2024-05-11 20:00:07 +02:00
1 changed files with 2 additions and 81 deletions
--- a/README.md
+++ b/README.md
@ -12,85 +12,6 @@
 | 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
-
-## WanDB
-
-WanDB built-in features:
-
- Experiments Tracking 
- Predictions Visualization
- Scheduling runs through queues & connected agents
- Model Registry
- Hyperparamter optimization via Sweeps
-
-## Moc obliczeniowa
-
- Radeon 7800XT
- GeForce RTX 3060TI
- GeForce RTX 3070
- GeForce RTX 4050M
- [zasoby uczelniane](https://laboratoria.wmi.amu.edu.pl/uslugi/zasoby-dla-projektow/maszyna-gpu/)
+# Dokumentacja

+[Link do dokumentacji](https://uam-my.sharepoint.com/personal/krzboj_st_amu_edu_pl/_layouts/15/doc.aspx?sourcedoc={dc695bbe-68d1-4947-8c29-1d008f252a3b}&action=edit)