/SkinCancerClassification

Primary LanguagePythonMIT LicenseMIT

Ortam:

  • Python 3.7.7
  • Anaconda
  • PyTorch 1.6
  • 4 NVIDIA Quadro RTX 6000 24GB

Kullanım:

Gerekenleri indirin

conda create -n melanoma python=3.7 pip
pip install -r requirements.txt

Veri setlerini indirin

cd data/isic2019
bash download_isic2019.sh
unzip ISIC_2019_Training_Input.zip
cd ..
kaggle competitions download -c siim-isic-melanoma-classification
unzip siim-isic-melanoma-classification.zip

[Tercih] Modelin eğitilmiş ve %93+ doğru teşhis oranına sahip ağırlıkları ve eğitim logları:

https://drive.google.com/file/d/13o86SyGwufN_QJiWvJ98G0s-elLnOaqK/view?usp=sharing

ISIC 2019 modelini eğitin

cd src/etl
python 0_create_isic2019_splits.py
cd ..
python run.py configs/isic2019/mk001.yaml train --gpu 0,1,2,3 --num-workers 4

Run ISIC 2019 model on ISIC 2020 data

Eğer farklı bir isim kullanıyorsanız src/configs/predict_isic2019.yaml içindeki model_checkpoints'i kendi model isminize göre değiştirin

cd src
python run.py configs/predict/predict_isic2019.yaml

'nevus' etiketlerini ISIC 2020 veri setine uygulayın

cd src/eval
python nevi.py
cd ../etl
python 10_combine_cdeotte_nevi_with_isic2019.py

Uyguladığınız 'nevus' etiketleriyle beraber ISIC 2019 ve ISIC 2020 veri setlerini kullanarak modelinizi eğitin.

cd src
bash train_kfold.sh

Pseudo etiketlerinizi oluşturun

cd src
python run.py configs/predict/predict_bee_nometa.yaml predict_kfold \
    --gpu 0 --backbone tf_efficientnet_b6_ns \
    --model-config configs/bee/bee508.yaml \
    --checkpoint-dir ../checkpoints/bee508/tf_efficientnet_b6_ns/ \
    --save-file ../lb-predictions/bee508_5fold.pkl --num-workers 4
cd etl
python 12_make_pseudo_nometa.py

Pseudo etiketli veri setini kullanarak modelinizi eğitin.

cd src
bash train_kfold_pseudolabel.sh

Test veri setinde modelinizin performansını ölçün

cd src
bash inference.sh