次の方法で共有

チュートリアル: Windows Machine Learning の UWP アプリケーションの作成 (C#)

  • [アーティクル]

このチュートリアルでは、トレーニング済みの機械学習モデルを使ってユーザーが描画した数字を認識する、簡単なユニバーサル Windows プラットフォーム アプリケーションをビルドします。 このチュートリアルでは、UWP アプリケーションで Windows ML を読み込んで使用する方法に主に焦点を当てています。

次のビデオでは、このチュートリアルの基になるサンプルについて説明します。


完了したチュートリアルのコードだけを確認したい場合は、WinML GitHub リポジトリを参照してください。 C++/CX でも利用できます。

前提条件

  • Windows 10 (バージョン 1809 以降)
  • Windows 10 SDK (ビルド 17763 以降)
  • Visual Studio 2019 (または Visual Studio 2017 バージョン 15.7.4 以降)
  • Visual Studio 2019 または 2017 用の Windows Machine Learning Code Generator 拡張機能
  • UWP と C# のいくつかの基本的な知識

1. Visual Studio でプロジェクトを開く

GitHub からプロジェクトをダウンロードしたら、Visual Studio を起動し、MNIST_Demo .sln ファイル (<リポジトリのパス>\Windows-Machine-Learning\Samples\MNIST\Tutorial\cs にあります) を開きます。 ソリューションが利用不可と表示される場合は、ソリューション エクスプローラーでプロジェクトを右クリックし、[プロジェクトの再読み込み] を選択する必要があります。

以下の XAML コントロールとイベントを実装したテンプレートを用意しました。

  • 数字を描画するための InkCanvas。
  • 数字を解釈するためのボタンとキャンバスをクリアするためのボタン。
  • InkCanvas の出力を VideoFram に変換するヘルパー ルーチン。

ソリューション エクスプローラー内のプロジェクトには、次の 3 つの主なコード ファイルがあります。

  • MainPage.xaml - InkCanvas、ボタン、ラベルの UI を作成する XAML コードがすべて含まれています 。
  • MainPage.xaml.cs - アプリケーション コードが含まれています。
  • Helper.cs - トリミングと画像形式の変換を行うヘルパー ルーチンが含まれています。

Visual Studio solution explorer with project files

2. プロジェクトをビルドして実行する

Visual Studio のツールバーで、ソリューション プラットフォームを、デバイスが 64 ビットの場合は x64 に変更して、ローカル コンピューターでプロジェクトを実行するようにし、32 ビットの場合は x86 に変更します。 (Windows 設定アプリで確認できます: [システム] > [バージョン情報] > [デバイスの仕様] > [システムの種類]。)

プロジェクトを実行するには、ツール バーの [デバッグの開始] ボタンをクリックするか、F5 キーを押します。 アプリケーションには、ユーザーが数字を描画できる InkCanvas、数字を解釈する [Recognize] (認識) ボタン、解釈された数字がテキストとして表示される空のラベル、InkCanvas をクリアする [Clear Digit] (数字のクリア) ボタンが表示されます。

Application screenshot

Note

プロジェクトがビルドされない場合は、プロジェクトのデプロイのターゲット バージョンを変更する必要が生じることがあります。 ソリューション エクスプローラーでプロジェクトを右クリックし、[プロパティ] を選びます。 [アプリケーション] タブで、使用している OS と SDK に合わせて、[ターゲット バージョン] と [最小バージョン] を設定します。

Note

アプリケーションがすでにインストールされていることを示す警告が表示された場合は、[はい] を選択してデプロイを続行します。 まだ動作しない場合は、Visual Studio を閉じて再度開く必要がある場合もあります。

3. モデルをダウンロードする

次に、アプリケーションに追加する機械学習モデルを入手します。 このチュートリアルでは、Microsoft Cognitive Toolkit (CNTK) を使ってトレーニングされ、ONNX 形式にエクスポートされた事前トレーニング済みの MNIST モデルを使用します。

MNIST モデルはすでに Assets フォルダーに含まれているので、これを既存の項目としてアプリケーションに追加する必要があります。 GitHub の ONNX Model Zoo から事前トレーニング済みの ONNX モデルをダウンロードすることもできます。

4. モデルの追加

ソリューション エクスプローラーで [Assets] フォルダーを右クリックし、[追加]>[既存の項目] を選択します。 ファイル ピッカーで ONNX モデルの場所を参照し、[追加] をクリックします。

プロジェクトには、次の 2 つの新しいファイルが必要です。

  • mnist.onnx - トレーニング済みのモデル。
  • mnist.cs - Windows ML で生成されたコード。

Solution explorer with new files

アプリケーションのコンパイル時にモデルがビルドされるようにするために、mnist.onnx ファイルを右クリックし、[プロパティ] を選択します。 [ビルド アクション] で、[コンテンツ] を選択します。

ここで、mnist.cs ファイルの新しく生成されたコードを見てみましょう。 次の 3 つのクラスがあります。

  • mnistModel は、機械学習モデルの表現を作成し、システムの既定のデバイスでセッションを作成し、特定の入力と出力をモデルにバインドして、モデルを非同期に評価します。
  • mnistInput では、モデルが想定する入力の型を初期化します。 この場合、入力には ImageFeatureValue が想定されています。
  • mnistOutput は、モデルによる出力の型を初期化します。 この場合、出力は、TensorFloat 型の Plus214_Output_0 というリストになります。

これらのクラスを使って、プロジェクトでモデルを読み込み、バインドし、評価していきます。

5. モデルの読み込み、バインド、評価を行う

Windows ML アプリケーションでは、"読み込み > バインド > 評価" というパターンに従う必要があります。

  1. 機械学習モデルを読み込む。
  2. 入力と出力をモデルにバインドする。
  3. モデルを評価して結果を確認する。

ここでは、mnist.cs に生成されたインターフェイス コードを使って、アプリケーションでモデルを読み込み、バインドし、評価します。

最初に、MainPage.xaml.cs で、モデル、入力、出力をインスタンス化します。 次のメンバー変数を MainPage クラスに追加します。

private mnistModel ModelGen;
private mnistInput ModelInput = new mnistInput();
private mnistOutput ModelOutput;

その後、LoadModelAsync でモデルを読み込みます。 このメソッドは、モデルのいずれかのメソッドを使用する前に (つまり、MainPage の Loaded イベントで、OnNavigatedTo オーバーライドで、または recognizeButton_Click が呼び出される前の任意の場所で) 呼び出す必要があります。 mnistModel クラスは、MNIST モデルを表し、システムの既定のデバイスでセッションを作成します。 モデルを読み込むには、CreateFromStreamAsync メソッドを呼び出し、パラメーターとして ONNX ファイルを渡します。

private async Task LoadModelAsync()
{
    // Load a machine learning model
    StorageFile modelFile = await StorageFile.GetFileFromApplicationUriAsync(new Uri($"ms-appx:///Assets/mnist.onnx"));
    ModelGen = await mnistModel.CreateFromStreamAsync(modelFile as IRandomAccessStreamReference);
}

Note

IRandomAccessStreamReference の下に赤い下線が表示された場合は、その名前空間を含める必要があります。 その上にカーソルを置き、Ctrl + . キーを押して、ドロップダウン メニューから [using Windows.Storage.Streams] を選択します。

次に、入力と出力をモデルにバインドします。 生成されたコードには、mnistInput と mnistOutput のラッパー クラスも含まれています。 mnistInput クラスはモデルが想定する入力を表し、mnistOutput クラスはモデルが想定する出力を表します。

モデルの入力オブジェクトを初期化するには、mnistInput クラスのコンストラクターを呼び出して、アプリケーション データを渡します。このとき、入力データが、モデルが想定する入力型と一致している必要があります。 mnistInput クラスは ImageFeatureValue を想定しているため、ここではヘルパー メソッドを使って入力用の ImageFeatureValue を取得します。

helper.cs に含まれるヘルパー関数を使って、InkCanvas の内容をコピーし、ImageFeatureValue 型に変換して、モデルにバインドします。

private async void recognizeButton_Click(object sender, RoutedEventArgs e)
{
    // Bind model input with contents from InkCanvas
    VideoFrame vf = await helper.GetHandWrittenImage(inkGrid);
    ModelInput.Input3 = ImageFeatureValue.CreateFromVideoFrame(vf);
}

出力は、指定された入力で EvaluateAsync を呼び出すだけです。 入力が初期化されたら、モデルの EvaluateAsync メソッドを呼び出して、入力データに対してモデルを評価します。 EvaluateAsync は、入力と出力をモデル オブジェクトにバインドし、入力に対してモデルを評価します。

モデルからは出力テンソルが返されるため、まずそれをわかりやすいデータ型に変換してから、返されたリストを解析して、最も可能性の高い数字を判断し、それを表示する必要があります。

private async void recognizeButton_Click(object sender, RoutedEventArgs e)
{
    // Bind model input with contents from InkCanvas
    VideoFrame vf = await helper.GetHandWrittenImage(inkGrid);
    ModelInput.Input3 = ImageFeatureValue.CreateFromVideoFrame(vf);

    // Evaluate the model
    ModelOutput = await ModelGen.EvaluateAsync(ModelInput);

    // Convert output to datatype
    IReadOnlyList<float> vectorImage = ModelOutput.Plus214_Output_0.GetAsVectorView();
    IList<float> imageList = vectorImage.ToList();

    // Query to check for highest probability digit
    var maxIndex = imageList.IndexOf(imageList.Max());

    // Display the results
    numberLabel.Text = maxIndex.ToString();
}

最後に、InkCanvas を消去して、ユーザーが別の数字を描画できるようにします。

private void clearButton_Click(object sender, RoutedEventArgs e)
{
    inkCanvas.InkPresenter.StrokeContainer.Clear();
    numberLabel.Text = "";
}

6. アプリケーションを起動する

アプリケーションをビルドして起動する (F5 キーを押す) と、InkCanvas に描画された数字を認識できるようになります。

complete application

これで初めての Windows ML アプリケーションが完成しました。 Windows ML の使い方を紹介する他のサンプルについては、GitHub の Windows-Machine-Learning をリポジトリを確認してください。

Note

Windows ML に関するヘルプについては、次のリソースを参照してください。

  • Windows ML に関する技術的な質問をしたり、質問に回答したりするには、Stack Overflow の windows-machine-learning タグを使用してください。
  • バグを報告するには、GitHub で問題を提出してください。