Skip to content

Latest commit

 

History

History
45 lines (26 loc) · 2.57 KB

README.md

File metadata and controls

45 lines (26 loc) · 2.57 KB

Обучение SAM c использованием LoRa

Конфигурации Nginx для зависимостей

Репозиторий Backend - интеграция модели

Базовые настройки для разработки

  1. Интерпретатор >=3.10,<3.13
  2. Поддержать код в хорошем состоянии black ./src -l 120 --target-version py310 -S
  3. .env_example - содержит базовые настройки для отправки данных в MonkeyFilesRobot
  4. .dvc/config_example.local - требуется переместить в .dvc/config.local, предоставляет доступ только для чтения по умолчанию

Для запуска без контейнера

  1. Установить poetry install
  2. Войти в окружение poetry shell
  3. dvc pull
  4. dvc repro

Датасет

  • RGB спутниковые снимки размером 10000x10000 пикселей в радио диапазоне

Pipeline DVC

Split

  • Создаёт датасет при помощи разделения снимков 10000x10000 на снимки размером 1024x1024 с разным перекрытием. Разделяет датасет на Train и Test. Скрипт разрезки работает многопоточно, при помощи библиотеки multiprocessing с использованием простых очередей, при этом используются все доступные потоки

Train

  • Обучает модель, записывает состояния эпох в plot/train/loss_scores_dict.json

Evaluate

  • Считает внутренний DiceLoss и метрику IoU для тестовой выборки. IoU для SAM эквивалентен confidence. На малых размерах выборки IoU из-за особенностей расчёта может незначительно превышать 1

Infer

  • Проводит инференц для трёх случайных изображений из Test. И отправляет сравнительную информацию в MonkeyFilesRobot

Частично вдохновлено

  1. https://github.com/WangRongsheng/SAM-fine-tune/tree/main