複数のmlmodelを統一的に扱う
はじめに
僕は機械学習系の研究室に所属している大学院生で、普段はPythonを用いてコードを書いています。また、Apple信者でもあるのでSwiftでアプリを作ることもあります。
SwiftにはCore ML1というApple製の機械学習ライブラリが存在します。Core MLは、mlmodelファイルをプロジェクトにドラッグ&ドロップするだけでモデルを使うためのコードが自動生成されるため、とても便利です。一方で、複数のモデルを扱うときに少し不便なことがあります。
機械学習系の研究をする際、複数の機械学習モデルを比較することが大いにあると思います。Pythonの場合は、
models = {
"Random Forest": RandomForestClassifier(),
"SVM": SVC(),
"VGG16": ...
}
for model in models:
model.fit()
outputs = model.predict()
...
のようにして、辞書(もしくは配列)にしておくことでfor文で複数のモデルを実行することができます。
しかし、Swiftの場合、静的型付けであるため動的型付けであるPythonのように違うクラス・型のものを辞書や配列に入れて扱うのは難しいと思います。そこで今回は、複数のCore MLモデル(mlmodel)を比較したり切り替えたいというときに、コードを共通化する方法を記事にしたいと思います。
(今回は、Visionを用いたものではなくMLMultiArray2を入力とするCore MLモデルを想定しています)
環境
- Xcode 12.2
- macOS 11.0.1
mlmodelを統一的に扱う
プロトコルを作る
MyModel.mlmodelファイルをXcodeにドラッグ&ドロップすると自動的にSwiftのコードが生成され、MyModelInput、MyModelOutput、MyModelの3つのクラスができます。MyModelInputとMyModelOutputはMLFeatureProvider3というプロトコルに準拠していますが、MyModelはMLModelを持っているだけで単体のクラスとして生成されます。
そこで、プロトコルを作成しMyModelを拡張して準拠させることで統一したルールで扱うことができるようにします。また、生成されたコードのpredictionの戻り値はMyModelOutputでありmlmodelごとに異なるため、predictionの戻り値も統一的に扱えるようにします。今回は戻り値をStringにしましたが、クラスラベルの列挙型を作成しても良いと思います。
protocol MLModelUnification {
func prediction(input: MLMultiArray) throws -> String
func predictions(inputs: [MLMultiArray]) throws -> [String]
}
モデルのクラスを拡張する
次に作成したプロトコルをモデルのクラスに準拠させるためにモデルのクラスを拡張します。
VGG16.mlmodelとResNet50.mlmodelの2つのモデルがあった場合の例を示します。2つのモデルの出力にあたるVGG16OutputとResNet50Outputは、
-
classLabel: String: 予測ラベル -
Identity: [String : Double]: 各ラベルの予測確率
を持っているとします。
extension VGG16: MLModelUnification {
func prediction(input: MLMultiArray) throws -> String {
let output = try self.prediction(input: VGG16Input(input: input))
return output.classLabel
}
func predictions(inputs: [MLMultiArray]) throws -> [String] {
var results: [String] = []
try inputs.forEach { (input) in
let output = try self.prediction(input: VGG16Input(input: input))
results.append(output.classLabel)
}
return results
}
}
extension ResNet50: MLModelUnification {
func prediction(input: MLMultiArray) throws -> String {
let output = try self.prediction(input: ResNet50Input(input: input))
return output.classLabel
}
func predictions(inputs: [MLMultiArray]) throws -> [String] {
var results: [String] = []
try inputs.forEach { (input) in
let output = try self.prediction(input: ResNet50Input(input: input))
results.append(output.classLabel)
}
return results
}
}
複数のモデルで共通のコードを使うことができる
このようにプロトコルを作成しそれぞれのモデルのクラスを準拠させることで、予測部分のコードを共通化することができます。
var models: [MLModelUnification] = [
{
do {
return try VGG16(configuration: config)
} catch {
fatalError("Couldn't create VGG16")
}
}(),
{
do {
return try ResNet18(configuration: config)
} catch {
fatalError("Couldn't create ResNet 18")
}
}()
]
for model in models {
let outputs = try model.prediction(inputs: inputs)
...
}
var model: MLModelUnification
// モデルを列挙したenumでswitch文
switch selectedModel {
case .vgg16:
model = {
do {
return try VGG16(configuration: config)
} catch {
print(error)
fatalError("Couldn't create VGG16")
}
}()
case .resnet18:
model = {
do {
return try ResNet18(configuration: config)
} catch {
print(error)
fatalError("Couldn't create ResNet 18")
}
}()
}
let output = try model.prediction(input: input)
...
おわりに
今回は、Core MLモデル(mlmodel)で生成される機械学習モデルのクラスを統一的に扱う方法についてまとめました。個人的に、Swiftの便利なところの1つはextensionだなぁと思いました。同じようなことをしようとしている記事を見かけなかったので、CoreML上では複数のモデルを切り替えたり比較することがあまりないかも知れませんが、もし同じようなことがしたい方がいれば参考にしてくれると嬉しいです。
M1 Mac mini欲しさに、「ちょっとした工夫で効率化！【PR】パソナテック Advent Calendar 2020」に向けて記事を書きました。初めてQiita記事を書いたため、拙い部分もあるかと思いますが、ここまで読んでくれてありがとうございました。
参考記事
- Swiftのプロトコル
- MLMultiArrayの初期化の仕方: How to initialize a MLMultiArray in CoreML