Cài đặt

Cài đặt pytorch

pip install torch==1.12.1+cu116 torchvision==0.13.1+cu116 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu116

Cài đặt các library

pip install -r pip_env.txt

Cài đặt dữ liệu

Bước 1:

• Tải file train.zip để vào trong thư mục data/
• Tiền xử lý dữ liệu: Cắt các frame với 1 frame/s.
• Chia dữ liệu

cd data/
unzip train.zip
python get_frame.py -i train/videos/ -o train/images/
python create_data_h.py -dir train -images images -l label.csv
python create_data_s.py -dir train -images images -l label.csv

Bước 2: Tạo data augmentation cho tập train.

cd ..
python val_augmentation.py

Note: ta có thể sử dụng bash file.

bash process_data.sh

Hướng tiếp cận

Team sử dụng 2 hướng tiếp cận chính:

• Augmentation tập validation offline và giữ nguyên nó trong quá trình huấn luyện mô hình (mô hình h). Mục tiêu chính là team nhận thấy tập validation được sinh ra gần với tập public test 1 và 2 nhất và cho ra kết quả tốt nhất.

• Augmentation cả tập train và validation online trong lúc huấn luyện (mô hình s). Mục tiêu chính là để lấy được mô hình tốt nhất trên nhiều không gian khác nhau.

Huấn luyện mô hình

Mô hình h

CUDA_VISIBLE_DEVICES=1 python main_h.py

• Output sẽ là ở outputs/h/ckpts.
• Ở đây team mình lựa chọn mô hình cho ra val_acc lớn nhất (được đánh giá là tốt nhất trên tập public 1 và 2).

Mô hình s

CUDA_VISIBLE_DEVICES=1 python main_s.py

• Output sẽ là ở outputs/s/ckpts.
• Ở đây team mình lựa chọn mô hình last.ckpt.

Note: Kết quả huấn luyện trên các device khác nhau có thể sai khác. Tụi mình đã có set seed và để CUDA Benchmark để mỗi lần huấn luyện là giống nhau trên 1 device.

Inference

cp -r outputs/h weights/
cp -r outputs/s weights/

Sửa lại file config ở trong configs/inference.yaml.

checkpoint_s: <Path to s folder>
checkpoint_h: <Path to h folder>
videos_dir: private_test/videos/*

hydra:
  run:
    dir: /result/

Chạy ensemble cả 2 mô hình để predict.

CUDA_VISIBLE_DEVICES=0 python predict.py