はじめに

DeepLabCutとは、ディープラーニングと画像処理を使用したマーカーレスの生物トラッキングツールです。
主に、動物の行動観察に使用されています。

DeepLabCut 論文
 DeepLabCut Github

今回は、Docker内でローカルで使用できるように環境構築しました。
モデルは、既存のモデルを使用して動作確認をしています。

Google Colabでの実行方法もあるので、グラウド環境が使用できる方は、そちらを使うほうが簡単です。

動作確認環境

Dockerを使用して環境を構築しました。

Ubuntu 18.04
CUDA 10.0
cudnn 7.6.4
Python 3.6.9
tensorflow-gpu==1.13.1

環境構築

Dockerを使用して作成しました。
元のイメージとして、OpenGLを含めたNvidiaのイメージを使用するところです。
このイメージだと、cudnnが入っていないので、予め公式ページからdebファイルをダウンロードしておきます。

Dockerfile

FROM nvidia/cudagl:10.0-devel-ubuntu18.04

ENV DEBIAN_FRONTEND=noninteractive

RUN apt-get update && apt-get -y upgrade &&\
    apt-get install -y git vim byobu tree wget \
    zlib1g-dev libssl-dev libffi-dev build-essential \
    checkinstall libreadline-gplv2-dev libncursesw5-dev \
    libssl-dev libsqlite3-dev tk-dev libgdbm-dev libc6-dev libbz2-dev \
    python3-dev python3-pip libgtk-3-dev libnotify-dev ffmpeg &&\
    rm -rf /var/lib/apt/lists/* /var/cache/apt/archives/*

RUN mkdir workspace
WORKDIR /workspace

RUN pip3 install -U pip
RUN pip3 install -U setuptools
RUN pip3 install -U -f https://extras.wxpython.org/wxPython4/extras/linux/gtk3/ubuntu-18.04 wxPython
COPY libcudnn7_7.6.4.38-1+cuda10.0_amd64.deb /workspace
RUN dpkg -i libcudnn7_7.6.4.38-1+cuda10.0_amd64.deb && rm libcudnn7_7.6.4.38-1+cuda10.0_amd64.deb
RUN pip3 install tensorflow-gpu==1.13.1
RUN pip3 install deeplabcut

上のファイルとcudnnのdebファイルのある場所で、下のコマンドを実行して環境をビルドする

$ docker build . -t yourname/deeplbacut:latest

ビルドが終わったら、以下のコマンドで環境に入ります。先にホストとのデータ受け渡しフォルダを作成しておくことをおすすめします。

$ mkdir ~/docker
$ docker run -it --gpus all --net host -e DISPLAY=$DISPLAY \
-v /tmp/.X11-unix:/tmp/.X11-unix -v ~/docker:/data \
yourname/deeplbacut:latest

実行方法

Model ZooのFull_Humanを実行します。

test.py

import deeplabcut

deeplabcut.create_pretrained_project('test_project1',             # プロジェクト名
                                     'yourname',                  # 自分の名前
                                     ['/data/output_origin.avi'], # 処理にかけたい動画をリスト形式で渡す
                                     videotype='avi',             # 動画のフォーマット指定
                                     copy_videos=True)            # 元動画を処置結果のディレクトリにコピーする

実行すると、実行したディレクトリに上記で指定の[プロジェクト名]-[自分の名前]-[実行日]のディレクトリが作成されます。
ディレクトリの中身は以下。

.
├── config.yaml # 学習・認識設定ファイル
├── dlc-models　# 使用したモデル
│   └── iteration-0
│       └── test_project1Jan9-trainset95shuffle1
│           ├── test
│           │   └── pose_cfg.yaml
│           └── train
│               ├── pose_cfg.yaml
│               ├── snapshot-103000.data-00000-of-00001
│               ├── snapshot-103000.index
│               ├── snapshot-103000.meta
│               ├── snapshot-103000.pb
│               └── snapshot-103000.pbtxt
├── labeled-data
│   └── output_origin
├── training-datasets
└── videos  # 出力データ
    ├── output_origin.avi
    ├── output_originDLC_resnet101_test_project1Jan9shuffle1_103000.csv
    ├── output_originDLC_resnet101_test_project1Jan9shuffle1_103000_filtered.csv
    ├── output_originDLC_resnet101_test_project1Jan9shuffle1_103000_filtered.h5
    ├── output_originDLC_resnet101_test_project1Jan9shuffle1_103000_filtered_labeled.mp4
    ├── output_originDLC_resnet101_test_project1Jan9shuffle1_103000.h5
    ├── output_originDLC_resnet101_test_project1Jan9shuffle1_103000_meta.pickle
    └── plot-poses
        └── output_origin
            ├── hist_filtered.png
            ├── plot_filtered.png
            ├── plot-likelihood_filtered.png
            └── trajectory_filtered.png

最後に

学習側を試せていないので、学習も試したいと思います（アノテーションがツライ）