Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Jump to bottom

Update README.md #4

Open
wants to merge 1 commit into
base: main
Choose a base branch
from
Open

Update README.md #4

Changes from all commits
Commits
Show all changes
1 commit
Select commit
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
24 changes: 14 additions & 10 deletions README.md
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -285,8 +285,8 @@ cldetection_configs/td-hm_hrnet-w32_udp-8xb64-250e-512x512_KeypointMSELoss.py \
parser.add_argument('--config_file', type=str, default='./cldetection_configs/td-hm_hrnet-w32_udp-8xb64-250e-512x512_KeypointMSELoss.py')

# data parameters | 数据文件路径和配置文件的路径
parser.add_argument('--load_mha_path', type=str, default='./step5_docker_and_upload/test/stack1.mha')
parser.add_argument('--save_json_path', type=str, default='./step5_docker_and_upload/test/expected_output.json')
parser.add_argument('--load_mha_path', type=str, default='./step6_docker_and_upload/test/stack1.mha')
parser.add_argument('--save_json_path', type=str, default='./step6_docker_and_upload/test/expected_output.json')

# model load dir path | 最好模型的权重文件路径
parser.add_argument('--load_weight_path', type=str, default='/data/zhangHY/CL-Detection2023/MMPose-checkpoints/best_SDR 2.0mm_epoch_40.pth')
Expand All @@ -300,10 +300,10 @@ main(experiment_config)

2、在终端上设置好参数后使用命令传输参数并运行脚本：
```
python step5_predict_expected_output.py \
python _predict_expected_output.py \
--config_file='./cldetection_configs/td-hm_hrnet-w32_udp-8xb64-250e-512x512_KeypointMSELoss.py' \
--load_mha_path='./step5_docker_and_upload/test/stack1.mha' \
--save_json_path='./step5_docker_and_upload/test/expected_output.json' \
--load_mha_path='./step6_docker_and_upload/test/stack1.mha' \
--save_json_path='./step6_docker_and_upload/test/expected_output.json' \
--load_weight_path='/data/zhangHY/CL-Detection2023/MMPose-checkpoints/best_SDR 2.0mm_epoch_40.pth'
--cuda_id=0
```
Expand All @@ -319,7 +319,11 @@ python step5_predict_expected_output.py \

其次，注意修改 `requirements.txt` 文件中的代码工程的相关依赖（拉取的镜像中已经包含了 `torch` 模块，请不要重复安装哈），保证预测过程中的相关依赖库都在里面，才能会正确地执行预测代码，得到预测结果。

继而，将 `mmpose_package` 整个文件夹、模型的权重文件（不要有空格和小数点）和 `cldetection_utils.py` 工具文件拷贝到 `step5_docker_and_upload` 目录，保证 `Dockerfile` 中可以安装到 MMPose 框架，并成功加载到模型权重；同时，别忘了将`step4_predict_expected_output.py`脚本预测的 `expected_output.json` 拷贝到 `test` 文件夹，最终文件夹结构如下所示：
继而，将 `mmpose_package` 整个文件夹、模型的权重文件（不要有空格和小数点）和 `cldetection_utils.py` 工具文件拷贝到 `step6_docker_and_upload` 目录，保证 `Dockerfile` 中可以安装到 MMPose 框架，并成功加载到模型权重；同时，别忘了将`step4_predict_expected_output.py`脚本预测的 `expected_output.json` 拷贝到 `test` 文件夹，

提示：
在Github目录中已经将mmpose_package复制到了该目录，且 `expected_output.json`默认生成路径为此test文件夹，因此，默认情况下只需要复制并重命名的权重[`best_model_weight.pth`]和config[`td-hm_hrnet-w32_udp-8xb64-250e-512x512_KeypointMSELoss.py`]文件到该目录即可。
最终文件夹结构如下所示：
```
│ test.sh
│ Dockerfile
Expand Down Expand Up @@ -357,7 +361,7 @@ COPY --chown=algorithm:algorithm td-hm_hrnet-w32_udp-8xb64-250e-512x512_Keypoint
然后，将自己的算法过程推理测试过程编程在 `process.py` 文件中的 `predict()` 函数中，并根据自己的 `predict()` 返回值更改 `save()` 函数，其实这一步就是第五步的执行过程，只是一些数据路径被强制规定了。
其中，`predict()` 函数的返回值并无强制要求，如果您对返回值有进行修改，可按照您的编程习惯来就好。

再而，在终端上通过 `sudo ./build.sh` 命令来执行 `build.sh` 脚本（脚本的代码内容一行都不要修改哈）进行构建，检查是否构建成功，进行错误排除；如果一切顺利，您可能会看到类似于以下内容：
再而，在终端上通过 `sudo sh ./build.sh` 命令来执行 `build.sh` 脚本（脚本的代码内容一行都不要修改哈）进行构建，检查是否构建成功，进行错误排除；此步骤大概运行10分钟，如果一切顺利，您可能会看到类似于以下内容：
```
[+] Building 298.7s (5/16) a
=> [internal] load build definition from Dockerfile 0.0s
Expand All @@ -372,7 +376,7 @@ COPY --chown=algorithm:algorithm td-hm_hrnet-w32_udp-8xb64-250e-512x512_Keypoint
=> => naming to docker.io/library/cldetection_alg_2023 0.0s
```

最后，执行 `sudo ./test.sh` 脚本核实 Docker 输出结果和本地预测的结果是否一致，如果一致将看到输入信息：Tests successfully passed...，说明本地的模型的预测结果和 Docker 中的结果是一致的；如若不一致，还请认真排查错误，或者积极向挑战赛组织方积极反馈，亦或者毫不吝啬地在这里的 [Issues](https://github.com/szuboy/CL-Detection2023-MMPose/issues) 中提出来，我们会协助您直到解决问题。
最后，执行 `sudo sh ./test.sh` 脚本核实 Docker 输出结果和本地预测的结果是否一致，如果一致将看到输入信息：Tests successfully passed...，说明本地的模型的预测结果和 Docker 中的结果是一致的；如若不一致，还请认真排查错误，或者积极向挑战赛组织方积极反馈，亦或者毫不吝啬地在这里的 [Issues](https://github.com/szuboy/CL-Detection2023-MMPose/issues) 中提出来，我们会协助您直到解决问题。
```
...
}
Expand All @@ -388,7 +392,7 @@ cldetection_alg_2023-output-b35388ee544f2a598b5fb5b088494e5c
```


最后的最后，直接执行 `sudo ./export.sh` 脚本导出可以上传到挑战赛平台的 `CLdetection_Alg_2023.tar.gz` 名字的 Docker 文件，可以在 Grand-Challenge 平台上创建算法页进行提交（进度 100%，完美撒花 🌷）。
最后的最后，直接执行 `sudo sh ./export.sh` 脚本导出可以上传到挑战赛平台的 `CLdetection_Alg_2023.tar.gz` 名字的 Docker 文件，可以在 Grand-Challenge 平台上创建算法页进行提交（进度 100%，完美撒花 🌷）。


## 可以给到参赛者什么建议嘛？
Expand All @@ -400,4 +404,4 @@ cldetection_alg_2023-output-b35388ee544f2a598b5fb5b088494e5c
- 往模型中增加强大的注意力模块，现有的研究也是经常这么做的，这无疑是一个能够提高模型泛化性和性能的不二选择；
- 该基线代码尝试采用的是 `MSE` 和 `AdaptiveWingLoss` 损失函数，选择一个好的损失函数，同样可以让深度学习模型学习更容易，更快速地收敛，达到更高的性能；

最后的最后，如果您在参与 CL-Detection 2023 挑战赛过程中遇到了什么难题，或者在运行此仓库代码遇到了什么错误，亦或者对该基线模型有什么更好的建议，也还请在 [Issues](https://github.com/szuboy/CL-Detection2023-MMPose/issues) 中提出来哈，我一定积极地解答！
最后的最后，如果您在参与 CL-Detection 2023 挑战赛过程中遇到了什么难题，或者在运行此仓库代码遇到了什么错误，亦或者对该基线模型有什么更好的建议，也还请在 [Issues](https://github.com/szuboy/CL-Detection2023-MMPose/issues) 中提出来哈，我一定积极地解答！