competition-ICDAR2023-papyri

Main informations

Website : https://lme.tf.fau.de/competitions/2023-competition-on-detection-and-recognition-of-greek-letters-on-papyri/

Codalab : https://codalab.lisn.upsaclay.fr/competitions/12419

Dataset

Train set : https://faubox.rrze.uni-erlangen.de/getlink/fi8qaEMwMkc5L2Bg7tdh5L/HomerCompTraining.zip

Test set : https://faubox.rrze.uni-erlangen.de/getlink/fiBgbnjT6mFGbJnD3bwrgS/HomerCompTesting.zip

Detectron 2

Source code : https://github.com/facebookresearch/detectron2

conda create --name detectron2 python=3.8
git clone https://github.com/facebookresearch/detectron2.git
python -m pip install -e detectron2
python -m pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu111/torch1.8/index.html
pip install ipykernel

Training / Prediction

see notebook

Yolo V5

Source code : https://github.com/ultralytics/yolov5

Installation

conda create --name yolo python=3.8
pip install ultralytics
pip install ipykernel
pip install albumentations==1.0.3

Training

yolo detect train data=path/to/custom/config.yaml model=path/to/pretrained/model.pt

Configs (hyperparameters, etc)

see configs

Validation

yolo detect val data=path/to/custom/config.yaml model=path/to/my/model.pt

Prediction

CLI

yolo detect predict model=path/to/my/model.pt source='path/to/my/image.jpg'

Python (see notebook)

model = YOLO("path/to/my/model/best.pt")
results = model.predict(source="path/to/my/folder", save=True)

Data transformation

Invert IMG

for i in *.jpg ; do convert $i -channel RGB -negate $i ; done

Correspondance des lettres grecques et des id du json :

{'Ε': 23,
 'Α': 8,
 'Ο': 201,
 'Ι': 212,
 'Ν': 119,
 'Ϲ': 225,
 'Τ': 14,
 'Ρ': 100,
 'Η': 150,
 'Υ': 161,
 'Μ': 59,
 'Π': 107,
 'Λ': 120,
 'Κ': 33,
 'Δ': 186,
 'Ω': 45,
 'Θ': 7,
 'Γ': 111,
 'Χ': 177,
 'Φ': 77,
 'Β': 9,
 'Ξ': 17,
 'Ζ': 144,
 'Ψ': 169,
 '.': 176}

Documentation évaluation

COCO GT format : https://cocodataset.org/#format-data

COCO Pred format : https://cocodataset.org/#format-results

To Do

• sortir résultats par image val
• tableau / schéma distribution des résultats en val
• reprise des entraînements en touchant au DropOut / Conf / IoU / loss gain
• exporter crops de chaque bbox

Archive (lack)

• entraîner classifieur indépendant pour les crops
• entraîner yolo uniquement en localisation de caractère sans classe
• reproduire expérience baseline

Archive

• balance des classes
• écrire à l'équipe pour le fichier .bins
• benchmark des propriétés des modèles de Detectron 2
• correction des classes de Yolo
• Visualisation des predictions de la baseline
• Split à nouveau des données pour avoir le même ensemble pour pred