Snow Classification Project

このプロジェクトは、ResNetモデルを使用して積雪画像の分類タスクを行います。半教師あり学習方法を採用しており、まずは教師ありの三分類を行い、その後、各クラス内でより細かな予測を行います。

Project Structure

• model.py: ResNetモデルの定義を含み、複数のResNetバリアント（ResNet18, 34, 50, 101など）をサポートします
• train.py: トレーニングスクリプトで、データの読み込み、モデルのトレーニングなどの主要機能を含みます
• predict.py: 単一画像予測スクリプト
• load_weights.py: モデルの重みをロードするツール
• data_set/: データセットディレクトリ
  • harmo/: 3つのクラスを含む積雪画像（未公開されましたので、こちらで削除いたしました。）
    • No Snow
    • Snow Coverage <50%
    • Snow Coverage ≥50%

Environment Requirements

• Python 3.x
• PyTorch
• torchvision
• tqdm
• CUDA（or mps, for acceleration）

Fast to use it（Example for Apple Silicon）

1. dataset：

   • データセットをクラス別にdata_set/harmo置いといてください。

2. Supervised learning part：

   python train.py --num_classes 3 --vis-interval 5 --device mps --weights checkpoint/resnet34-pre.pth

3. Semi-supervised learning part：

   python train.py --num_classes 9 --vis-interval 5 --device mps --weights checkpoint/resnet34-XX.pth

   Note: こちらのcheckpoint/resnet34-XX.pthは、前の教師あり学習で得られたweightを使った方がいいです。 例えば

   python train.py --num_classes 9 --vis-interval 5 --device mps --weights checkpoint/ResNet34-6-v3.pth

4. Prediction：

   • Single image prediction：

     python predict.py --weights [path-to-weight] --img-path [path-to-image]　--device mps --visualize

     あるいは

     python predict.py --weights [path-to-weight] --img-path [path-to-image]　--device mps

     Note: --img-dir for batch prediction or --img-path for single image prediction

Model Description

このプロジェクトでは、ResNet34をベースモデルとして使用し、transfer learningを使いました：

1. Load the pre-trained weights
2. Replace the final fully connected layer to fit the 3-class classification task
3. Fine-tune the model

traning.py　での parse_args 関数の説明

1. --num_classes: モデルの分類クラス数を指定します（デフォルトは3クラス）。
2. --epochs: トレーニングのエポック数（デフォルトは10）。
3. --batch-size: バッチサイズ（デフォルトは32）。
4. --lr: 学習率（デフォルトは1e-4）。
5. --wd: 重み減衰（デフォルトは5e-2）。
6. --version: モデルのバージョン（デフォルトは2）。
7. --data-path: トレーニングデータのパス（デフォルトはdata_set/harmo）。
8. --weights: 初期重みのパス（デフォルトはcheckpoint/resnet34-pre.pth）。
9. --freeze-layers: 最後の層以外を凍結するかどうか（デフォルトはFalse）。
10. --device: 使用するデバイス（CPU、CUDA、MPS）。
11. --semi-supervised: 半教師あり学習を有効にするかどうか（オプション）。
12. --unlabeled-data-path: 半教師あり学習用のラベルなしデータのパス（オプション）。
13. --consistency-weight: 一貫性損失の重み（オプション）。
14. --visualize: 可視化を有効にするかどうか（オプション）。
15. --vis-interval: 可視化の間隔（エポック単位）。

Notes

• トレーニングで、学習率やバッチサイズなどのハイパーパラメータを調整できます。
• モデルの重みはcheckpointに保存されます。