https://github.com/chesterxalan/competition-aicup2022-cropstatusmonitoringbyimagerecognition

Source code from 2022 AI CUP Competition on Crop Status Monitoring by Image Recognition.
https://github.com/chesterxalan/competition-aicup2022-cropstatusmonitoringbyimagerecognition

ai aicup competition crop-classification deep-learning image-recognition jupyter-notebook python pytorch

Last synced: about 17 hours ago
JSON representation

Source code from 2022 AI CUP Competition on Crop Status Monitoring by Image Recognition.

• Host: GitHub
• URL: https://github.com/chesterxalan/competition-aicup2022-cropstatusmonitoringbyimagerecognition
• Owner: chesterXalan
• License: mit
• Created: 2024-02-26T03:56:12.000Z (9 months ago)
• Default Branch: main
• Last Pushed: 2024-02-26T09:33:49.000Z (9 months ago)
• Last Synced: 2024-02-27T05:23:32.534Z (9 months ago)
• Topics: ai, aicup, competition, crop-classification, deep-learning, image-recognition, jupyter-notebook, python, pytorch
• Language: Jupyter Notebook
• Homepage:
• Size: 4.26 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

        
# Competition-AICUP2022-CropStatusMonitoringByImageRecognition

[競賽網站](https://aidea-web.tw/topic/5f632f38-7213-4d4d-bea3-117ff13c1afb)

---

1. 請使用 Anaconda 安裝 Python 3.9.15，並安裝 JupyterLab 或 JupyterNotebook

	Anaconda: https://www.anaconda.com/products/distribution

2. 需額外安裝的套件及函式庫：

    - CUDA 11.7： https://developer.nvidia.com/cuda-11-7-0-download-archive

    - PyTorch 1.13： https://pytorch.org/get-started/locally/

    - 使用pip安裝： numpy, tqdm, pillow, scikit-learn, tensorboard, pandas

3. 資料前處理方法：

    1. 先將影像資料放至 `dataset\jpg\{training, test_public, test_private}`

    2. 使用 `crop_images_training.ipynb` 與 `crop_images_test.ipynb` 將影像進行裁切並輸出，檔案會存在後綴為 cropped 的資料夾

    3. 在 `dataset\training.json` 已有切分成 train/valid 的資料，可直接執行 `make_npz_training.ipynb` 來製作 training_cropped_480x480.npz，

       如有需要也能執行 `split_train_valid.ipynb` 來重新切分資料

    4. 執行 `make_npz_test.ipynb` 來製作 test_public_cropped_480x480.npz 與 test_private_cropped_480x480.npz

4. 訓練方法：

    1. 訓練程式位於 `experiments\efficientnetv2_s.ipynb`

    2. 從第 1 儲存格直接執行到第 9 儲存格並開始訓練，過程中會繪製 Accuracy/Loss 曲線，以及保存 best_acc, best_loss 與 last 的權重

    3. 訓練完成後，執行下方儲存格來保存模型

    4. 可使用第 11~13 儲存格來測試在 validation 資料的性能

    5. 執行第 14 儲存格可以查看 Accuracy/Loss 曲線

5. 測試方法：

    1. 測試程式位於 `experiments\test_on_test_dataset.ipynb`

    2. 從第 1 儲存格開始執行，在第 5 儲存格的 model_name 要改成欲測試的模型名稱