Gradioとは
Gradio(グラディオ)とは、機械学習モデルのデモを行うWebアプリケーションを簡単に作ることができるPythonのライブラリーです。Gradioで作成したWebアプリケーションは、HuggingFaceのSpacesでアプリを公開することができます。
(現時点では、Gradio以外にも、Streamlitをサポートしています。)
Gradioの公式ページより、デモアプリケーションを確認できますので、一度確認してみてください。
Gradioをインストールする
Gradioをインストールは以下のコマンドをpipコマンドでインストールするだけです。
Macですとターミナル、Windowsですとコマンドプロンプトを起動し、次のコマンドを入力し実行(Enter)してください)
pip install gradio
Gradioの使い方
基本的な使い方は、Gradioを読み込み、Interface()
に関数と入力形式(画像、テキスト等)、出力形式の3つを渡しlaunch()
を実行するという記述を行うだけです。
説明だけですとわかりにくいため、アプリケーションを作りながら確認していきましょう。
おみくじアプリケーションを作ろう
まずはGradioを使って今日の運勢が表示されるおみくじWebアプリケーションを作ります。
実行環境はGradioがインストールされたGoogle Colabを利用します。
以下がコード全体です。
import random
import gradio as gr
def get_foturne(your_name):
fortune_lists = ['大吉', '吉', '小吉', '凶', '末吉']
fortune_result = random.choice(fortune_lists)
return your_name + "さんの今日の運勢は・・・" + fortune_result + "です"
demo = gr.Interface(fn=get_foturne,
inputs="text",
outputs="text")
demo.launch()
アプリケーションを実行すると、URLが発行されますが、Colab内にアプリケーションが表示されますので、
そこから動作の確認ができます。
名前を入力すると、運勢が表示されます。
花の種類を判定するWebアプリケーションを作ろう
先ほどは、Gradioを使っておみくじアプリケーションを作りましたが、次は機械学習を用いた花の種類を判定するアプリケーションを作ります。
今回はscikit-learn
でニューラルネットワークを用いて花を判定するモデルを作成し、学習済みモデルをGradio内から読み込み動作させます。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
import joblib
from sklearn.metrics import classification_report, accuracy_score
# データ取得
iris = load_iris()
x, y = iris.data, iris.target
# 訓練データとテストデータに分割
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.5, random_state=0)
# solverには確率的勾配降下法(sgd)やadamなどが利用可能です。
model = MLPClassifier(solver="sgd", random_state=0, max_iter=3000)
# 学習
model.fit(x_train, y_train)
pred = model.predict(x_test)
# 学習済みモデルの保存
joblib.dump(model, "nn.pkl", compress=True)
# 精度と近藤行列の出力
print("result: ", model.score(x_test, y_test))
print(classification_report(y_test, pred))
上記のプログラムを実行すると、花の判別する学習済みモデル(nn.pkl)が作成されます。
これをGradio内で呼び出し、花の判定を行います。
from flask import Flask, render_template, request, flash
from wtforms import Form, FloatField, SubmitField, validators, ValidationError
import numpy as np
import gradio as gr
import joblib
# 学習済みモデルを読み込み利用します
def predict(parameters):
# ニューラルネットワークのモデルを読み込み
model = joblib.load('./nn.pkl')
params = parameters.reshape(1, -1)
pred = model.predict(params)
return pred
# ラベルからIrisの名前を取得します
def getName(label):
print(label)
if label == 0:
return "Iris Setosa"
elif label == 1:
return "Iris Versicolor"
elif label == 2:
return "Iris Virginica"
else:
return "Error"
def recognition_flower(sepal_length, sepal_width, petal_length, petal_width):
x = np.array([int(sepal_length), int(sepal_width), int(petal_length), int(petal_width)])
pred = predict(x)
irisName = getName(pred)
return irisName
demo = gr.Interface(fn=recognition_flower,
inputs=[gr.Textbox(label="SepalLength"),
gr.Textbox(label="SepalWidth"),
gr.Textbox(label="PetalLength"),
gr.Textbox(label="PetalWidth")
],
outputs="text")
demo.launch()
それぞれ4つの入力フォームに萼(がく)の長さや、花びらの長さなどを数値を入れてボタンを押すことで、花の種類が表示されます。
まとめ
短期間で、AIアプリケーションのプロトタイプを作りたい方にはGradioはオススメです。是非オリジナルのAIアプリケーションを作ってみてください。
AI AcademyのWebアプリケーション開発編では、今回学んだGradioの主要なコンポーネントの説明や、アプリの公開方法、さらには、FlaskやFastAPIなどについても解説しております。それらの内容についても学びたい方はAI Academy Bootcampの受講も検討いただけますと幸いです。
Python・AI Webアプリ開発スキルを効率よく身につけるには
もっと学びたいと思われた方にAI Academy Bootcampの公式LINEをご紹介します。友だち登録してくださった方に無料講義や無料動画のご案内、受講割引クーポンのプレゼントもございます。
無料で始めるチャンスです!
AI技術は日進月歩で成長しています。AI Academy Bootcamp ではAI・データサイエンス、機械学習の実践力を高める全4コース40時間以上の動画が見放題!AIの学習に必須のPythonの学習から始まり、データサイエンス・機械学習など、目的に応じた幅広い分野をカバーしています。
無料講義や無料動画を試して頂いて、ご受講をご検討頂けましたら幸いです。