Dodano szczegolowy harmonogram prac

README.md

@@ -12,16 +12,70 @@
 | 15.06.2024                  | Prezentacja działania systemu
 |                             | Prezentacja wyników i skuteczności wybranego modelu
 
+# Szczegółowy harmonogram
+
+Spotkania dot. progresu prac - każda niedziela, godzina 18:00-20:00.
+Poniżej, kolumna "działanie" jest w formacie `<osoba/osoby> (<numer_zadania>)`.
+Brak osoby oznacza, że zadanie nie zostało jeszcze przypisane.
+
+| Data                        | Działanie
+|----------------------------:|:------------------------------------------------------------|
+| 05.05.2024                  | Sergiusz (1), Mateusz (3), Krzysztof (2)
+| 12.05.2024                  | Wszyscy (5), (4), (6), (7.1)
+| 19.05.2024                  | Wszyscy (5), (7.2) 
+| 26.05.2024                  | Wszyscy (5), (7.3), (9)
+| 02.06.2024                  | (8)
+| 09.06.2024                  | Feedback, ewentualne poprawki
+| 15.06.2024                  | Finalna prezentacja
+
+Szczegóły działań:
+
+1)  Przygotowanie danych i modułu do ich przetwarzania
+    - Napisanie skryptu, który pobiera dane oraz rozpakowuje je lokalnie.
+    - Napisanie szablonu skryptu do przetwarzania danych. Skrypt powinien tworzyć katalogi (struktura katalogowa) z danymi po transformacji. Każda transformacja na oryginalnych danych będzie commit'owana do repozytorium, tak aby reszta zeszpołu mogła ją uruchomić.
+    - Napisać jedną przykładową transformację, np. resize i kontury, korzystając z szablonu.
+    - Utworzyć README.md z instrukcją tworzenia nowego modułu do przetwarzania.
+
+2) Modele do przygotowania:
+    - Przygotować wstępnie 3 modele w formacie WanDB, np. MobileNet, ResNet, ew. custom CNN z klasyfikacją wielozadaniową.
+    - Uruchomić modele na WanDB żeby zobaczyć czy się uruchamiają i generują poprawne wykresy.
+    - Utworzyć README.md z instrukcją tworzenia nowych modeli. 
+
+3) Moduł do ładowania plików
+    - Napisać moduł, który ładuje dane po transformacji. Dane będą wykorzystywane do uczenia i walidacji modelu.
+    - Moduł powinien dokonywać podziału zbioru danych na 3 czesci - train, valid, test.
+    - Powinno być możliwe zdefiniowanie rozmiaru batch'a, rozmiaru validation set'a, scieżki skąd załadować dane.
+    - Dodać możliwość definiowania seed'a, tak aby każdy mógł uzyskać podobne rezultaty w razie potrzeby. Seed powinien być przekierowany na stdout podczas uruchamiania skryptu.
+    - Dodać możliwość wyboru rozkładu danych.
+    - Dane wyjściowe powinny być w formacie pozwalającym na załadowanie ich bezpośrednio do modelu (binarne, tf record, lub inne).
+    - README.md opisujący w jaki sposób parametryzować moduł.
+
+4) Moduł do obslugi i uruchaminia WanDB Job's
+    - Napisać skrypt do ściągania danych z kolejki aby obejść problem uruchamiania agenta na Colab/Kaggle.
+    - Napisać skrypt, który uruchamia job'y i wysyła go na kolejkę. Powinien obsługiwać przyjmowanie hiperparamterów, oraz nazwę kolejki, do której zostanie job przesłany.
+    - Napisać skrypt, który uruchamia agenta na danej maszynie.
+    - Napisać skrypt do tworzenia jobów - powinna być sprecyzowana struktura katalogowa, pozwalająca na zarządzanie nimi i obsługę różnych modeli. Ewentualnie synchronizacja job'ów, między WanDB i środowiskiem lokalnym.
+    - README.md opisujący powyższe.
+
+5) Eksperymenty, dobieranie hiperparametrów, rozkładu danych, testowanie różnych strategii. Jeżeli konieczne, dodanie nowych modeli.
+
+6) Dodać Heatmap'ę do modelu (CAM).
+
+7) Przygotowanie frontu do projektu (https://www.gradio.app/)
+    1. Uruchomienie lokalne Frontu do testów.
+    2. Obsługa wyświetlania Heatmap.
+    3. Deploy frontu na środowisko (lokalne/zdalne, do wyboru).
+
+8) Wybór najlepszego modelu.
+
+9) Modul do obslugi Sweeps - automatycznego dobierania hiperparametrów (opcjonalnie).
+
 # Źródło danych
 
 https://www.kaggle.com/datasets/vipoooool/new-plant-diseases-dataset
 
 # Technologie
 
-## Data Storage
-
-https://www.cloudflare.com/developer-platform/r2/
-
 ## WanDB
 
 WanDB built-in features: