datatonFach

Integrantes:

• Luis Aros Illanes
• Andres Sebastian de la Fuente
• Lucas Carrasco Estay
• Benjamin Henriquez Soto
• Sebastian Breguel Gonzalez
• Martin Bravo Diaz

Demo interactiva

Instalación

0. Instalar poetry para instalar las librerias necesarias.

pip install poetry

1. Clone the repository

git clone git@github.com:sebastianbreguel/datatonFach.git

2. Run poetry install

poetry install

Ejecucción

3. Ejecutar la app de streamlit desde \interface\

cd .\interface\

4. Run streamlit run app.py

streamlit run .\app.py

Entrenamiento y predicción

Para usar DinoV2 con GPU hay que instalar la version de Torch considerando la versión de CUDA y OS, la página oficial de pytorch genera el cmd especifico para la instalacion https://pytorch.org/get-started/locally/, uego instalar el requirements.txt.

Instalación

pip install -r requirements.txt

descarga de datos y modelos

Descargar los datos usados y modelos generados desde google drive

Preparar datos de entrenamiento

Ejecutar los scripts desde src ya que los path de los archivos de entrada y salida estan relativos a esta carpeta.

cd .\src\

Se crean las imagenes de entrada con falso RGB usando Elevacion, NDVI y NDVI_std como canales.

python create_input_images.py

Se procesan las imagenes con DinoV2 para obtener los patch embedddings, se crean los archivos features.npy y labels_cls.npy con los datos para entrenar.

python create_train_dataset.py

Entrenar

Los modelos entrenados se guardar en la carpeta .\models.

python train_model_from_features.py

Predecir

Las predicciones se guardaran en la carpeta .\data\predictions con el timestamp en el nombre del momento de la ejecucción.

python predict_knn_dinov2.py