Instrucciones

0. Crea una nueva carpeta y abre vscode ahi

1. Instalar Anaconda en WSL. Revisa que functione corriendo conda --version desde wsl.

2. Estando aún en wsl, corre sudo apt-get git para instalar git

3. Ahora vamos a clonar los repositories que necesitamos

   • git clone https://github.com/open-mmlab/mmdetection.git
   • git clone https://github.com/CAMMA-public/SurgLatentGraph.git

4. Environment variables

   • En el terminal: echo 'export MMDETECTION=$PWD/mmdetection' >> ~/.bashrc
   • En el terminal: echo 'export PYTHONPATH="$PYTHONPATH:$PWD/SurgLatentGraph"' >> ~/.bashrc
   • En el terminal: source ~/.bashrc

5. Crear y activar el nuevo environment

   • En el terminal: conda create -n latentgraph -y python=3.8 && conda activate latentgraph

6. Ahora el resto. Corre estos comandos uno despues del otro:

   conda install -y pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia
   conda install -y -c dglteam/label/cu113 dgl
   pip install torch-scatter -f https://data.pyg.org/whl/torch-2.1.0+cu118.html
   pip install -U openmim
   mim install mmengine==0.7.4
   mim install "mmcv==2.0.0rc1"
   mim install mmdet==3.2.0
   pip install torchmetrics scikit-learn prettytable imagesize networkx opencv-python yapf==0.40.1

7. Crear los datos. Corre estos comandos uno tras otro

   cd SurgLatentGraph && mkdir -p data/mmdet_datasets && cd data/mmdet_datasets
   wget https://s3.unistra.fr/camma_public/datasets/endoscapes/endoscapes.zip 
   unzip encoscapes.zip && rm endoscpaes.zip && cd ../..

8. Selecciona el dataset

   cd configs/models
   ./select_dataset.sh endoscapes
   cd ../..

9. Intenta correr un training

   mim train mmdet configs/models/faster_rcnn/lg_faster_rcnn.py

Windows

0. Crea una nueva carpeta y abre vscode ahi

1. Ahora vamos a clonar los repositories que necesitamos. Desde el CMD

   • git clone https://github.com/open-mmlab/mmdetection.git
   • git clone https://github.com/CAMMA-public/SurgLatentGraph.git

2. Environment variables. Es importante desde acá no cerrar el terminal en el que estás trabajando.

   • En el CMD: set MMDETECTION=%cd%\mmdetection
   • En el CMD: set PYTHONPATH=%PYTHONPATH%;%cd%\SurgLatentGraph

3. Crear y activar el nuevo environment

   • En el terminal: conda create -n latentgraph -y python=3.8 && conda activate latentgraph

4. Ahora el resto. Corre estos comandos uno despues del otro:

   conda install -y pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia
   conda install -y -c dglteam/label/cu113 dgl
   conda install -y -c conda-forge cudatoolkit=11.8 -y
   pip install torch-scatter -f https://data.pyg.org/whl/torch-2.1.0+cu118.html
   pip install -U openmim
   mim install mmengine==0.7.4
   mim install mmdet==3.2.0
   pip install torchmetrics scikit-learn prettytable imagesize networkx opencv-python yapf==0.40.1

5. Crear los datos. Corre estos comandos uno tras otro

   • En la carpeta SurgLatentGraph crea las carpetas data/mmdet_datasets
   • Decarga el archivo .zip de endoscapes desde https://s3.unistra.fr/camma_public/datasets/endoscapes/endoscapes.zip
   • Descomprime el archivo en la carpeta mmdet_datasets

6. Selecciona el dataset:

   • Ve a SurgLatentGraph/configs/models y corre en el cmd: bash ./select_dataset.sh endoscapes

     Si te sale un error de \r command not found haz lo siguiente:

     wsl
     sed -i 's/\r$//' select_dataset
     ./select_dataset endoscapes

7. Vuelve a la carpeta de SurgLatentGraph y corre

   mim train mmdet configs/models/faster_rcnn/lg_faster_rcnn.py