Código utilizado por el participante Cristian Yones, en la competencia organizada por Despegar en el marco de la 33ra Escuela de Ciencias de la Informática 2019.
Para ejecutar el código, en primer lugar es necesario construir la imágen de docker, con
docker build -t eci2019 .Las imágenes utilizadas para entrenamiento y prueba deben estar en formato jpg, libre de errores. Para comprobar errores en las imágenes se puede utilizar el script repair_images.py. A veces, es necesario ejecutar el script más de una vez para corregir todos los errores en lás imágenes. Las imágenes de entrenamiento y prueba se deben guardar en dos carpetas llamadas train y test, respectivamente. Las dos carpetas se deben colocar dentro de una misma carpeta. Por ejemplo, podemos colocar las imágenes de entrenamiento en ./images/train y las de prueba en ./images/test. Es importante aclarar ademas que el código está preparado para realizar inferencias en el conjunto de imágenes final de la competencia, con cualquier otro conjunto de imaǵenes distinto probablemente falle. Para realizar inferencias en otros conjuntos de datos ver el archivo eval_test.py
Para ejecutar el contenedor con soporte para GPU es necesario utilizar nvidia-docker en lugar del tradicional docker. El comando completo es
nvidia-docker run --ipc=host --mount source=<path_a_carpeta_de_imágenes>,target=/images,type=bind eci2019El entrenamiento de los modelos tarda aproximadamente 20 horas, y la inferencia sobre los datos de test 1 hora más. Para ahorrar el tiempo de entrenamiento, podemos descargar los modelos ya entrenados desde aqui.
Y ejecutar el contenedor pasandole la carpeta con estos con el siguiente comando:
nvidia-docker run --ipc=host --mount source=<carpeta_de_imágenes>,target=/images,type=bind \
--mount source=<carpeta_con_modelos>,target=/models,type=bind eci2019