山ノ内勇斗 | Hayato M. Yamanouchi

タグ: 初心者

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
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】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
macOSでCondaコマンドを使う
MacOSでのAnacondaのインストール、ターミナルの環境設定を行いたいと思います。

Anacondaのインストール

Anacondaのホームページへと行き、下の方にスクロールするとダウンロードがあります。

ここでは自分の環境にあったものをインストールしましょう。
今回は、MacOSの説明なので、64-bit Graphical Installerを選択しましょう。

インストーラーを起動し、指示に従ってインストールしましょう。

Macでインストーラーが二つありますが、64-bit Graphical InstallerはGUIによってAnacondaをインストールする方法で、こちらの方が親しみが深く、何もなければこちらでAnacondaをインストールできます。

64-bit Command Line Installerはダウンロードすると *.shのファイルがインストールされます。
これはシェルスクリプトによるインストールで、ターミナルを使ってインストールする際に使用します。

Linuxでのソフトのインストールがターミナルを用いたインストールが基本なので、Linuxに親しんでいる人はこちらの方がインストールしやすいんですかね。（多分）
コマンドラインの環境設定

MacOSでインストールすると、ソフト一覧にAnaconda-Navigaterが出てくるだけで、このままだとターミナルでAnacondaやPythonを使えません。

ソフトのインストールなどで、condaコマンドを使用したい場合には、Anacondaを有効にしなければなりません。
Anacondaを有効にするには(Conda コマンドを使えるようにするには)
```
conda activate
```
とする必要があります。
これでcondaコマンドを使えるはずです。

いちいちconda環境をアクティベートするのがめんどくさい方は、自動でconda環境を有効にすることもできます。
その時にはターミナルで、
```
~/opt/anaconda3/bin/conda init シェル名
```
とします。
シェル名は自分の使用しているシェル名を使うのですが、なんだそれ、いじったことないぞという方はデフォルトのシェル(MacOSだとzsh)だと思うので、これをシェル名に代入しましょう。
```
~/opt/anaconda3/bin/conda init zsh
```
これで、ターミナルを再起動すると、自動的にconda環境が有効になり、conda activateのコマンドを打たなくても良くなります。

自動有効をオフにする場合には、
```
conda config --set auto_activate_base false
```
とターミナルで実行しましょう。
2021-10-18
ファイルのバージョン管理をするための最強ツール”Git”　初心者向け解説
Gitとは

皆さんGitよりもGitHubを先に知っているのではないでしょうか。
参考にするプログラムや、ソフトを探すときに、よくGitHubのサイトがヒットし、よく使い方がわからないまま、とりあえずダウンロードしたという経験がある人も多いのではないのでしょうか。

ただ、GitHubはプログラムの共有の場所ではあるが、ただの共有する場所ではなく、Gitとよばれるツールをオンラインで使うためのツールです。

Gitとは、ファイルのバージョン管理を行うためのツールです。
ファイルを変更し、その変更を記録することによって、いつでも記録した任意のバージョンへと戻ることができるツールです。

発表原稿とかを誰かに添削してもらう際に、添削する前のファイル、添削し終わったファイル、添削をもとに修正したファイルなどをそれぞれ別のファイルとして保存すると思います。
そのような変更をGitと呼ばれるツールを使うことによって、簡単に、そして一つのファイルで行うことができます。

Gitのリンクはこちらから

Gitの三つの場所

Gitを使った記録、およびその記録をするという操作を“コミット”と呼びます。

そして、コミットを貯めていく場所を“レポジトリ”と呼びます。
つまり、レポジトリは変更履歴を補完する場所とも言えます。
リポジトリの保管庫は自分のパソコン上では“ローカルレポジトリ”、GitHubなどのリモート上では“リモートレポジトリ”と呼びます。

Gitでファイル管理を行おうとする際には、Gitでファイル管理を行うフォルダーを指定します。
そしてそのフォルダ内には三つの場所があります。
ワークツリー、ステージングエリア、Gitディレクトリです。

ワークツリーはファイルを保持する場所であり、ここにあるファイルを変更しただけではまだ変更履歴をコミットとして保存できていません。

ステージングエリアはコミットするファイルを登録するための場所です。
個々のステージにあるファイルも同様に、まだ変更履歴は保存されていませんが、このファイルをコミットしますという宣言をする場所と思ってください。

Gitディレクトリはコミットを保管する場所です。
ここにコミットされたファイルは変更されることはないファイルとして格納されます。
コミットによって記録された内容は、基本的にはあとから変更、消去することができないです。
Gitディレクトリにコミットされることによって、変更履歴として記録されたこととなります。
Gitの基礎的な使い方

詳しい使い方は実際に調べていただくとして、ここでは実際の操作の大まかな説明をします。

Gitは基本的には、WindowsではGit Bash(Gitをインストールしたときに一緒にインストールされる)、ｍacOS. Linuxではターミナルを使って操作します。(ここでは両行ターミナルと呼びます。)

皆さんが使い慣れているであろうGUIでの操作もありますが、慣れるとCUIでのGitの利用は非常に便利なので、最初からCUIを使うことをお勧めします。
1時間で慣れると思います。

まず、Gitで管理を始めるために、ローカルリポジトリを作成します。
初めに、Gitで管理したいディレクトリに、ターミナル上で移動します。
そして、

git init

と入力することによって、Gitでのバージョン管理をする準備ができます。

次に、ステージングエリアに変更を記録するために、

git add ファイルパスもしくはディレクトリパス

を実行することで、ワークツリーの指定したファイルをステージングエリアに登録します。

次に、

git commit

でワークツリー内のファイルをコミットします。

今現在、どのファイルがどの状態であるかを確認するには

git status

を実行します。
コミット履歴は

git log

を実行することで確認することができます。

基本的には、git addして、git commitをすることで変更履歴を作成し、git satusで困ったときに状態を確認するという流れになります。
下は参考文献です。
初心者にも非常にわかりやすい本であり、こちらの記事の執筆の参考にもさせていただいています。
より詳しく勉強したいという方はこちらの本をおすすめします。
2021-07-19
詳しいことは分かりませんが、Pythonでプログラミングしたいです！（１）

プログラミングの勉強を始めるにあたって、いったい何から始めるかっていうのが最初の関門だと思います。
ネットで調べたりしたはいいけど、そこからじゃあどうしましょう。プログラムを書くソフトは一体どうしたらいいの？

僕自身それでかなり困りました。

プログラムを書くにあたって書くためのツールが大きく二つあります。
一つは対話型であり、一つは文章型です。(ここでは分かりやすく。正しいのかはイマイチわからないですが…)

対話型は文章を一つ打ったら、一つ返答が返ってくる
という具合に一文一文プログラムを書いて実行してを繰り返します。

文章型は作文をしたらその感想が返ってくる
というように、一気にプログラムを実行するイメージです。
いわゆる想像するプログラムは文章型であり、訳のわからないコードがたくさん並んでいるように見えるかと思います。

ただ、文章型のプログラムをしようとした際にじゃあ一体どのソフトでやるのか？というのが困ります。

それも、プログラミングを学ぶ初級では対話型を行うことが多いが、中級になると急に文章のコードを書くようになり、何を使って書くかはあまり明記されなかったり、本によって全く違ったりします。

対話型はコマンドプロントであったり、ターミナルなどの、もともとパソコン本体に既存のもので
“Python”と打ってから始めます。

しかし文章型のプログラムはどれで書くのでしょうか。

文章型のプログラムの多くは、IDE(総合開発環境)によって書くことがほとんどです。(困ったときには”Python　IDE おすすめ”で検索するとたくさん記事が出てきます。)

僕の文章型のプログラムを書くときに普段使っているのは
Jupyter NotebookとPyCharmです。
(Jupyter はジュピターと読む派と、ジュパイターと読む派がいるみたいです。)

統計解析やグラフを書くときはJupyter Notebook、機械とか動かしたり、複雑なプログラムはPyCharmを使います。

それぞれどんな感じなのかを説明していきたいと思います。

まずJupyter Notebookについて。
これはAnacondaをダウンロードすると付随して入ります。
Jupyter Notebookを起動すると、まずSafariやFirefoxなどのパソコンのブラウザが開きます。

そして、パソコンのファイル一覧が表示されます。
そこで目的のフォルダーを開き、右上のほうにあるnewをクリック。
その後、Python3をクリックすることで下の画像のような画面が開かれます。
このファイルを保存すると　*.ipynbファイル　となります。

一つ一つの塊にプログラムを打ち、上部にあるRUNというボタンをクリックすることによって、各固まりずつプログラムを動かすことができます。

グラフや統計を行う際に、この一つの塊ずつコードを実行するというのはとても利点となります。
なので僕はよく利用してます。

PyCharmは　*.py　ファイルを開くときに使っています。
開けるファイルが違うので、注意が必要です。

PyCharmは他のサイトを参考にしてみてください。
（まだあんまり使ったことがないので、詳しい使い方に関しては今後の記事で紹介したいと考えています。）

Anacondaのサイトはこちらから

Jupyter Notebookのサイトはこちらから

PyCharmのサイトはこちらから
ダウンロードはprofessionalではなく、灰色のCommunityのほうが無料で使えるほうです。
はじめはそちらのダウンロードをおすすめします。

Jupyter Notebookは最近頻繁につかっているので、僕の学習のメモとして、そしてプログラムを学びたい方向けに今後も更新していきたいと思います。

2021-03-27