Sewer Binary Classification v9

🚀 간단 추론 모듈 (`inference.py`)

inference.py는 복잡한 설정 파일(config.yaml) 수정 없이, 학습된 모델(.pth)과 이미지 폴더 경로를 바탕으로 간편하게 추론하고 결과를 CSV로 저장하는 모듈입니다.

1. 주요 특징

간편한 실행: config.yaml 없이 CLI 인자만으로도 실행 가능합니다.
자동 결과 저장: 추론 결과(파일명, 예측 클래스, 신뢰도)가 CSV 파일로 자동 저장됩니다.
독립성: 학습 로직이 포함된 코드(main.py, baseline.py)와 별개로 제작해서 추론만 하기에는 더욱 적합합니다.

2. 사용 방법

터미널에서 아래 명령어를 바탕으로 실행합니다.

python inference.py --img_dir "이미지_폴더_경로" --model "모델_파일_경로"

3. 명령어 인자 설명 (Arguments)

--img_dir (필수): 추론을 수행할 이미지들이 저장된 폴더의 경로입니다. 해당 폴더 내의 모든 이미지 파일(jpg, png 등)을 읽어 추론을 진행합니다.
--model (필수): 학습된 모델 가중치 파일(.pth)의 경로입니다. main.py나 baseline.py로 학습하여 저장된 best_model.pth 파일 경로를 입력합니다.
--baseline_name (선택): 베이스라인을 사용할 때 지정하는 아키텍처 이름입니다. (예: efficientnet_b0, xie2019). 제안 모델이 아닌 경우 필수로 입력해야 합니다.
--pruning_info (선택): 가지치기(Pruning)가 적용된 모델을 추론할 때 필요한 pruning_info.yaml 파일의 경로입니다. 이 파일은 Pruning된 모델의 구조를 복원하는 데 사용됩니다. Pruning된 모델인 경우 필수입니다.
--config (선택 / 생략추천): 모델 아키텍처 설정이 담긴 YAML 파일 경로입니다. 생략 시 코드 내장 기본 설정이 사용되기 때문에, 학습 시 사용한 설정을 그대로 적용하려면 생략하는 것이 좋습니다.
--use_int8 (선택): ONNX Runtime을 사용하여 INT8 정적 양자화(Static Quantization) 추론을 수행합니다. CPU 환경에서 추론 속도 향상을 위해 사용합니다. (FP16과 동시 사용 불가)
--use_fp16 (선택): ONNX Runtime을 사용하여 FP16(Half Precision) 추론을 수행합니다. (INT8과 동시 사용 불가)

4. 실행 예시 (Examples)

4.1. 제안 모델

사용 인자 --img_dir, --model

python inference.py --img_dir "./data/samples" --model "./pretrained/proposed_model/original/best_model.pth"

4.2. 원본 베이스라인

사용 인자 --img_dir, --model, --baseline_name

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/original/resnet18/best_model.pth" --baseline_name "resnet18"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/original/efficientnet_b0/best_model.pth" --baseline_name "efficientnet_b0"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/original/mobilenet_v4_s/best_model.pth" --baseline_name "mobilenet_v4_s"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/original/xie2019/best_model.pth" --baseline_name "xie2019"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/original/deit_tiny/best_model.pth" --baseline_name "deit_tiny"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/original/mobile_vit_xxs/best_model.pth" --baseline_name "mobile_vit_xxs"

4.3. Iso-FLOPs Pruned 베이스라인

사용 인자 --img_dir, --model, --baseline_name, --pruning_info

L1-norm Pruning

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/resnet18_l1/best_model.pth" --baseline_name "resnet18" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/resnet18_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/efficientnet_b0_l1/best_model.pth" --baseline_name "efficientnet_b0" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/efficientnet_b0_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/mobilenet_v4_s_l1/best_model.pth" --baseline_name "mobilenet_v4_s" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/mobilenet_v4_s_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/xie2019_l1/best_model.pth" --baseline_name "xie2019" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/xie2019_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/deit_tiny_l1/best_model.pth" --baseline_name "deit_tiny" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/deit_tiny_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/mobile_vit_xxs_l1/best_model.pth" --baseline_name "mobile_vit_xxs" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/mobile_vit_xxs_l1/pruning_info.yaml"

FPGM Pruning

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/resnet18_fpgm/best_model.pth" --baseline_name "resnet18" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/resnet18_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/efficientnet_b0_fpgm/best_model.pth" --baseline_name "efficientnet_b0" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/efficientnet_b0_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/mobilenet_v4_s_fpgm/best_model.pth" --baseline_name "mobilenet_v4_s" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/mobilenet_v4_s_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/xie2019_fpgm/best_model.pth" --baseline_name "xie2019" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/xie2019_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/deit_tiny_fpgm/best_model.pth" --baseline_name "deit_tiny" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/deit_tiny_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/mobile_vit_xxs_fpgm/best_model.pth" --baseline_name "mobile_vit_xxs" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/mobile_vit_xxs_fpgm/pruning_info.yaml"

Wanda Pruning

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/resnet18_wanda/best_model.pth" --baseline_name "resnet18" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/resnet18_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/efficientnet_b0_wanda/best_model.pth" --baseline_name "efficientnet_b0" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/efficientnet_b0_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/mobilenet_v4_s_wanda/best_model.pth" --baseline_name "mobilenet_v4_s" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/mobilenet_v4_s_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/xie2019_wanda/best_model.pth" --baseline_name "xie2019" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/xie2019_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/deit_tiny_wanda/best_model.pth" --baseline_name "deit_tiny" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/deit_tiny_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_FLOPs/mobile_vit_xxs_wanda/best_model.pth" --baseline_name "mobile_vit_xxs" --pruning_info "./pretrained/baselines/pruned/iso_FLOPs/mobile_vit_xxs_wanda/pruning_info.yaml"

4.4. Iso-Params Pruned 베이스라인

사용 인자 --img_dir, --model, --baseline_name, --pruning_info

L1-norm Pruning

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/resnet18_l1/best_model.pth" --baseline_name "resnet18" --pruning_info "./pretrained/baselines/pruned/iso_params/resnet18_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/efficientnet_b0_l1/best_model.pth" --baseline_name "efficientnet_b0" --pruning_info "./pretrained/baselines/pruned/iso_params/efficientnet_b0_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/mobilenet_v4_s_l1/best_model.pth" --baseline_name "mobilenet_v4_s" --pruning_info "./pretrained/baselines/pruned/iso_params/mobilenet_v4_s_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/xie2019_l1/best_model.pth" --baseline_name "xie2019" --pruning_info "./pretrained/baselines/pruned/iso_params/xie2019_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/deit_tiny_l1/best_model.pth" --baseline_name "deit_tiny" --pruning_info "./pretrained/baselines/pruned/iso_params/deit_tiny_l1/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/mobile_vit_xxs_l1/best_model.pth" --baseline_name "mobile_vit_xxs" --pruning_info "./pretrained/baselines/pruned/iso_params/mobile_vit_xxs_l1/pruning_info.yaml"

FPGM Pruning

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/resnet18_fpgm/best_model.pth" --baseline_name "resnet18" --pruning_info "./pretrained/baselines/pruned/iso_params/resnet18_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/efficientnet_b0_fpgm/best_model.pth" --baseline_name "efficientnet_b0" --pruning_info "./pretrained/baselines/pruned/iso_params/efficientnet_b0_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/mobilenet_v4_s_fpgm/best_model.pth" --baseline_name "mobilenet_v4_s" --pruning_info "./pretrained/baselines/pruned/iso_params/mobilenet_v4_s_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/xie2019_fpgm/best_model.pth" --baseline_name "xie2019" --pruning_info "./pretrained/baselines/pruned/iso_params/xie2019_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/deit_tiny_fpgm/best_model.pth" --baseline_name "deit_tiny" --pruning_info "./pretrained/baselines/pruned/iso_params/deit_tiny_fpgm/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/mobile_vit_xxs_fpgm/best_model.pth" --baseline_name "mobile_vit_xxs" --pruning_info "./pretrained/baselines/pruned/iso_params/mobile_vit_xxs_fpgm/pruning_info.yaml"

Wanda Pruning

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/efficientnet_b0_wanda/best_model.pth" --baseline_name "efficientnet_b0" --pruning_info "./pretrained/baselines/pruned/iso_params/efficientnet_b0_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/resnet18_wanda/best_model.pth" --baseline_name "resnet18" --pruning_info "./pretrained/baselines/pruned/iso_params/resnet18_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/mobilenet_v4_s_wanda/best_model.pth" --baseline_name "mobilenet_v4_s" --pruning_info "./pretrained/baselines/pruned/iso_params/mobilenet_v4_s_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/xie2019_wanda/best_model.pth" --baseline_name "xie2019" --pruning_info "./pretrained/baselines/pruned/iso_params/xie2019_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/deit_tiny_wanda/best_model.pth" --baseline_name "deit_tiny" --pruning_info "./pretrained/baselines/pruned/iso_params/deit_tiny_wanda/pruning_info.yaml"

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/pruned/iso_params/mobile_vit_xxs_wanda/best_model.pth" --baseline_name "mobile_vit_xxs" --pruning_info "./pretrained/baselines/pruned/iso_params/mobile_vit_xxs_wanda/pruning_info.yaml"

4.5. `.pth` → ONNX 변환 후 INT8/FP16 적용 예시 (플래그 사용)

.pth 파일을 입력으로 주고 스크립트 내부에서 ONNX로 변환하여 INT8 또는 FP16 추론을 수행하려면 --use_int8 또는 --use_fp16 플래그를 함께 사용합니다. (두 플래그는 동시에 사용 불가)

제안 모델 (.pth → INT8 변환 후 추론)

python inference.py --img_dir "./data/samples" --model "./pretrained/proposed_model/original/best_model.pth" --use_int8

제안 모델 (.pth → FP16 변환 후 추론)

python inference.py --img_dir "./data/samples" --model "./pretrained/proposed_model/original/best_model.pth" --use_fp16

베이스라인 모델 예시 (.pth → INT8, 모델명 명시)

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/original/efficientnet_b0/best_model.pth" --baseline_name "efficientnet_b0" --use_int8

베이스라인 모델 예시 (.pth → FP16, 모델명 명시)

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/original/deit_tiny/best_model.pth" --baseline_name "deit_tiny" --use_fp16

4.6. ONNX Runtime 직접 사용 예시 (플래그 생략)

이미 FP16/INT8로 변환되어 있는 .onnx 파일을 입력으로 주어 ONNX Runtime으로 바로 추론할 때는 --use_int8/--use_fp16 플래그를 사용하지 마십시오. (--model에 .onnx 경로만 전달하면 스크립트가 자동으로 ONNX Runtime 세션을 생성합니다.)

제안 모델 (이미 변환된 INT8 ONNX)

python inference.py --img_dir "./data/samples" --model "./pretrained/proposed_model/int8/best_model_int8.onnx"

제안 모델 (이미 변환된 FP16 ONNX)

python inference.py --img_dir "./data/samples" --model "./pretrained/proposed_model/fp16/best_model_fp16.onnx"

베이스라인 모델 예시 (이미 변환된 INT8 ONNX, 모델명 명시)

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/int8/efficientnet_b0/best_model_int8.onnx" --baseline_name "efficientnet_b0"

베이스라인 모델 예시 (이미 변환된 FP16 ONNX, 모델명 명시)

python inference.py --img_dir "./data/samples" --model "./pretrained/baselines/fp16/deit_tiny/best_model_fp16.onnx" --baseline_name "deit_tiny"

5. 테스트용 샘플

./data/samples: 아래 두 종류의 샘플을 합친 500장
- ./data/samples_defect_350: 제안 모델이 Defect 분류한 이미지 샘플 350장
- ./data/samples_normal_150: 제안 모델이 Normal로 분류한 이미지 샘플 150장

6. ✨ 전체 데이터셋

pretrained 폴더에 저장된 혼동행렬의 성능을 직접 확인하기 위해서는 테스트용 샘플 대신에 전체 데이터셋 (abnormal: 815, normal: 877)을 --img_dir 경로로 지정해야 합니다. (용량 문제로 인해 본 압축 파일에는 전체 데이터셋이 존재하지 않습니다.)

📝 프로젝트 설명

1. 소개 (Introduction)

이 문서는 sewer_binary_cls_v7 프로젝트의 main.py와 baseline.py를 사용하여 모델을 훈련하고 추론하는 방법을 안내합니다.

2. 실행 환경 설정 (Configuration)

모든 실행 관련 설정은 config.yaml 파일을 통해 제어됩니다. 스크립트를 실행하기 전에 이 파일을 사용자의 환경과 목적에 맞게 수정해야 합니다.

3. 사전 훈련된 모델로 추론하기 (Inference with Pre-trained Models)

기존에 훈련 및 저장된 .pth 모델 가중치를 사용하여 추론을 수행하고, 이전에 기록된 성능과 동일한 결과를 재현할 수 있습니다.

3.1. config.yaml 파일 수정:

run.mode를 'inference'로 설정하여 실행 모드를 추론으로 변경합니다.
run.pth_inference_dir에 추론에 사용할 .pth 파일이 위치한 디렉토리 경로를 정확히 입력합니다.

run.pth_best_name에 불러올 모델의 파일명(예: best_model.pth)을 정확히 입력합니다.

run:
  mode: 'inference'
  pth_inference_dir: 'path/to/your/pth/directory' 
  pth_best_name: 'best_model.pth'

3.2. 스크립트 실행:

설정이 완료되면 main.py 또는 baseline.py를 실행하여 추론을 시작합니다.
두 스크립트는 사용하는 모델 아키텍처에 따라 구분됩니다.

3.3. main.py vs baseline.py

main.py 실행:
- models.py에 정의된 커스텀 아키텍처 모델을 실행할 때 사용합니다.
- 모델의 세부 구조(예: CNN 백본, 트랜스포머 레이어 수 등)는 config.yaml의 model 섹션에서 상세하게 설정할 수 있습니다.
baseline.py 실행:
- ResNet, EfficientNet, ViT, Swin Transformer 등 표준적인 딥러닝 모델을 실행할 때 사용합니다.
- 사용할 모델은 config.yaml의 baseline 섹션에 있는 model_name 파라미터로 지정합니다.

4. Baseline 모델 추론 가이드 (`baseline.py`)

baseline.py를 사용하여 추론할 때는 원본 모델인지 가지치기(pruning)된 모델인지에 따라 config.yaml 설정을 다르게 해야 합니다.

4.1. 원본 모델 (Unpruned Model) 추론

가지치기가 적용되지 않은 원본 모델의 성능을 재현하려면, config.yaml의 baseline 섹션에 있는 모든 가지치기 관련 옵션을 false로 설정하고 관련 수치들을 비활성화(0 또는 주석 처리)해야 합니다.

baseline:
  model_name: 'xie2019' # 추론하려는 모델 이름

  # --- 모든 경량화 옵션을 false로 설정 ---
  use_l1_pruning: false
  use_fpgm_pruning: false
  # pruning_sparsity: 0.0 # 사용되지 않음
  pruning_flops_target: 0.0 # 0으로 설정하여 비활성화

4.2. 가지치기된 모델 (Pruned Model) 추론

가지치기된 모델의 성능을 재현하려면, 해당 모델을 훈련할 때 생성된 pruning_info.yaml 파일을 반드시 참조해야 합니다.

pruning_info.yaml 확인: 모델 훈련 시 생성된 로그 디렉토리에서 pruning_info.yaml 파일을 찾아, 적용되었던 가지치기 종류(pruning_method)와 희소도(pruning_sparsity) 값을 확인합니다.

config.yaml 수정:

pruning_info.yaml에 명시된 가지치기 방법에 해당하는 use_..._pruning 옵션만 true로 설정하고, 나머지는 모두 false로 설정합니다.
pruning_sparsity 값을 pruning_info.yaml에서 확인한 값과 정확히 동일하게 config.yaml에 복사하여 붙여넣습니다.

예시: depgraph 방식으로 0.4756... 만큼 가지치기된 모델을 재현하는 경우

baseline:
  model_name: 'xie2019' # 예시 모델

  # --- 경량화 옵션 ---
  use_fpgm_pruning: true # pruning_info.yaml에 명시된 프루닝만 true로 설정
  # ... 나머지 프루닝 관련 use_ 옵션은 모두 false ...

  pruning_sparsity: 0.4756640625 # pruning_info.yaml에서 가져온 값
  pruning_flops_target: 0.0      # sparsity를 직접 지정하므로 0으로 설정

5. 순수 추론 및 결과 저장 (Pure Inference)

정답 레이블이 없는 데이터에 대해 추론만 수행하고, 각 데이터에 대한 예측 결과를 파일로 저장하고 싶을 때 only_inference 옵션을 사용합니다. 이는 실제 배포 환경에서 유용하게 사용될 수 있습니다.

config.yaml 파일 수정:

run.only_inference를 true로 설정합니다. false로 설정하면 정답 레이블과 비교하여 성능 평가를 수행합니다.

run:
  mode: 'inference'
  only_inference: true

dataset:
  type: 'image_folder'
  train_split_ratio: 0.0 # 모든 이미지를 추론에 사용하기 위해 0.0으로 설정

실행 결과:
- 스크립트 실행이 완료되면, 실행 로그가 저장되는 디렉토리에 inference_results_{timestamp}.csv 파일이 생성됩니다.
- 이 CSV 파일에는 각 이미지 파일의 경로, 모델이 예측한 클래스, 그리고 해당 예측에 대한 신뢰도(confidence score)가 기록됩니다.

6. ONNX 변환 및 평가 (ONNX Conversion & Evaluation)

config.yaml 파일의 evaluate_onnx 옵션을 true로 설정하면, PyTorch 모델(.pth)을 ONNX(Open Neural Network Exchange) 형식으로 변환하고 평가하는 기능을 활성화할 수 있습니다.

동작 시점:
- train 모드: 훈련이 완료된 후, 최고 성능의 모델을 테스트셋으로 최종 평가하는 과정에서 .pth 파일이 .onnx 파일로 변환되어 로그 디렉토리에 저장됩니다.
- inference 모드: 지정된 .pth 파일을 불러와 추론을 수행한 후, 해당 모델을 .onnx 파일로 변환하여 로그 디렉토리에 저장합니다.
설정 방법: config.yaml 파일에서 evaluate_onnx 값을 true로 설정합니다.
```
run:
  # ...
  evaluate_onnx: true
```
결과:
- 실행 로그가 저장되는 디렉토리(예: log/DATASET_NAME/RUN_TIMESTAMP/)에 model_TIMESTAMP.onnx와 같은 이름으로 ONNX 파일이 생성됩니다.
- 변환된 ONNX 모델의 성능(추론 시간, 정확도 등)이 PyTorch 모델과 함께 측정되어 로그에 기록됩니다.

Name		Name	Last commit message	Last commit date
data		data
figure_utils		figure_utils
log		log
.gitignore		.gitignore
README.md		README.md
baseline.py		baseline.py
benchmark.py		benchmark.py
config.yaml		config.yaml
dataloader.py		dataloader.py
diagram.md		diagram.md
experiment.xlsx		experiment.xlsx
main.py		main.py
model.py		model.py
plot.py		plot.py
requirements.txt		requirements.txt
utils.py		utils.py

Navigation Menu

Repository files navigation

Sewer Binary Classification v9

🚀 간단 추론 모듈 (`inference.py`)

1. 주요 특징

2. 사용 방법

3. 명령어 인자 설명 (Arguments)

4. 실행 예시 (Examples)

4.1. 제안 모델

4.2. 원본 베이스라인

4.3. Iso-FLOPs Pruned 베이스라인

L1-norm Pruning

FPGM Pruning

Wanda Pruning

4.4. Iso-Params Pruned 베이스라인

L1-norm Pruning

FPGM Pruning

Wanda Pruning

4.5. `.pth` → ONNX 변환 후 INT8/FP16 적용 예시 (플래그 사용)

4.6. ONNX Runtime 직접 사용 예시 (플래그 생략)

5. 테스트용 샘플

6. ✨ 전체 데이터셋

📝 프로젝트 설명

1. 소개 (Introduction)

2. 실행 환경 설정 (Configuration)

3. 사전 훈련된 모델로 추론하기 (Inference with Pre-trained Models)

4. Baseline 모델 추론 가이드 (`baseline.py`)

5. 순수 추론 및 결과 저장 (Pure Inference)

6. ONNX 변환 및 평가 (ONNX Conversion & Evaluation)

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

Sewer Binary Classification v9

🚀 간단 추론 모듈 (inference.py)

1. 주요 특징

2. 사용 방법

3. 명령어 인자 설명 (Arguments)

4. 실행 예시 (Examples)

4.1. 제안 모델

4.2. 원본 베이스라인

4.3. Iso-FLOPs Pruned 베이스라인

L1-norm Pruning

FPGM Pruning

Wanda Pruning

4.4. Iso-Params Pruned 베이스라인

L1-norm Pruning

FPGM Pruning

Wanda Pruning

4.5. .pth → ONNX 변환 후 INT8/FP16 적용 예시 (플래그 사용)

4.6. ONNX Runtime 직접 사용 예시 (플래그 생략)

5. 테스트용 샘플

6. ✨ 전체 데이터셋

📝 프로젝트 설명

1. 소개 (Introduction)

2. 실행 환경 설정 (Configuration)

3. 사전 훈련된 모델로 추론하기 (Inference with Pre-trained Models)

4. Baseline 모델 추론 가이드 (baseline.py)

5. 순수 추론 및 결과 저장 (Pure Inference)

6. ONNX 변환 및 평가 (ONNX Conversion & Evaluation)

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

🚀 간단 추론 모듈 (`inference.py`)

4.5. `.pth` → ONNX 변환 후 INT8/FP16 적용 예시 (플래그 사용)

4. Baseline 모델 추론 가이드 (`baseline.py`)