29 lines
1.6 KiB
Markdown
29 lines
1.6 KiB
Markdown
|
|
# Vision Model Training and Evalutation
|
|
|
|
本项目目标是构建并训练出在薄膜数据上的缺陷分类定位模型。在聚类和生成 yolo 数据集阶段，我们只考虑基于 convolution 的模型。所有较重的任务均放在远程服务器上运行。
|
|
|
|
## 各目录的作用
|
|
|
|
- configs: 存放相关目标的 yaml 配置文件
|
|
- models: 存放模型的基础骨架
|
|
- datasets: 存放抛出数据样本的 class
|
|
- data: 存放数据集或数据集的 link
|
|
- scripts: 存放文件类型转换以及批处理脚本
|
|
|
|
## 远程训练机
|
|
|
|
```bash
|
|
ssh deep@192.168.31.153
|
|
```
|
|
|
|
## 工作流
|
|
|
|
1. 将无标签数据存放在 `./data/raw/` 下。
|
|
2. 使用 deep model 对无标签数据使用 simclr 进行无监督学习。模型放在 `./runs/<user_defined_name>` 下。
|
|
3. 用户指定簇数 `k` 进行聚类，结果图片通过硬链接放在另一个 `./runs/<user_defined_name>` 下。
|
|
4. 用户手动将聚类结果归类到定义的 label 下。可以通过对某一类继续聚类来细化分类。
|
|
5. 用户手动将细化后的分类数据集放到 `./data/` 下。e.g. `./data/orgnized_from_r101_k40/`
|
|
6. 将整理好的数据集划分训练集和验证集。使用一个合适的模型（或聚类时的模型）开启训练。
|
|
7. 由用户自行确认模型是否训练完成。
|
|
8. 在训练的模型上，使用 GradCAM 生成 top1-predicted 的热力图放在新的 `./runs/<user_defined_name>` 下，同时通过框选头部热力区域生成 box。在该目录下简历原始数据集的硬链接，同时每个图片都配上一个 YOLO 格式的数据标签。 |