jihye-moon / riceseg

2022 AI 학습용 데이터 구축사업 (1차)

벼 생육이상 인식 데이터 의미론적 분할(Semantic Segmentation)

Preparation (Pre-requisites)

도커 이미지 복제 (Docker image)

Note: nvidia-docker2 is required. (maybe already installed)

docker pull ironluffy/rice:initial

깃 허브 복제 (Code - git clone)

git clone https://github.com/ironluffy/RiceSeg.git

MMSegmentation 설치 (Install MMSegmentation)

cd RiceSeg/mmsegmentation
pip install -v -e .

파일 구조 (Project directory structure)

Case 1(압축 된 상태): 코드를 실행하기 전에 파일 구조가 다음과 같은지 확인하십시오:

* Before running the code, please make sure the directory structure is as follows:

.
├── Dataset
│   ├── 1.원천데이터
│   │   ├── R20220726A25B1036.tif
│   │   ├── R20220726A25B1037.tif
│   │   └── ...
│   ├── 2.라벨링데이터
│   │   ├── R20220726A25B1036.json
│   │   ├── R20220726A25B1037.json
│   │   └── ...
├── RiceSeg
│   ├── README.md
│   ├── src
│   ├── mmsegmentation
│   ├── pretrained_ckpt
│   └── .gitignore
└── index.html

하위 모든 과정 RiceSeg 폴더에서 진행

데이터 전처리 (Data processing)

Case 1 : 위의 Case 1번은 아래의 전처리 파일을 실행하세요.

* For Case 1 above, run the preprocessing file below.

python3 src/data_preprocess.py

훈련 (Train)

확인사항 (Check-list)

mmsegmentation/configs/_base_/datasets/rice.py의 data_root는 데이터 폴더의 경로여야 합니다.

```python
dataset_type = 'RiceDataset'
data_root= '../data'
...
```

훈련 데모 (Training Demo)

본 과제에서의 최종모델은 Segformer 입니다. Knet, Segmenter 모델은 성능비교를 위해 제공합니다.

Segformer

python3 ./mmsegmentation/tools/train.py ./mmsegmentation/configs/rice/segformer_mit-b4_lovasz_gne_chw.py

KNet

python3 mmsegmentation/tools/train.py mmsegmentation/configs/rice/knet_s3_upernet_swin-l_lovasz_gne_chw.py

Segmenter

python3 ./mmsegmentation/tools/train.py ./mmsegmentation/configs/rice/segmenter_vit-b_mask.py

맞춤형 훈련 파이프라인 (Customize training pipeline)

훈련 구성 (Training configurations)

사용자는 mmsegmentation/configs/rice 폴더에 파일을 참조하고 구성파일을 추가할 수 있습니다. mmsegmentation/configs/_base_/models 폴더에 미리 정의된 여러개의 모델을 사용할 수 있으며 새로운 모델을 추가할 수 있습니다.mmsegmentation/configs/_base_/datasets에서 데이터 세트의 구성을 변경할 수 있으며 기본데이터 세트는mmsegmentation/configs/_base_/datasets의 rice_gne_chw.py입니다.

* Please refer to the files in mmsegmentation/configs/rice and add a new configuration file you want to use. You can use several pre-defined models in mmsegmentation/configs/_base_/models and you can add a new model in there. Also, you can change the configuration of dataset as well, in mmsegmentation/configs/_base_/datasets. The default dataset is rice_gne_chw.py in mmsegmentation/configs/_base_/datasets.

---

사용자가 모델의 모델 학습 반복횟수(iterations)를 늘리거나 줄이려는 경우 훈련을 위한 기본 런타임 구성인 mmsegmentation/configs/_base_/rice_runtime.py를 참조하십시요.

* If you want to increase/decrease the nubmer of iterations. Please refer to the fiels in mmsegmentation/configs/_base_/rice_runtime.py which is the the basic run-time configuration for tranining.

---

Tips. 생각보다 성능이 나오지 않는다면 여러개의 GPU를 사용하여 ./mmsegmentation/tools/train.py 대신 ./mmsegmentation/tools/dist_train.sh를 사용하시길 권장드립니다.

* If you want to your multiple GPUs, your ./mmsegmentation/tools/dist_train.sh instead of ./mmsegmentation/tools/train.py. (Try it if the performance is lower than you think)

---

테스트(TEST)

python3 ./mmsegmentation/tools/test.py .{config file path} {checkpoint_path} --eval mIoU 

테스트 결과를 저장하려면 명령어에 --show-dir {출력 경로}를 추가하십시오.

* Optionally, if you want to save inference results, please add --show-dir {output path} to the command.

예시(Examples) (정상 vs. 도복 vs. 도열 vs. 결주 vs. 생육부진)

KNet

훈련이 종료된 후 (After training step finished)

python3 mmsegmentation/tools/test.py mmsegmentation/configs/rice/knet_s3_upernet_swin-l_lovasz_gne_chw.py ./work_dirs/knet_s3_upernet_swin-l_lovasz_gne_chw/latest.pth --eval mIoU

또는 모델의 체크포인트가 제공될 때 (using provided best checkpoint [tentative])

python3 mmsegmentation/tools/test.py mmsegmentation/configs/rice/knet_s3_upernet_swin-l_lovasz_gne_chw.py ./best_ckpt/knet.pth --eval mIoU

Segmenter

훈련이 종료된 후 (After training step finished)

python3 mmsegmentation/tools/test.py mmsegmentation/configs/rice/segmenter_vit-b_lovasz_gne_chw.py ./work_dirs/segmenter_vit-b_mask/latest.pth --eval mIoU

또는 모델의 체크포인트가 제공될 때 (using provided best checkpoint [tentative])

python3 mmsegmentation/tools/test.py mmsegmentation/configs/rice/segmenter_vit-b_lovasz_gne_chw.py ./best_ckpt/segmenter.pth --eval mIoU

Segformer

훈련이 종료된 후 (After training step finished)

python3 mmsegmentation/tools/test.py mmsegmentation/configs/rice/segformer_mit-b4_lovasz_gne_chw.py ./work_dirs/segformer_mit-b4_lovasz_gne_chw/latest.pth --eval mIoU

또는 모델의 체크포인트가 제공될 때 (using provided best checkpoint [tentative])

python3 mmsegmentation/tools/test.py mmsegmentation/configs/rice/segformer_mit-b4_lovasz_gne_chw.py ./best_ckpt/segformer.pth --eval mIoU

단일 비교(Specific configurations) (e.g., 정상 vs. 생육부진)

mmsegmentation/configs/{class_name} 를 참조하시길 바랍니다. 예를 들어 정상 vs. 결주로 모델을 테스트하고 싶다면 다음 명령어를 사용하세요(특정모델의 체크포인트 선택가능) 모델의 성능에 대한 평균정확도를 확인하세요.

* Please refer to the directory mmsegmentation/configs/{class_name}. For example, if you want to test the model with the configuration of normal vs. gyeolju, please use the following command. (you can choose specific model checkpoint) And you should report mean accuracy (mAcc.) for the model performance

python3 mmsegmentation/tools/test.py mmsegmentation/configs/gyeolju/segformer_mit-b4.py ./work_dirs/segformer_mit-b4_lovasz_gne_chw/latest.pth --eval mIoU