DeadTrees

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)。

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