Feedback

.gitignore

@@ -0,0 +1,146 @@
+# Byte-compiled / optimized / DLL files
+__pycache__/
+*.py[cod]
+*$py.class
+*.txt
+*.png
+# C extensions
+*.so
+
+# Distribution / packaging
+.Python
+build/
+develop-eggs/
+dist/
+downloads/
+eggs/
+.eggs/
+lib64/
+parts/
+sdist/
+var/
+wheels/
+*.egg-info/
+.installed.cfg
+*.egg
+MANIFEST
+
+# PyInstaller
+#  Usually these files are written by a python script from a template
+#  before PyInstaller builds the exe, so as to inject date/other infos into it.
+*.manifest
+*.spec
+
+# Installer logs
+pip-log.txt
+pip-delete-this-directory.txt
+
+# Unit test / coverage reports
+htmlcov/
+.tox/
+.coverage
+.coverage.*
+.cache
+nosetests.xml
+coverage.xml
+*.cover
+.hypothesis/
+.pytest_cache/
+
+# Translations
+*.mo
+*.pot
+
+# Django stuff:
+*.log
+local_settings.py
+db.sqlite3
+
+# Flask stuff:
+instance/
+.webassets-cache
+
+# Scrapy stuff:
+.scrapy
+
+# Sphinx documentation
+docs/en/_build/
+docs/zh_cn/_build/
+
+# PyBuilder
+target/
+
+# Jupyter Notebook
+.ipynb_checkpoints
+
+# pyenv
+.python-version
+
+# celery beat schedule file
+celerybeat-schedule
+
+# SageMath parsed files
+*.sage.py
+
+# Environments
+.env
+.venv
+env/
+venv/
+ENV/
+env.bak/
+venv.bak/
+
+# Spyder project settings
+.spyderproject
+.spyproject
+
+# Rope project settings
+.ropeproject
+
+# mkdocs documentation
+/site
+
+# mypy
+.mypy_cache/
+
+data/
+data
+.vscode
+.idea
+.DS_Store
+
+# custom
+*.pkl
+*.pkl.json
+*.log.json
+*.csv
+*.out
+docs/modelzoo_statistics.md
+mmdet/.mim
+work_dirs/
+wandb/
+
+# Pytorch
+*.pth
+*.py~
+*.sh~
+*.pt
+*.jpg
+*.json
+
+# wandb
+wandb/
+
+# mmsegmentation
+configs/
+demo/
+docker/
+docs/
+mmseg/
+projects/
+resources/
+tests/
+tools/
+
+*.gz

README.md

@@ -0,0 +1,64 @@
+<div align="right">
+  <a href="https://hits.seeyoufarm.com"><img src="https://hits.seeyoufarm.com/api/count/incr/badge.svg?url=https://github.com/boostcampaitech7/level2-cv-semanticsegmentation-cv-15-lv3&count_bg=%23C6D2FF&title_bg=%23555555&icon=&icon_color=%23FFFFFF&title=hits&edge_flat=false"/></a>
+</div>
+
+![image](https://github.com/user-attachments/assets/f328716c-8655-4068-b12d-ae5db115d497)
+- 2024.11.13 10:00 ~ 2024.11.28 19:00
+- X-ray 이미지에서 사람의 뼈를 Segmentation 하는 인공지능 만들기
+
+| 커밋 유형 | 의미 |
+| :-: | -|
+|feat|	새로운 기능 추가|
+|fix|	버그 수정|
+|docs	|문서 수정|
+|style|	코드 formatting, 세미콜론 누락, 코드 자체의 변경이 없는 경우|
+|refactor	|코드 리팩토링|
+|test|	테스트 코드, 리팩토링 테스트 코드 추가|
+|chore|	패키지 매니저 수정, 그 외 기타 수정 ex) .gitignore|
+|design|	CSS 등 사용자 UI 디자인 변경|
+|comment	|필요한 주석 추가 및 변경|
+|rename|	파일 또는 폴더 명을 수정하거나 옮기는 작업만인 경우|
+|remove|	파일을 삭제하는 작업만 수행한 경우|
+|!BREAKING |CHANGE	커다란 API 변경의 경우|
+|!HOTFIX	|급하게 치명적인 버그를 고쳐야 하는 경우|
+
+
+## 팀원 소개
+
+##  :sunglasses:팀원 소개
+
+| [![](https://avatars.githubusercontent.com/jung0228)](https://github.com/jung0228) | [![](https://avatars.githubusercontent.com/chan-note)](https://github.com/chan-note) | [![](https://avatars.githubusercontent.com/batwan01)](https://github.com/batwan01) | [![](https://avatars.githubusercontent.com/jhuni17)](https://github.com/jhuni17) |  [![](https://avatars.githubusercontent.com/u/93571932?v=4)](https://github.com/uddaniiii) | [![](https://avatars.githubusercontent.com/u/48996852?v=4)](https://github.com/min000914) | 
+| ---------------------------------------------------- | ------------------------------------------------------ | --------------------------------------------------- | ------------------------------------------------------- | --------------------------------------------------- | ------------------------------------------------------- |
+| [정현우](https://github.com/jung0228)   |   [임찬혁](https://github.com/chan-note)     | [박지완](https://github.com/batwan01)          | [최재훈](https://github.com/jhuni17) | [이단유](https://github.com/uddaniiii)  | [민창기](https://github.com/min000914) |
+
+## 대회 소개
+![image](https://github.com/user-attachments/assets/4790d3af-b534-4751-b65c-a51da184ec65)
+
+
+뼈는 우리 몸의 구조와 기능에 중요한 영향을 미치기 때문에, 정확한 뼈 분할은 의료 진단 및 치료 계획을 개발하는 데 필수적입니다.
+
+Bone Segmentation은 인공지능 분야에서 중요한 응용 분야 중 하나로, 특히, 딥러닝 기술을 이용한 뼈 Segmentation은 많은 연구가 이루어지고 있으며, 다양한 목적으로 도움을 줄 수 있습니다.
+
+질병 진단의 목적으로 뼈의 형태나 위치가 변형되거나 부러지거나 골절 등이 있을 경우, 그 부위에서 발생하는 문제를 정확하게 파악하여 적절한 치료를 시행할 수 있습니다.
+
+수술 계획을 세우는데 도움이 됩니다. 의사들은 뼈 구조를 분석하여 어떤 종류의 수술이 필요한지, 어떤 종류의 재료가 사용될 수 있는지 등을 결정할 수 있습니다.
+
+의료장비 제작에 필요한 정보를 제공합니다. 예를 들어, 인공 관절이나 치아 임플란트를 제작할 때 뼈 구조를 분석하여 적절한 크기와 모양을 결정할 수 있습니다.
+
+의료 교육에서도 활용될 수 있습니다. 의사들은 병태 및 부상에 대한 이해를 높이고 수술 계획을 개발하는 데 필요한 기술을 연습할 수 있습니다.
+
+## 사용된 데이터셋 정보
+
+- **데이터셋 이름**: 
+- **출처**: 
+
+### 데이터셋 설명
+
+Input : hand bone x-ray 객체가 담긴 이미지가 모델의 인풋으로 사용됩니다. segmentation annotation은 json file로 제공됩니다.
+
+Output : 모델은 각 클래스(29개)에 대한 확률 맵을 갖는 멀티채널 예측을 수행하고, 이를 기반으로 각 픽셀을 해당 클래스에 할당합니다.
+
+최종적으로 예측된 결과를 Run-Length Encoding(RLE) 형식으로 변환하여 csv 파일로 제출합니다.
+
+---
+

UNet3+/Code/CropInferecneRun.py

@@ -0,0 +1,146 @@
+import os
+import importlib
+import albumentations as A
+from torch.utils.data import DataLoader
+import torch
+import pandas as pd
+import numpy as np
+import cv2
+from tqdm.auto import tqdm
+from ultralytics import YOLO
+from torch.multiprocessing import set_start_method
+import torch.nn.functional as F
+
+import config
+from DataSet.YoloInferenceDataset import XRayInferenceDataset
+
+
+def keep_largest_connected_component(mask):
+    num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(mask.astype(np.uint8), connectivity=8)
+    if num_labels <= 1:
+        return mask
+    largest_label = 1 + np.argmax(stats[1:, cv2.CC_STAT_AREA])
+    return (labels == largest_label).astype(np.uint8)
+
+
+def encode_mask_to_rle(mask):
+    pixels = mask.flatten()
+    pixels = np.concatenate([[0], pixels, [0]])
+    runs = np.where(pixels[1:] != pixels[:-1])[0] + 1
+    runs[1::2] -= runs[::2]
+    return ' '.join(str(x) for x in runs)
+
+
+def get_model_class(model_name):
+    module_name, class_name = model_name.rsplit(".", 1)
+    module = importlib.import_module(module_name)
+    return getattr(module, class_name)
+
+
+def test(model, data_loader, thr=0.5):
+    model = model.cuda()
+    model.eval()
+
+    rles = []
+    filename_and_class = []
+    with torch.no_grad():
+        CLASS_COLORS = [
+            (255, 0, 0), (0, 255, 0), (0, 0, 255), (255, 255, 0),
+            (255, 0, 255), (0, 255, 255), (128, 128, 128), (255, 165, 0)
+        ]
+
+        for step, (images, image_names, crop_boxes) in tqdm(enumerate(data_loader), total=len(data_loader)):
+            images = images.cuda()
+            outputs = model(images)
+
+            for output, image, image_name, crop_box in zip(outputs, images, image_names, crop_boxes):
+                start_x, start_y, end_x, end_y = crop_box
+                output = torch.sigmoid(output).detach().cpu().numpy()
+                crop_width, crop_height = end_x - start_x, end_y - start_y
+                output_height, output_width = output.shape[-2:]
+
+                if (output_width != crop_width) or (output_height != crop_height):
+                    raise ValueError("Output size does not match crop size!")
+
+                image = (image.permute(1, 2, 0).cpu().numpy() * 255).astype(np.uint8)
+                overlay_mask = np.zeros_like(image, dtype=np.uint8)
+
+                for c, segm in enumerate(output):
+                    binary_mask = (segm > thr).astype(np.uint8)
+                    color = CLASS_COLORS[c]
+                    color_mask = np.zeros_like(overlay_mask, dtype=np.uint8)
+                    for i in range(3):
+                        color_mask[:, :, i] = binary_mask * color[i]
+                    overlay_mask = cv2.add(overlay_mask, color_mask)
+
+                blended_image = cv2.addWeighted(image, 0.7, overlay_mask, 0.3, 0)
+                clean_image_name = os.path.basename(image_name)
+                save_path = f"/data/ephemeral/home/MCG/YOLO_Detection_Model/test_last/{clean_image_name}"
+                cv2.imwrite(save_path, cv2.cvtColor(blended_image, cv2.COLOR_RGB2BGR))
+
+                for c, segm in enumerate(output):
+                    binary_mask = (segm > thr).astype(np.uint8)
+                    largest_component = keep_largest_connected_component(binary_mask)
+                    full_size_mask = np.zeros((2048, 2048), dtype=np.uint8)
+                    full_size_mask[start_y:end_y, start_x:end_x] = largest_component
+                    rle = encode_mask_to_rle(full_size_mask)
+                    rles.append(rle)
+                    filename_and_class.append(f"{config.IND2CLASS[c]}_{image_name}")
+
+    return rles, filename_and_class
+
+
+if __name__ == "__main__":
+    set_start_method("spawn", force=True)
+
+    # 동적으로 모델 로드
+    model_name = f"Model.{config.INFERENCE_MODEL_NAME}"
+    ModelClass = get_model_class(model_name)
+    model = ModelClass()
+    model.load_state_dict(torch.load(os.path.join(config.SAVED_DIR, config.INFERENCE_MODEL_NAME)))
+
+    yolo_model = YOLO("/data/ephemeral/home/MCG/YOLO_Detection_Model/best.pt")
+
+    pngs = {
+        os.path.relpath(os.path.join(root, fname), start=config.TEST_IMAGE_ROOT)
+        for root, _, files in os.walk(config.TEST_IMAGE_ROOT)
+        for fname in files
+        if os.path.splitext(fname)[1].lower() == ".png"
+    }
+
+    test_dataset = XRayInferenceDataset(
+        filenames=pngs,
+        yolo_model=yolo_model,
+        save_dir=config.SAVE_VISUALIZE_TRAIN_DATA_PATH,
+        draw_enabled=True
+    )
+
+    def custom_collate_fn(batch):
+        images, image_names, crop_boxes = zip(*batch)
+        return (
+            torch.stack(images),
+            list(image_names),
+            list(crop_boxes)
+        )
+
+    test_loader = DataLoader(
+        dataset=test_dataset,
+        batch_size=1,
+        shuffle=False,
+        num_workers=0,
+        drop_last=False,
+        collate_fn=custom_collate_fn
+    )
+
+    rles, filename_and_class = test(model, test_loader, thr=0.5)
+
+    classes, filename = zip(*[x.split("_") for x in filename_and_class])
+    image_name = [os.path.basename(f) for f in filename]
+
+    df = pd.DataFrame({
+        "image_name": image_name,
+        "class": classes,
+        "rle": rles,
+    })
+
+    df.to_csv(os.path.join(config.CSVDIR, config.CSVNAME), index=False)