DCMIA es un sistema de detección de casas en imágenes aéreas de alta resolución basado en algoritmos de visión artificial. Dada una imagen, proporciona el número de casas y las coordenadas píxel de los rectángulos delimitadores de cada una de las casas. Se ha desarrollado para satisfacer las necesidades de un ayuntamiento que busca conocer las casas que tiene su municipio.
En esta sección se muestran los pasos para instalar y ejecutar el sistema de detección de casas en local por línea de comandos.
Algoritmo testeado en Ubuntu 22.04:
- Python 3.10
- torch 2.2.1
- torchvision 0.17.1
- CUDA 12.1 (opcional, también compatible con ejecución en CPU)
Clonar el repositorio.
git clone https://github.com/jamarma/AIVA_2024_DCMIA.git
Crea un venv de Python e instala la versión de torch y torchvision indicada en Prerrequisitos.
A continuación, instala el resto de dependencias conforme a los siguientes pasos.
cd AIVA_2024_DCMIA/dcmia
DCMIA_ROOT=$(pwd)
pip install -r requirements.txt
Descargar modelo entrenado de detección de casas.
mkdir models; cd models
gdown https://drive.google.com/uc?id=1lKNUt3BgYel5lC5Hnq88wEF80Qix4Zxy
Descargar imágenes para probar y evaluar el algoritmo. Esto es un paso opcional, sólo es necesario si no tienes tus propias imágenes.
cd $DCMIA_ROOT
mkdir -p data/raw; cd data/raw
gdown --folder https://drive.google.com/drive/folders/1PSpBUJ381ENDvrEDP4qCrHzIQJ5rh6sk
Los scripts ejecutables se encuentran en el directorio raiz $DCMIA_ROOT.
cd $DCMIA_ROOT
Para probar el algoritmo ejecute
python main.py --image_path data/raw/test/images/austin1.tif
Si desea guardar una imagen con el resultado ejecute
python main.py --image_path data/raw/test/images/austin1.tif --output_image ./output.png
Si desea guardar un fichero txt con el número de casas detectadas y las coordenadas de los bounding boxes ejecute
python main.py --image_path data/raw/test/images/austin1.tif --output_results ./results.txt
Para evaluar el rendimiento del algoritmo ejecute
python main.py --image_path data/raw/test/images/austin1.tif --mask_path data/raw/test/masks/austin1.tif
Para entrenar un modelo con tus propios datos, organiza tus imágenes siguiendo esta estructura de directorios.
$DCMIA_ROOT
├── data
└── raw
└── train
└── images
├── image1.tif
├── image2.tif
└── ...
└── masks
├── image1.tif
├── image2.tif
└── ...
En el directorio images se almacenan las imágenes de entrenamiento RGB y en el directorio masks se almacena el ground truth en forma de máscara binaria para cada imagen de images. Todas las imágenes deben estar en formato .tif.
Ejecuta el siguiente script para generar una base de datos de parches de imagen en formato PASCAL VOC a partir de tus imágenes.
cd $DCMIA_ROOT/scripts
python build_images_dataset.py
cd $DCMIA_ROOT
python train.py
Los parámetros del entrenamiento se pueden modificar en $DCMIA_ROOT/src/dcmia/constants.py.
El modelo entrenado se almacena en el directorio $DCMIA_ROOT/models con el nombre model.pth.
Descargar las imágenes necesarias para pasar los test.
cd $DCMIA_ROOT
cd test; mkdir data; cd data
gdown https://drive.google.com/uc?id=1x_3GxaDtfInjAZEWjxnXqWY68qR8snzQ
Ejecutar los test unitarios.
cd $DCMIA_ROOT/test
python -m unittest -v test_house_detector.py test_prediction_patch_matrix.py test_house_detector_evaluator.py
Se ha construido una imagen docker que proporciona el despliegue del sistema en un servidor Flask local.
IMPORTANTE: si deseas habilitar el uso de la GPU es necesario instalar el paquete nvidia-container-toolkit y disponer de una GPU compatible con CUDA 12.1. Sin embargo, esto no es un paso necesario, el sistema también está preparado para correr en CPU.
Descarga la imagen
docker pull jamarma/dcmia-app:latest
Lanza el contenedor con el servidor
Si vas a ejecutar el docker sin aceleración por GPU no uses el parámetro
--gpus all
docker run --rm --gpus all -p 5000:5000 jamarma/dcmia-app
Abre un navegador y dirígente a http://localhost:5000/. Podrás usar el sistema DCMIA desde una interfaz web.
