基于语义分割的邻位照片枯树检测模型。

任务: 语义分割 数据域: 计算机视觉 框架: pytorch 集成: " S3兼容存储 github git
基督教沃纳 5 c0637f1c4
添加脚本将结果聚合到通用的shapefile中
3个月前
79年c200e896
移动dvc缓存到本地提交
6个月前
826年a45e2c9
添加常量和gitignore文件
1年前
1 c02e2846e
使模型推理类型可选(# 20
1年前
2 fc12361f4
运行推理多类设置
7个月前
0 be4c52705
清理模型配置
6个月前
f26b4d74ce
增加更名的dvc存根2018 2020 shaofile
5个月前
1 d5c2316d1
修复了推理脚本的cli模型处理,并在RGB数据的情况下对集成推理进行适当的通道匹配
5个月前
1 c02e2846e
使模型推理类型可选(# 20
1年前
87年c879ffc8
预处理v2 (# 53
1年前
5 c0637f1c4
添加脚本将结果聚合到通用的shapefile中
3个月前
d2a2b56f0c
为创建的数据集添加测试
9个月前
675年ce01d03
添加缺失的.dockerignore文件
1年前
71年df18bee0
将dvc init文件添加到项目中,并将dotenv需求添加到安装中
1年前
fb5a759a8a
添加预提交钩子配置文件
1年前
8 b22f4c05b
添加giitattributes文件修复github项目语言分析
1年前
87年c879ffc8
预处理v2 (# 53
1年前
9074年b5fdc2
将isort cfg移动到pyproject.toml
1年前
f9997053a1
最初的承诺
1年前
c3a3680402
更新README.md
7个月前
1 c02e2846e
使模型推理类型可选(# 20
1年前
bf20ee9380
更新dvc锁
5个月前
000年ae802ea
添加评论
5个月前
05年dec483e2
添加一个专用的eval脚本来运行非默认的测试碎片
5个月前
87年c879ffc8
预处理v2 (# 53
1年前
15 b5314fe5
更新protocol.md
10个月前
fefc12437c
将pytest配置移到pyproject.toml
1年前
9 fc09fed52
反向src布局到原始死树源文件夹
10个月前
0 da47eaf55
碰撞所需的火炬版本
7个月前
9 e2ec5be4d
扫污(# 45
1年前
1 c13f6ec8f
适应扫描设置-未经测试
10个月前
9 e2ec5be4d
扫污(# 45
1年前
1 c13f6ec8f
适应扫描设置-未经测试
10个月前
数据管道
传说
DVC托管文件
Git管理文件
度规
阶段文件
外部文件

README.md

你必须登录才能留言。登录

DeadTrees

PyTorch闪电配置:九头蛇FastAPIStreamlit


描述

根据正位摄影画出枯树的地图。Unet(语义分割模型)在卢森堡(年:2019)的邻位照片集合上进行训练。这个存储库包含预处理管道、培训脚本、模型和一个基于docder的演示应用程序(后端:FastAPI,前端:Streamlit)。

Streamlit前端图1:用于正交照片中枯树交互预测的流光UI。

如何跑步

# clone project git clone https://github.com/cwerner/deadtrees cd deadtrees # [OPTIONAL]创建虚拟环境(使用venve, pyenv等)并激活它。配置基本系统的一个简单方法是使用micromamba(一个比anaconda更快的替代方案)和fastchan通道来安装臭名昭着的挑剔的pytorch基本依赖和cuda设置wget - qo - https://micromamba.snakepit.net/api/micromamba/linux-64/latest | tar -xvj bin/micromamba # init shell(下一行中的~/micromamba是envs存储的位置,也可以是其他地方)./bin/micromamba shell init -s bash -p ~/micromamba source ~/。micromamba install "pytorch=*=*cuda*" torchvision albumentations -c fastchan -c conda-forge #安装要求(基本要求):PIP install -e。# [OPTIONAL]安装额外的培训要求:pip install -e "。[train]" # [OPTIONAL]安装额外的要求来预处理原始数据#(而不是从S3读取预处理数据):pip install -e "。[preprocess]" # [ALTERNATIVE] install所有子包:pip install -e ".[all]"

从S3下载数据集(创建的atset dvc阶段的输出)

DVC拉创建atset

通过创建文件在系统上指定训练数据集的位置.env使用以下语法:

出口TRAIN_DATASET_PATH = " / path_to_my_repos / deadtrees /数据/数据/火车”

使用默认配置的训练模型(您可以在命令行上调整训练配置,或者通过编辑hydra yaml文件配置):

python run.py

提示!

新闻p要查看以前的文件或,n查看下一个文件

评论

加载……