лцим

макет-оценка

Настраивать

Мы используем поэзию для управления зависимостями. Установите поэзию и выполните следующую команду, чтобы установить зависимости.

 poetry install

Подготовка данных

Загрузите предварительно обработанный набор данных и созданные макеты, выполнив следующую команду.

 wget https://github.com/mayu-ot/ltsim/releases/download/v1.0.0-alpha/data.zip
unzip data.zip

Каталог данных должен выглядеть так:

 data
├── datasets # post-processed datasets
│   ├── rico25
│   │   ├── test.json
│   │   ├── train.json
│   │   └── val.json
│   └── publaynet
├──fid_feat # pre-extracted features for FID evaluation
├── results_conditional # generated layouts for conditional layout generation
│   ├── publaynet
│   └── rico
└── results_conditional # generated layouts for unconditional layout generation
    ├── publaynet
    └── rico
        ├── partial # generated layouts for layout completion
        └── c # generated layouts for label-conditioned layout generation
            ├── bart
            ├── ...
            └──vqdiffusion

Извлечение признаков FID

1. Загрузите ресурсы LayoutDM и скопируйте download/fid_weights/FIDNetV3/rico25-max25/model_best.pth.tar в $FID_WEIGHT_FILE.
2. Запустите следующую команду, чтобы извлечь функции макета для оценки FID в наборе данных RICO.

 python src/experiments/feature_extraction.py 
  --dataset_type rico25 
  --input_dataset_json $DATASET_JSON 
  --output_feat_file $OUTPUT_FILE_NAME 
  --fid_weight_file $FID_WEIGHT_FILE

Оценка создания условного макета

Загрузите сгенерированные макеты в ./data следуя инструкции. Запустите сценарий, чтобы получить результаты оценки RICO. Результаты сохраняются в data/results/eval_conditional/rico/result.csv

 poetry run python src/experiments/eval_conditional.py rico

Оцените генерацию безусловного макета

Загрузите сгенерированные макеты в ./data следуя инструкции. Запустите сценарий, чтобы получить результаты оценки RICO. Результаты сохраняются в $RESULT_FILE.

 poetry run python src/experiments/eval_unconditional.py rico $RESULT_FILE

Демо

Чтобы запустить итеративное приложение и опробовать метрики оценки, выполните следующую команду.

 streamlit run src/app/measure_explore.py