conda create -n dl-meg python=3.10
conda activate dl-meg
pip install poetry
poetry installpoetry run python main.py
# オンラインで結果の可視化（wandbのアカウントが必要）
poetry run python main.py use_wandb=True-
outputs/{実行日時}/に重みmodel_best.ptとmodel_last.pt，テスト入力に対する予測submission.npyが保存されます．submission.npyをOmnicampusに提出することで，test top-10 accuracyが確認できます．model_best.ptはvalidation top-10 accuracyで評価
-
訓練時に読み込む
config.yamlファイルはtrain.py，run()の@hydra.mainデコレータで指定しています．新しいyamlファイルを作った際は書き換えてください．
- テストデータに対する評価のみあとで実行する場合．出力される
submission.npyは訓練で最後に出力されるものと同じです．
poetry run python eval.py model_path={評価したい重みのパス}.ptデータセット[link]の詳細
-
1,854クラス，22,448枚の画像（1クラスあたり12枚程度）
- クラスの例: airplane, aligator, apple, ...
-
各クラスについて，画像を約6:2:2の割合で訓練，検証，テストに分割
-
4人の被験者が存在し，どの被験者からのサンプルかは訓練に利用可能な情報として与えられる (
*_subject_idxs.pt)．
-
こちらから
data.zipをダウンロードし，data/ディレクトリに展開してください． -
画像を事前学習などに用いる場合は，ドライブから
images.zipをダウンロードし，任意のディレクトリで展開します．{train, val}_image_paths.txtのパスを使用し，自身でデータローダーなどを作成してください．
-
本コンペでは，被験者が画像を見ているときの脳波から，その画像がどのクラスに属するかを分類します．
-
評価はtop-10 accuracyで行います．
- モデルの予測確率トップ10に正解クラスが含まれているかどうか
- つまりchance levelは10 / 1,854 ≒ 0.54%となります．
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent