Skin disease

Проект по классификации кожных заболеваний

Подробнее о проекте

По вопросам обращаться: tg: @phinnik

---

Инструкции

Установка библиотек

pip install -r requirements.txt

Поменяйте версию pytorch в зависимости от ваших драйверов.

Данные для обучения

skin-cancer-mnist-ham10000

1. Cкачать архив с данными на Kaggle
2. Создать директорию data/raw/skin_cancer_mnist и распаковать в нее содержимое архива
3. Сгенерировать сплит с помощью скрипта python src/scripts/generate_split.py

Запуск обучения

Для этого вам необходимо будет пройти регистрацию в ClearMl (или развернуть его локально)

python models/clf/train.py

Запуск сервиса

В контейнере

cd docker-compose
docker compose -f deploy.yml up --build

Напоминалка: [установить nvidia-docker](sudo systemctl restart docker)

Вручную

export RELEASE_VERSION=0.1.0
cd src/app
uvicorn main:app --reload --host 0.0.0.0

Отправка запроса к сервису

С помощью консоли

curl -X 'POST' \
  'http://127.0.0.1:8000/classify' \
  -H 'accept: application/json' \
  -H 'Content-Type: multipart/form-data' \
  -F 'image=@data/raw/skin_cancer_mnist/ham10000_images_part_2/ISIC_0029306.jpg;type=image/jpg'

python

>>> import requests

>>> url = 'http://127.0.0.1:8000/classify'
>>> image_fp = 'data/raw/skin_cancer_mnist/ham10000_images_part_2/ISIC_0029306.jpg'
>>> with open(image_fp, 'rb') as f:
>>>     image = f.read()

>>> requests.post(url, files={'image': image}).json()
{'Pathology': 'Меланоцитарные невусы'}

Метрик тест

python src/scripts/calculate_metrics.py --split_dir data/processed/splits/skin_cancer_mnist_split --model_checkpoint_fp models/model_releases/0.1.0/models.pkl