Capsule endoscopy detection DACON challenge

Last update: Nov 25, 2022

Overview

capsule_endoscopy_detection (DACON Challenge)

Overview

Yolov5, Yolor, mmdetection기반의 모델을 사용 (총 11개 모델 앙상블)
- 모든 모델은 학습 시 Pretrained Weight을 yolov5, yolor, mmdetection 및 swin transformer github로부터 받아서 사용
- 각 방식에 필요한 형태로 데이터의 format 변경
Train set과 Validation set을 나누어 진행
총 11개의 결과를 앙상블
- detectors_casacde_rcnn_resnet50_multiscale, retinanet_swin-l, retinanet_swin-l_multiscale, retinanet_swin-t, atss_swin-l_multiscale, faster_rcnn-swin-l_multiscale, yolor_tta_multiscale, yolov5x, yolov5x_tta, yolov5x_tta_multiscale
- Weighted boxes fusion (WBF) 방식으로 앙상블 진행 (Iou threshold = 0.4)
- 모델에 관한 보다 자세한 내용은 /all_steps 폴더 내에 STEP2로 시작하는 .sh 스크립트들에 적힌 주석을 참고해주세요!

환경(env) 세팅

실험 환경: Ubuntu 18.04, Cuda 11.3, Anaconda3, Python 3.8

git clone ( + 폴더 권한 설정)

git clone https://github.com/MAILAB-Yonsei/capsule_endoscopy_detection.git
chmod -R 777 capsule_endoscopy_detection
cd capsule_endoscopy_detection

cbnet만 제외한 나머지에 대한 env 생성 (all_except_cbnet)

conda create -n all_except_cbnet python=3.8
conda activate all_except_cbnet
pytorch 설치 (ex. conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch)
pip install openmim
mim install mmdet
pip install -r requirements_all_except_cbnet.txt
conda deactivate

cbnet에 대한 env 생성 (cbnet)

conda create -n cbnet python=3.8
conda activate cbnet
pytorch 설치 (ex. conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch)
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html
     (ex. pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.html)
cd UniverseNet
pip install -r requirements/build.txt
pip install -v -e .  # or "python setup.py develop"
pip install instaboostfast
pip install git+https://github.com/cocodataset/panopticapi.git
pip install git+https://github.com/lvis-dataset/lvis-api.git
pip install albumentations>=0.3.2 --no-binary imgaug,albumentations
pip install pandas
pip install tqdm
pip install shapely
conda deactivate
cd ..

main code 실행

[각 STEP 별로 자세한 설명은 /all_steps 폴더 내의 각각의 .sh 파일에 적힌 주석을 참고해주세요!]

STEP0. data root path 지정

cd all_steps
gedit data_path.txt

data_path.txt 파일에 data의 절대 경로를 명시한다!!! (ex. /mnt/data)

STEP1. data preparation (약 20~30분 소요)

conda activate all_except_cbnet
bash STEP1_data_preparation.sh

STEP2. 각 모델을 학습시킨다. (pretrained 모델로 inference만 하고자 한다면 바로 STEP3로!)

cbnet만 제외한 나머지에 대한 Training

conda activate all_except_cbnet
bash STEP2_train_model1_atss_swin-l_ms.sh
bash STEP2_train_model2_detectors_cascade_rcnn_r50_ms.sh
bash STEP2_train_model3_faster_rcnn_swin-l_ms.sh
bash STEP2_train_model4_retinanet_swin-l.sh
bash STEP2_train_model5_retinanet_swin-l_ms.sh
bash STEP2_train_model6_retinanet_swin-t_ms.sh
bash STEP2_train_model7_yolor.sh
bash STEP2_train_model8_yolo5x.sh

cbnet에 대한 Training

conda activate cbnet
bash STEP2_train_model9_cbnet_faster_rcnn_swin-l_ms.sh

STEP3. 모든 모델에 대해 Inference를 진행한다. (모델 하나당 20~30분 소요)

STEP2.를 건너뛰고 pretrained 모델에 대해 test를 하는 경우 아래 과정을 수행한 뒤 STEP3.의 명령어를 실행:
- 아래의 weight 파일 링크에서 받은 mmdetection/ckpts 폴더를 /mmdetection 폴더 아래에 위치시킨다.
- 아래의 weight 파일 링크에서 받은 UniverseNet/ckpts 폴더를 /UniverseNet 폴더 아래에 위치시킨다.
- 아래의 weight 파일 링크에서 받은 YOLO/ckpts 폴더를 /YOLO 폴더 아래에 위치시킨다.
- weight 파일 링크: https://drive.google.com/drive/folders/151KJC3FTUsK5mfx4TtNbhiFuuvLIeGz-?usp=sharing

cbnet만 제외한 나머지에 대한 Inference

conda activate all_except_cbnet
bash STEP3_inference_all_except_cbnet.sh

cbnet에 대한 Inference

conda activate cbnet
bash STEP3_inference_cbnet.sh

SETP4. 모든 모델에 대해 앙상블을 진행한다.

conda activate all_except_cbnet
bash STEP4_ensemble.sh

최종 파일은 가장 상위 디렉토리에 'final.csv'로 생성!!!

주의사항

모두 순서에 맞게 코드를 구성해놓았기 때문에 하나의 코드를 2번 실행하는 등의 경우 진행에 어려움이 있을 수 있습니다. 참고해주세요.

현재 코드는 validation은 진행하지 않게 주석처리했습니다. 원하시면 predict.py에서 validation 주석처리를 풀고 val_answer.csv 파일의 경로를 설정해주시면 됩니다.

(predict.py 파일 위치: /mmdetection/predict/main.py, /UniverseNet/predict/main.py)

Capsule endoscopy detection DACON challenge

Related tags

Overview

capsule_endoscopy_detection (DACON Challenge)

Overview

환경(env) 세팅

main code 실행

STEP0. data root path 지정

STEP1. data preparation (약 20~30분 소요)

STEP2. 각 모델을 학습시킨다. (pretrained 모델로 inference만 하고자 한다면 바로 STEP3로!)

STEP3. 모든 모델에 대해 Inference를 진행한다. (모델 하나당 20~30분 소요)

SETP4. 모든 모델에 대해 앙상블을 진행한다.

주의사항

모두 순서에 맞게 코드를 구성해놓았기 때문에 하나의 코드를 2번 실행하는 등의 경우 진행에 어려움이 있을 수 있습니다. 참고해주세요.

현재 코드는 validation은 진행하지 않게 주석처리했습니다. 원하시면 predict.py에서 validation 주석처리를 풀고 val_answer.csv 파일의 경로를 설정해주시면 됩니다.

Owner

MAILAB

code for our ECCV 2020 paper "A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation"

Deep motion generator collections

The code repository for "RCNet: Reverse Feature Pyramid and Cross-scale Shift Network for Object Detection" (ACM MM'21)

Python library for analysis of time series data including dimensionality reduction, clustering, and Markov model estimation

TensorFlow GNN is a library to build Graph Neural Networks on the TensorFlow platform.

The official repository for BaMBNet

Built a deep neural network (DNN) that functions as an end-to-end machine translation pipeline

This is an unofficial PyTorch implementation of Meta Pseudo Labels

Static Features Classifier - A static features classifier for Point-Could clusters using an Attention-RNN model

For storing the complete exploration of Visual Question Answering for our B.Tech Project

Luminous is a framework for testing the performance of Embodied AI (EAI) models in indoor tasks.

Evaluation toolkit of the informative tracking benchmark comprising 9 scenarios, 180 diverse videos, and new challenges.

Code for our paper: Online Variational Filtering and Parameter Learning

Implementing DeepMind's Fast Reinforcement Learning paper

Long Expressive Memory (LEM)

Continuous Conditional Random Field Convolution for Point Cloud Segmentation

Hummingbird compiles trained ML models into tensor computation for faster inference.

【steal piano】GitHub偷情分析工具！

PiCIE: Unsupervised Semantic Segmentation using Invariance and Equivariance in clustering (CVPR2021)

Numerical differential equation solvers in JAX. Autodifferentiable and GPU-capable.