Docker로 피트니스 AI 모델 구동하기 (1) - 이미지 내부 폴더 구조

사용 데이터 (피트니스 자세 이미지 - AI 허브)
https://aihub.or.kr/aidata/8051

길고 긴 시간 끝에 docker 설치를 끝내고, 이미지 로드까지 성공했다!

• 우선 지금 사용하고 있는 노트북에는 nvidia 그래픽이 없어서 GPU로 돌릴 수가 없다.
• 그래서 크롬 원격으로 다른 데스크톱으로 돌려 볼 예정이고, 그 전까지는 내부 폴더 구조 및 코드 리뷰를 해볼 생각이다.

---

• 코드는 Ubuntu 18.04 및 CUDA 10.1에 따라 개발
• PyTorch 1.3.1 사용

---

1. 내부 폴더 구조

${ROOT}  
|-- data  
|-- demo
|-- common  
|-- main  
|-- output 
|-- tool

• data contains data loading codes and soft links to images and annotations directories.
• demo contains demo codes.
• common contains kernel codes for FitNet.
• main contains high-level codes for training or testing the network.
• output contains log, trained models, visualized outputs, and test result.
• tool contains data pre-processing code (get_exercise_dict.py), which makes exercise_dict.json.

여기서 main 폴더 안의 코드들이 neural network를 학습시키고 테스트할 수 있는 주요 코드들 ❗

---

1-1. data

${ROOT}  
|-- data  
|   |-- Sleek 
|   |-- |-- data
|   |   |   |-- exercise_dict.json
|   |   |   |-- Day01_200921_F
|   |   |   |-- Day02_200922_F
...
|   |   |   |-- Day34_201106_F

---

1-2. main

${ROOT}  
|-- main  
|   |-- config.py  
|   |-- model.py  
|   |-- run_test.py
|   |-- run_train.py
|   |-- test.py
|   |-- train.py

---

1-3. output

${ROOT}  
|-- output  
|   |-- log  
|   |-- model_dump  
|   |-- result  
|   |-- vis  

• 대용량 저장 공간이 필요하므로 소프트 링크 형식으로 output 폴더를 만드는 것이 좋음
• log folder contains training log file.
• model_dump folder contains saved checkpoints for each epoch.
• result folder contains final estimation files generated in the testing stage.
• vis folder contains visualized results.

---

2. Running FitNet

• 3.7.3 버전 이상의 python과 본인의 OS에 맞는 pytorch 설치하기
• main/config.py에서 모델에 관한 하이퍼 파라미터 설정 가능 (network backbone and input size, ..)

💡 두 가지 단계

• 1) exer
  ⇒ 운동 유형을 예측하도록 학습 (e.g., push up and benchpress)
• 2) attr
  ⇒ 운동 속성을 예측하도록 학습 (e.g., too fast)

---

2-1. Train

• stage의 인자 값으로 exer를 넘기면 운동의 종류, attr을 넘기면 운동의 상태를 학습

1) exer

• main 폴더 안에서 실행

python train.py --gpu 0-3 --stage exer --exer_idx -1

• --gpu 0-3 대신 --gpu 0,1,2,3 사용 가능

---

2) attr

• main 폴더 안에서 실행

python train.py --gpu 0-3 --stage attr --exer_idx $EXER_IDX

• --gpu 0-3 대신 --gpu 0,1,2,3 사용 가능
• $EXER_IDX는 data/Sleek/data/excise_dict.json에 정의된 exercise index

---

💡 Batched training

• 운동의 수가 많기 때문에, exer, attr 단계에서 모든 운동에 대해 학습시킬 수 있는 batched training script 제공

python run_train.py

---

2-2. Test

• 학습된 모델은 output/model_dump/에 위치
• exer과 attr 중에서 테스트하고 싶은 단계 선택

• main 폴더 안에서 실행

python test.py --gpu 0-3 --stage $STAGE --test_epoch 20 --exer_idx $EXER_IDX

• --gpu 0-3 대신 --gpu 0,1,2,3 사용 가능
• $STAGE는 exer, attr 둘 중 하나여야 함
• $EXER_IDX는 $STAGE가 exer일 때 -1
  그렇지 않으면 exercise_dict.json에서 선택

---

💡 batched test

• main 폴더 안에서 실행

python run_test.py

---

3. 결과 예시

---

🔎

• 스쿼트, 푸쉬업, 플랭크만 뽑아서 모델 개발하기
• pytorch -> tensorflow lite