MAISI missing labels for conditioning maisi-rflow with vista3D pseudo labels
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 25/100
- Tipo de issue
- Error
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Stack tecnológico
- jupyter-notebook, pytorch
- Área
- machine-learning
Línea de trabajo
Compara los archivos label_dict.json enlazados de MAISI y VISTA3D y revisa el tutorial de inferencia de MAISI y sus pseudoetiquetas proporcionadas. Rastrea de dónde procede la etiqueta 200=body y determina qué modelo o pipeline produce etiquetas completas compatibles con el condicionamiento de maisi-rflow. Se considera terminado cuando el mapeo de etiquetas compatible y la ruta de generación estén documentados o corregidos.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
I’m training a pre-trained maisi-rflow model to generate new images conditioned on segmentation masks generated with vista3D.
In MAISI-data is written that the pseudo-labels can be produced using VISTA3D. I’m using MONAI bundle. Both MAISI and VISTA3D have labels IDs from 1 to 132 as can be compared in this two links:
1.https://github.com/Project-MONAI/tutorials/blob/main/generation/maisi/configs/label_dict.json
2. https://github.com/Project-MONAI/VISTA/blob/main/vista3d/data/jsons/label_dict.json
However, when I follow the MAISI inference tutorial and download the provided pseudo-labels, I see the label 200=body which does not exist in VISTA3D. As a result, when I condition maisi-rflow on my masks that only include IDs up to 132, generation quality degrades due to the missing label.
Which model or pipeline should I use to produce complete pseudo-labels compatible with maisi-rflow conditioning? Below are examples of generated images.
- Lenguaje dominante
- Jupyter Notebook
- Estrellas
- 2.6k
- Forks
- 807
- Merge medio
- 3 d 7 h
- PR fusionados (30 d)
- 3
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Tiene una plantilla de pull request
- Leer la guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de Project-MONAI/tutorials
-
Dificultad 1/5 1-3 horas Aptitud para principiantes 76/100
Project-MONAI/tutorials#2069 ·
-
Dificultad 1/5 Menos de una hora Aptitud para principiantes 85/100
Project-MONAI/tutorials#1704 ·
-
Dificultad 4/5 3-5 días Aptitud para principiantes 45/100
Project-MONAI/tutorials#2080 ·
-
Rehost CONSepPosiblemente ocupada @vikashg la tomó hace 16 días. Abierto
Project-MONAI/tutorials#2079 · 1 comentario · 2 asignados ·
-
Dificultad 4/5 3-5 días Aptitud para principiantes 62/100
Project-MONAI/tutorials#2071 ·
Todos los issues de Project-MONAI/tutorials
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100
NVIDIA/earth2studio#1241 ·
Los mantenedores suelen responder en 3 días
-
torch_ops/logprob.cu does not compile with the serving container's nvcc (13.3.73); check_torch_ops.py cannot run as shippedPosiblemente ocupada Un pull request vinculado a esta issue está abierto o ya se fusionó. Abierto
Dificultad 2/5 Menos de una hora Aptitud para principiantes 72/100
ashhart/TensorFold#535 ·
Los mantenedores suelen responder en 1 día
-
Inference latency benchmarkAbiertoevaluation
Dificultad 2/5 1-3 horas Aptitud para principiantes 66/100
-
hw: pvc tests: vllm vllm
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
intel/intel-xpu-backend-for-triton#8362 ·
Los mantenedores suelen responder en 1 día
-
Does ONNX Runtime depend on Intel MKL?Posiblemente ocupada Un pull request vinculado a esta issue está abierto o ya se fusionó. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 62/100
microsoft/onnxruntime#33215 ·
Los mantenedores suelen responder en 2 días