Avec ordre de priorité:
-
[Présentation] Recherche sur la partie technique de la lib pytorch et de sa gestion sur les devices bas niveau
- Cours sur l'entrainement couche par couche sur notre cas d'étude
- Gestion des devices avec torch
- Les différences avec tensorflow et Keras (*)
-
[Technique] Avancer sur le fine-tuning pur et comment l'améliorer
- Fine Tunner le modèle sur 90% du dataset & Analyser les performances sur 10% de validation
- Conserver 6 images pour la validations post-entrainement
- Paralléliser le training one-epoch
-
[Data] Augmentation du dataset initial
- Ajout de la data augmentation pour générer plus de données
- Fine Tunner avec la data augmentée
- Comparaison des résultats entre phase 1 (sans data augmentation) et phase 2 (avec data augmentation)
[Historique]
- Fonction de mélange des images et masks pour éviter les gradients identiques entre les batchs
- Per Epochs training pour l'ajout du fine-tuning
- Adaptation des libs d'affichages pour la détections du format des images
- Installer pyenv (pyenv-win si Windows)
- Installer un environnement en python 3.11 (cf. doc de pyenv pour initialiser la version)
- Création d'un environnement local clos pour le développement
python -m venv .venv
- Installation des dépendances
# activation de l'environnement local
.\.venv\Scripts\activate
pip install -r requirements.txt
python
>> import torch
>> torch.cuda.is_available()
True