毎度動画を見て、エクセルに記録するのだと、定義した行動が多いとあまりに大変です。
こういったツールを用いることで、動画にノートとして記録し、時間情報やイベント情報を取り出すことができます。

元々、動物の行動を記録するアプリケーションとして、VCodeと呼ばれるオープンソースのソフトがありました。
しかし、現在のパソコンのOSに対応していないという問題がありました。

Python Video Annotatorでは、最新のPCに対応し、必要な機能は残しつつ、さらに外部のセンサー情報(圧力計など)やDeepLabCutなどの行動定量ツールと組み合わせることができ、非常に研究を行う人にとって有用なツールとなっています。
インストール方法

ホームページにインストール方法は詳しく書かれていますが、僕のパソコンではうまく入れることができませんでした。（多分そのままインストールしたら、元々インストールされているパッケージとの相性が悪かったのかもしれません。）
そこで、GitHubのサイトに記載されている、Anacondaを使って仮想環境を構築、インストールするという方法を行いました。

言葉で言うと難しそうですが、やることは非常に簡単です。
現在(2021年10月20日地点)では最新のmacOS(Big Sur 11.6)には対応していないらしく、近日中に改善されると思われます。
なので、今回はWindowsを例にとって説明します。

ただ、macOSでもAnacondaを入れて、condaコマンドを使えるようにしてからは基本的には操作は一緒なので、使えるようになったら参考にしてください。（詳しくは前回の記事より）

Anacondaをインストールし、Anaconda promptを開きます。
そして、仮想環境を作成し、仮想環境をアクティベートしましょう。
```
conda create -n videoannotator python=3.6
conda activate videoannotator
```
その後、必要なパッケージをインストールします。
```
pip install opencv-python-headless pyqt5==5.14.1 pyqtwebengine==5.14.0
```
その後、python Video Annotatorをインストールします。
```
pip install python-video-annotator
```
色々処理が終わったらインストール完了です。

起動するときは、仮想環境をアクティベートしてから、実行します。
```
conda activate videoannotator
start-video-annotator
```
これでソフトが起動したら完了です。
2021-10-20

タグ: プログラム

YORUとは

物体認識による行動定義のメリット

物体認識による行動定義のデメリット

YORUは何がすごいのか

全てGUI化されている

デザイン

リアルタイム解析を導入している

多様な実験装置に適応可能である点

最後に

はじめに

インストール方法

動作環境

ファイルのダウンロード

GPUのドライバーのインストール

Anacondaのインストール

仮想環境の構築とインストール

インストールできたかの確認

論文に載せる際のバージョンなどの確認

おまけ

YOLOXとは

YOLOXのインストール方法

CUDAのインストール

PyTorchのインストール

YOLOXに関わるパッケージのinnsuto-ru

おまけ

問題となるプログラム

改善策

追記(2022年8月)

YOLOv5とは

インストール環境

インストール方法

仮想環境の作成

CUDAのインストール

PyTorchのインストール

YOLOv5のインストール

動作

直面したエラー

リンク集

おまけ

環境

インストール方法

起動

あとがき

PWM出力とは

ArduinoのPWM出力

プログラムの概要

プログラムコード

プログラムの説明

後書き

はじめに

Delayを使って時間を変える

tone()を使って指定する

PWM出力を使って、PWM出力の周波数を変える

Python Video Annotatorとは

インストール方法