README.md

프로젝트 구조

i2sb-segmentation/
├── Pipfile
├── Pipfile.lock
├── README.md
├── data/
│   ├── OCTA500_3M
│   ├── OCTA500_3M.dvc
│   ├── OCTA500_6M
│   ├── OCTA500_6M.dvc
│   ├── ROSSA
│   └── ROSSA.dvc
├── nbs/
│   └── test.ipynb
├── script/
│   ├── exp.py
│   └── unit_test/
│       ├── test_segmentation_2d_dataset.py
│       ├── test_segmentation_3d_dataset.py
│       └── test_segmentation_model.py
└── src/
    ├── __init__.py
    ├── archs/
    ├── data/
    ├── losses/
    ├── metrics/
    ├── models/
    └── utils/

설치 및 실행 방법

1. Pipenv 설치 (아직 설치하지 않은 경우):

   pip install pipenv
   

2. 프로젝트 클론 및 디렉토리 이동:

   git clone [repository_url]
   cd i2sb-segmentation
   

3. Pipenv 환경 생성 및 의존성 설치:

   pipenv install
   

4. Pipenv 환경 활성화:

   pipenv shell
   

5. 실험 스크립트 실행 (예시: 데이터로더와 metric이 잘 작동하는지 코드):

   python script/unit_test/test_segmentation_2d_dataset.py
   

6. Jupyter Notebook 실행 (필요한 경우):

   pipenv run jupyter notebook
   

데이터

• OCTA500_3M, OCTA500_6M, ROSSA 데이터셋을 사용.
• 데이터는 DVC(Data Version Control)로 관리.

주요 디렉토리 설명

• data/: 데이터셋 저장 위치
• nbs/: Jupyter Notebook 파일 저장 위치
• script/: 실험 및 테스트 스크립트 저장 위치
  • unit_test/: 유닛 테스트 스크립트 저장 위치
• src/: 소스 코드 저장 위치
  • archs/: 모델 아키텍처 관련 코드
  • data/: 데이터 처리 관련 코드
  • losses/: 손실 함수 관련 코드
  • metrics/: 평가 지표 관련 코드
  • models/: 모델 구현 관련 코드
  • utils/: 유틸리티 함수 저장 위치

DVC 사용법 (데이터 백업)

1. DVC 초기화 (본 리포지토리에서 init 되어있으므로 생략):

   dvc init
   

2. 원격 저장소 추가:

   dvc remote add -d myremote ssh://user@host:/path/to/dvc-backup
   

3. 원격 저장소 설정 수정:

   dvc remote modify myremote user username
   dvc remote modify myremote password password
   

4. 데이터 추적 (본 리포지토리에서 add 되어있으므로 생략):

   dvc add data/dataset_name
   

5. 변경사항 커밋 (본 리포지토리에서 commit 되어있으므로 생략):

   git add .dvc
   git commit -m "Add data to DVC"
   

6. 데이터 푸시(본 리포지토리에서는 pull 목적이므로 생략):

   dvc push
   

7. 데이터 풀 (이 부분만 실행):

   dvc pull
   

8. 데이터 상태 확인:

   dvc status
   

9. 특정 버전의 데이터 가져오기:

   git checkout <commit-hash>
   dvc checkout
   

Script 사용법

script/unit_test/test_segmentation_2d_dataset.py

• 데이터셋을 로드하고, 데이터 로더를 통해 배치 단위로 데이터를 처리.
• 데이터셋의 샘플을 시각화하고, 오류가 포함된 레이블을 생성하여 메트릭을 계산.
• 데이터셋이 의도대로 잘 구현이 되었는지 확인 위한 목적

script/unit_test/test_archs.py

• 다양한 모델 아키텍처(SegResNet, FRNet, AttentionUNet 등)를 테스트.
• 데이터셋을 로드하고 모델을 통해 예측을 수행한 후, 결과를 시각화.
• Registry 사용하여 다양한 아키텍쳐들을 효과적으로 관리 가능.

script/unit_test/test_supervised_model_training.py

• SupervisedModel 클래스를 사용하여 모델을 학습하고 검증합니다.
• 학습 및 검증 과정을 반복하며, 주기적으로 결과를 출력하고 시각화합니다.
• 본 과정을 통해 Supervised Model 기법이 의도대로 잘 구현이 되었는지 확인 목적

script/unit_test/test_segdiff_model_training.py

• SegDiffModel 클래스를 사용하여 모델을 학습하고 검증합니다.
• 학습 및 검증 과정을 반복하며, 주기적으로 결과를 출력하고 시각화합니다.
• 본 과정을 통해 SegDiffModel 기법이 의도대로 잘 구현이 되었는지 확인 목적