Human Settlements Challenge

Challenge mexicain visant à détecter automatiquement des installations humaines sur des images satellites du Mexique : Lien vers le challenge sur Zindi

git clone https://github.com/InseeFrLab/satellite-images-challenge-human-settlements.git
cd satellite-images-challenge-human-settlements/
pip install -r requirements.txt

Le notebook notebooks/start_challenge.ipynb permet de prendre en main les données.

Lancer un entraînement

Ouvrir un service vs-code-pytorch avec ou sans gpu en ayant accès au projet slums detection sur onyxia. Modifier le fichier src/config.yml pour l'adapter à l'entraînement souhaité en jouant sur les données en entrée et les hyperparamètres. Lancer l'entraînement :

cd src/
python run.py "nom_du_run_mlflow_choisi"

Configurations possibles :

- bands: List[int] *bandes à conserver pour l'entraînement, entre 0 et 5 compris (par défaut, toutes les bandes = [0, 1, 2, 3, 4, 5])*  
- augmentation: boolean *data augmentation*  
- prop zeros: *entre 0 et 1, par défaut 0.5*  
- len data limit: int *entre 0 et 1.1 million, par défaut None (pas de limite)*    

- loss: *au choix dans ['crossentropy', 'bce', 'bcelogits']* 
- optim: *au choix dans ["adam", "sgd"]*  
- lr: *learning rate, par défaut 0.01*  
- momentum: *par défaut 0.9*  
- module: *au choix dans ["mobilenet_v2", "mobilenet_v3_small", "resnet18", "resnet34", "vgg11", "vgg11_bn"]*  
- batch size: *par défaut 128*  
- batch size test: *par défaut 128*  
- max epochs: *par défaut 100*    

- train prop: *par défaut 0.6*   
- val prop: *par défaut 0.2*  
- test prop: *par défaut 0.2*  
- accumulate batch : *par défaut 3*  

- samplesubmission: boolean *générer le fichier à soumettre pour le challenge, par défaut True*  
- mlflow: boolean *utiliser mlflow, par défaut True*  

Afficher le diaporama résumant ce challenge

Site du diaporama