DEEPstation version 0.1.0

Browser based GUI deep learning tool.

DEEPstation is tested on Ubuntu 14.04. We recommend them to use DEEPstation, though it may run on other systems as well.

• NVIDIA CUDA Technology GPU and drivers
• Python 2.7
  • python-opencv
• SQLite3

• Chainer 1.5 http://chainer.org
• bottle
• bottle_sqlite
• cv2
• PyYAML

• Edit settings.yaml to set paths for saving files.
• Setup database. Try command below on root directory of DEEPstation.
  sqlite3 deepstation.db < ./scheme/deepstation.sql
• Startup server. python main.py
• Access http://localhost:8080 on your browser.
  If you have changed hostname and port on settings.yaml, use that one.

• Upload dataset from '+new' button on Dataset section on top page.
• Dataset is a zip file which contains classifeid images by directory like Caltech 101 dataset.

• Make model from '+new' button on Models section on top page.
• Select network template from list.
• Edit it, if you want.
• Press 'Create' button. Then model is created and move to model detail page.

• Select created Model from top page.
• Press 'start train' button.
  • Fill in forms and start train.

• Move to 'Model' page.
• Chose 'Epoch' which you want to use for inspection.
• Press 'inspect' button.
• Select image(.jpg) for inspection.
• Press 'Submit'. Then you will see the result of inspection.

Training makes a lot of temporary images on your prepared_data directory.
If you want to remove these images, access http://localhost:8080/cleanup on your browser.
It removes temporary images IMMEDIATELY.

• MIT License

ブラウザベースのGUI深層学習ツール

DEEPstationはUbuntu14.04でテストしています。 Ubuntu上で動かすことをおすすめしますが、他のプラットフォームでも動作します。

• NVIDIA CUDA Technology GPU and drivers
• Python 2.7
  • python-opencv
• SQLite3

• Chainer 1.5 http://chainer.org
• bottle
• bottle_sqlite
• cv2
• PyYAML

• 各種ファイルの保存場所をsettings.yamlに定義します。
• データベースのセットアップを行います。DEEPstationをダウンロードしたディレクトリで下記のコマンドを実行してください。
  sqlite3 deepstation.db < ./scheme/deepstation.sql
• サーバを起動します。DEEPstationをダウンロードしたディレクトリで python main.pyを実行します
• ブラウザで http://localhost:8080 にアクセスします。
  settings.yamlでhostnameとportを変更している場合はそちらを利用してください。

• トップページで、Datasetのセクションにある'+new'ボタンを押します。
• Datasetはzipで圧縮された、ディレクトリ毎にカテゴリ分けされた画像セットです。Caltech 101のような構造になっている必要があります。

• トップページで、Modelsのセクションにある'+new'ボタンを押します。
• Networkのテンプレートが用意されているので、そちらを選択します。
  • 必要であればその場で編集してください。編集しないでも動きます。
• 'Create'ボタンをおすとModelが作成され、Modelの詳細画面に遷移します。

• トップページで、作成済みモデルを選択します。
• 'start train'ボタンを押します。
  • フォームを埋めて学習を開始します。

• トップページから学習済みModel('Trained'となっているModel)に移動します。
• 予測に利用する学習済みモデルのEpochを指定します。
• 'inspect'ボタンを押します。
• 予測させたい画像(jpg)を選択します。
• 'Submit'ボタンを押します。すると、予測結果が表示されます。

学習ではたくさんの一時ファイルをprepared_dataディレクトリに作成します。
もし、これらの画像を削除したい場合は http://localhost:8080/cleanup にブラウザでアクセスします。 すると、作成された一時ファイルが ただちに 削除されます。

• MIT License