6
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 3 years have passed since last update.

PostgreSQL+Jetson Nano

Last updated at Posted at 2020-12-19

この記事はPostgreSQL Advent Calendar 2020の20日目の記事です。
昨日はU_ikkiさんのpsqlの最新機能に関する記事でした。とてもタメになる内容でしたね!本日の記事も皆さんのお役に立てるよう頑張って書きましたので、ご査収のほどよろしくお願い申し上げます。

はじめに

今年は「Stay Home」な期間も長く家にいることが多かった1年でした。
休日暇になることも多々あり、押し入れに眠っていたJetson Nanoを目覚めさせて遊ぶことにしました!
昨年、金持ちになることを夢見てがんばってみましたが、人生そう甘くなかったので、引き続きPythonで金持ち目指します。

Jetson Nano

NVIDIA社が提供するGPU付のデバイスです。
https://www.nvidia.com/ja-jp/autonomous-machines/embedded-systems/jetson-nano/

一言で言うと、GPUラズパイ 。
Jetson Nano

Jetson Nanoのスペック概要は以下の通りです。

モジュール スペック 備考
GPU 128 基の NVIDIA Maxwell™ GPU ちょっと古い型番らしい
CPU クアッドコア ARM® Cortex®-A57 MPCore プロセッサ ラズパイ4より劣るけど、まあまあ
Memory 4 GB 64 ビット LPDDR4 25.6GB/s 最近2GBモデルも出たらしい

Let's play!

さてPostgreSQLでGPUといえば「PG-Strom」でしょ!と言うことで早速環境構築に取りかかりました。

インストールマニュアルを読み始めます。
https://heterodb.github.io/pg-strom/ja/install/

だがしかし。
最初のチェックリストでGPUの型番をチェックできるのですが、Maxwellアーキテクチャのところに、、、
「Sorry, all the Maxwell architecture are NOT supported.」

「ごめんね、全てのMaxwellアーキテクチャはサポートされないんよ。」

ΩΩΩ<な、なんだってー!?

まぁ、Jetson Nanoはエントリーモデルと言うこともあり、GPU型番が古すぎたのでしょう。
オワタ\(^o^)/

再出発

嘆いていてもしょうがないので、気持ちを切り替えてとりあえず環境構築。
OSはJetson Download Centerからダウンロードします。
ラズパイ同様、チョロチョロっと設定すれば簡単にセットアップできます(新旧いろんな情報が乱立してて、VNC接続はてこずりましたが)。
無事、起動!
JetsonNanoBoost
Ubuntu18.04ベースのOSが入ります。

$ cat /etc/os-release 
NAME="Ubuntu"
VERSION="18.04.5 LTS (Bionic Beaver)"
ID=ubuntu
ID_LIKE=debian
PRETTY_NAME="Ubuntu 18.04.5 LTS"
VERSION_ID="18.04"
HOME_URL="https://www.ubuntu.com/"
SUPPORT_URL="https://help.ubuntu.com/"
BUG_REPORT_URL="https://bugs.launchpad.net/ubuntu/"
PRIVACY_POLICY_URL="https://www.ubuntu.com/legal/terms-and-policies/privacy-policy"
VERSION_CODENAME=bionic
UBUNTU_CODENAME=bionic

続けてPostgreSQLのインストール。
本家サイトを参考にapt-getでインストールしてみました。ついでに今回の主役であるPL/Pythonも(pythonのバージョンが3.6.9だったので、plpython3uを使う)。

$ sudo sh -c 'echo "deb http://apt.postgresql.org/pub/repos/apt $(lsb_release -cs)-pgdg main" > /etc/apt/sources.list.d/pgdg.list'
$ wget --quiet -O - https://www.postgresql.org/media/keys/ACCC4CF8.asc | sudo apt-key add -
$ sudo apt-get update
$ sudo apt-get -y install postgresql

$ sudo apt-get install postgresql-plpython3-13

これでOK。PostgreSQL13.1が入りました。

$ psql -c "SELECT version()"
                                                                   version                                                                    
----------------------------------------------------------------------------------------------------------------------------------------------
 PostgreSQL 13.1 (Ubuntu 13.1-1.pgdg18.04+1) on aarch64-unknown-linux-gnu, compiled by gcc (Ubuntu/Linaro 7.5.0-3ubuntu1~18.04) 7.5.0, 64-bit
(1 行)

あとは適宜、対象データベースにCREATE LANGUAGEで登録するだけ。

testdb=# CREATE LANGUAGE plpython3u;
CREATE LANGUAGE

ほぼほぼラズパイと同様に構築できました。

GPUを効果的に使うツールインストール

JetPack SDKと言うパッケージをインストールすると、様々なライブラリやらフレームワークで効果的にGPUを使うアプリケーションを作成できるとのこと。
https://docs.nvidia.com/jetson/jetpack/install-jetpack/index.html

OSに同梱されてるのがちょっと古くなってたので、アップグレード。

$ sudo apt install nvidia-jetpack

あと、GPUモニタリングツールも。

$ sudo -H pip install jetson-stats

jtopコマンド使ってGPUの使用状況など確認できるようになります。

jtopコマンド

作る

環境は整ったので、アプリケーションを作って行こうと思います。

最近、歳のせいか物忘れがひどいです。

と言うことで、我が家のNASにある写真を類似画像検索できるようにします!

我が家では、「/mnt/share/Picture」配下にスマホとかで撮った写真をズコズコ突っ込んでます。
↓の感じ。

/mnt/share/Picture
├── 2002
│   ├── 2002.02.07
│   │   ├── DSCF0001.JPG
│   │   ├── DSCF0002.JPG
.......
├── 2003
│   ├── 2003.02.08
│   │   ├── DSCF0001.JPG
│   │   ├── DSCF0002.JPG
.......
├── 2019
│   └── 20190914
│       ├── P9141066.jpg
.......

たまに「XXXみたいな写真どっかにあったよなぁ〜」と探すのですが、15年以上前に撮った写真がどこにあるかなんて探せませんorz
と言うことで、ここを推論やら画像認識やらで助けてもらうようにします。

軽くググってみると、すでに開発は完了したらしいけどChainerの情報が多かったので、こいつに助けてもらいます。VGG16ってので画像認識/分類ができるって。

先人の教えに従い、なんとかChainerも動くようになりました。

システム構成

全体像は以下のようにしました。
2020PGAC.png

1. VGG16学習データの用意

以下のようにすると、実行したユーザの.chainer/dataset/pfnet/chainer/models配下にVGG_ILSVRC_16_layers.npzと言うファイルがダウンロードされるので、postgresユーザの~/.chainer/dataset/pfnet/chainer/modelsにコピー。

from chainer.links import VGG16Layers
vgg16 = L.VGG16Layers()

んで、PostgreSQL再起動すればOK。
(案の定、GPUを認識させるにはpostgresユーザにいろんな権限付けないとダメでした。とりあえず全部つけた)

2. 写真の分類とヒストグラム値計算

次のSQL関数を登録。
全てのレコードを実行するとメモリ不足(?)でJetson Nanoが落ちてしまうので、10件づつ処理してます。
それでも6000ファイルで7時間位かかった・・・

CREATE OR REPLACE FUNCTION pict2hist(tbl TEXT, from_idx INT, to_idx INT)
  RETURNS VOID
AS $$
	import cv2
	import os
	import cupy as cp
	from chainer import functions as F
	from chainer import links as L
	from PIL import Image

	SIZE = 256
	IMG_SIZE = (224, 224)
	img_gpu_src = cv2.cuda_GpuMat()
	img_gpu_dst = cv2.cuda_GpuMat()
	vgg16 = L.VGG16Layers()
	s_query = "SELECT pid, img FROM " + tbl \
			+ " WHERE hist IS NULL AND pid >= " + str(from_idx) + " AND pid <= " + str(to_idx)
	plpy.log(s_query)
	u_query_a = "UPDATE " + tbl
	plan = plpy.prepare(u_query_a + " SET class = $1, hist = $2 WHERE pid = $3", ["int", "bytea", "int"])
	rv = plpy.execute(s_query)
	cnt = rv.nrows()
	for i in range(cnt):
		idx = rv[i]["pid"]
		plpy.log(idx)
		# Read Image
		comparing_img_path = rv[i]["img"]
		comparing_img = cv2.imread(comparing_img_path, 0)

		img_gpu_src.upload(comparing_img)
		img_gpu_dst = cv2.cuda.resize(img_gpu_src, IMG_SIZE)
		img_dst = img_gpu_dst.download()

		# Class
		vgg16.to_gpu()
		img = L.model.vision.vgg.prepare(img_dst)
		img = img[cp.newaxis]
		img = cp.array(img, dtype=cp.float32)

		result = vgg16(img)
		val = F.argmax(result['prob'], axis=1)

		#print(val)
		this_class = val.item()

		# Histgram
		hist_tmp = cv2.calcHist([img_dst],[0],None,[SIZE],[0,SIZE])
		hist_bytes = hist_tmp.tobytes()

		tmp_rv = plpy.execute(plan, [this_class, hist_bytes, idx])
$$ LANGUAGE plpython3u;

VGG16の画像は224x224らしいので、写真も同じサイズに変換して分類(class列)。
あと類似画像検索で使うので、ヒストグラムを算出(hist列)。今回はグレースケール画像として扱ったので濃淡のヒストグラムになります。
ちなみに、hist列はbytea型にしたので、tobytesメソッドで変換して突っ込んでます。

VGG16の分類
VGG16のモデルファイルを使うと画像を1000個に分類できます。分類される項目は↓とか参考にしました。分類コードだけだとワケワカメなので、こいつも別テーブルに突っ込んでおきました。
https://github.com/davidgengenbach/vgg-caffe/blob/master/data/labels.txt

途中jtopで様子見すると、きちんとGPUも使われてる。
スクリーンショット 2020-11-18 22.09.34.png

3. 検索!

類似画像検索は、2つの画像のヒストグラムからコサイン類似度を求めます。

cos(\overrightarrow{p},\overrightarrow{q}) = \frac{\overrightarrow{p}・\overrightarrow{q}}{|\overrightarrow{p}||\overrightarrow{q}|}

結果は-1から1までの値となり、1に近いほど類似度が高いと判断します。

CREATE OR REPLACE FUNCTION extract_cpu(tbl TEXT, qry TEXT, OUT INTEGER, OUT TEXT, OUT INTEGER, OUT REAL)
  RETURNS SETOF record
AS $$
	import sys
	import cv2
	import numpy as np

	### VALUES
	IMG_SIZE = (224, 224)
	SIZE = 256

	### Read source image
	img_qry = cv2.imread(qry, 0)

	### Run with CPU
	img_dst = cv2.resize(img_qry, IMG_SIZE)
	qry_hist = cv2.calcHist([img_dst],[0],None,[SIZE],[0,SIZE])
	qry_hist = qry_hist.reshape([1,SIZE])

	def cos_sim(v1, v2):
		return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))

	s_query = "SELECT pid, img, class, hist FROM " + tbl
	rv = plpy.execute(s_query)
	cnt = rv.nrows()
	ret = []
	for i in range(cnt):
		pid = rv[i]["pid"]
		img = rv[i]["img"]
		cls = rv[i]["class"]
		target_hist = rv[i]["hist"]
		target_hist = np.frombuffer(target_hist, dtype=np.float32)
		score = cos_sim(qry_hist, target_hist)[0]
		ret.append([pid, img, cls, score])
	return ret
$$ LANGUAGE plpython3u;

bytea型(hist列)を読み込むときはNumpyのfrombufferが使えました。

Let's Try!

クエリ画像1:
手書きのtest_slonik_01.png。
test_slonik_01.png

検索結果1:

testdb=# SELECT * FROM extract_cpu('pict','/var/lib/postgresql/work/2020AdventCalendar/image/test_slonik_01.png'), classes WHERE column3 = cid ORDER BY column4 DESC LIMIT 3;
 column1 |                        column2                        | column3 |  column4  | cid |    no     |     class      
---------+-------------------------------------------------------+---------+-----------+-----+-----------+----------------
    1152 | /mnt/share/Pictures/wine/100002.jpg                   |     512 | 0.9983001 | 512 | n03100240 | convertible
     327 | /mnt/share/Pictures/2008/2008.05.11/tomo-taichi13.jpg |     681 | 0.9981289 | 681 | n03825788 | nipple
    1157 | /mnt/share/Pictures/wine/100007.jpg                   |     551 | 0.9979377 | 551 | n03297495 | espresso maker
(3 )

pid=1152、類似度0.9983001の10002.jpg。
100002.jpg

ワインw
うーん、画像の濃淡だけでヒストグラム作ってるので、全く違う画像がヒットしてしまう・・・
だめだこりゃ\(^o^)/

気を取り直して、超うまく書いたクエリ画像でトライ!

クエリ画像2:
トレースして書いたtest_slonik_02.png。
test_slonik_02.png

検索結果2:

testdb=# SELECT * FROM extract_cpu('pict','/var/lib/postgresql/work/2020AdventCalendar/image/test_slonik_02.png'), classes WHERE column3 = cid ORDER BY column4 DESC LIMIT 3;
 column1 |                          column2                          | column3 |  column4   | cid |    no     |          class           
---------+-----------------------------------------------------------+---------+------------+-----+-----------+--------------------------
    6773 | /mnt/share/Pictures/PostgreSQL_logo.3colors.120x120.png   |     512 | 0.93299615 | 512 | n03100240 | convertible
    3472 | /mnt/share/Pictures/2005/20051102-ishikawa/DSCF1276.JPG   |     896 | 0.87577224 | 896 | n04552348 | warplane, military plane
    2344 | /mnt/share/Pictures/2002/2002.02.07/MobilePhone_Jacky.JPG |     285 |  0.8745841 | 285 | n02123597 | Siamese cat, Siamese
(3 )

pid=6773、類似度0.93299615のPostgreSQL_logo.3colors.120x120.png。
PostgreSQL_logo.3colors.120x120.png

めちゃくちゃ丁寧にクエリ画像を用意できれば、きちんと結果を返してくれそうです。ただ、分類はまだまだ伸びしろがアリそうです(convertibleはオープンカーのことみたい)。

現場からは以上です。

まとめ

当初想定した操作をするには、絵画の力を伸ばす必要がありそうですが、まぁ下地はできたと言うことでよしとしましょう。(金持ちへの道は険しい・・・)
明日はtom-satoさんのPgpool-II 4.2のお話です!

6
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
6
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?