للبدء ، قم بترتيب الجهاز وتثبيت البرنامج لإجراء DeepLabCut أو DLC. لإنشاء البيئة، انتقل إلى المجلد حيث تم تنزيل برنامج DLC. استخدم أمر تغيير الدليل، اسم مجلد القرص المضغوط.
قم بتشغيل الأمر الأول ، conda env create f DEEPLABCUT.yaml. ثم اكتب conda تنشيط Deeplabcut لتمكين البيئة. بعد ذلك ، افتح واجهة المستخدم الرسومية باستخدام python m deeplabcut.
بعد فتح الواجهة، انقر فوق إنشاء مشروع جديد في أسفل الواجهة. قم بتسمية المشروع لسهولة التعرف عليه لاحقا. أدخل اسما للمجرب وتحقق من قسم الموقع للتحقق من مكان حفظ المشروع.
حدد استعراض المجلدات لتحديد موقع مقاطع الفيديو لتدريب النموذج، واختر نسخ مقاطع الفيديو إلى مجلد المشروع إذا كان يجب أن تظل مقاطع الفيديو في دليلها الأصلي. انقر فوق إنشاء لإنشاء مشروع جديد. بعد إنشاء النموذج، حدد تحرير التكوين.
yaml، متبوعا بتحرير لفتح ملف إعدادات التكوين. قم بتعديل أجزاء الجسم لتشمل جميع أجزاء العين للتتبع. اضبط عدد الإطارات المراد اختيارها للحصول على 400 إطار إجمالي لفيديو التدريب.
قم بتغيير حجم النقطة إلى ستة للتأكد من أن حجم الملصق الافتراضي صغير بما يكفي لوضعه بدقة حول حواف العين. بعد التكوين، انتقل إلى علامة التبويب Extract Frames في واجهة المستخدم الرسومية وحدد Extract Frames في الأسفل. انتقل إلى علامة التبويب إطارات التسميات وحدد إطارات التسميات.
في النافذة الجديدة ، ابحث عن مجلدات لكل مقطع فيديو تدريبي محدد واختر المجلد الأول لفتح واجهة تسمية جديدة. قم بتسمية النقاط المحددة أثناء التكوين لكل إطار من الفيديو المحدد. بعد تسمية جميع الإطارات ، احفظ الملصقات وكرر العملية للفيديو التالي.
للحصول على وضع العلامات بدقة على الحول ، استخدم نقطتين بالقرب من أكبر قمة للعين. لإنشاء مجموعة بيانات تدريب، انتقل إلى علامة التبويب شبكة التدريب وابدأ شبكة القطارات. بمجرد اكتمال التدريب على الشبكة، انتقل إلى تقييم الشبكة وحدده.
لتحليل مقاطع الفيديو، انتقل إلى علامة التبويب تحليل مقاطع الفيديو وحدد إضافة المزيد من مقاطع الفيديو لاختيار مقاطع الفيديو. حدد حفظ النتائج كملف CSV إذا كان إخراج CSV للبيانات كافيا. بمجرد تحديد جميع مقاطع الفيديو ، انقر فوق تحليل مقاطع الفيديو لبدء عملية التحليل.
أخيرا ، قم بتطبيق وحدات الماكرو لتحويل البيانات الأولية إلى التنسيق المطلوب لتحليل المسافة الإقليدية. اكتشف النموذج بدقة كلا من حالات عدم الحول والحول ، مما يشير إلى نقاط الجفن العلوية والسفلية لحساب المسافات الإقليدية. أظهر متوسط الخطأ الجذري التربيعي بين النقاط المسماة يدويا والنقاط المسماة بالنموذج تباينا ضئيلا بعد 300 إطار، وتجاوز متوسط قيم الاحتمالية للكشف الصحيح عن النقاط 0.95 عند استخدام 400 إطار.
أظهرت مصفوفة الارتباك قيمة تنبؤية إيجابية بنسبة 96.96٪ وقيمة تنبؤية سلبية بنسبة 99.66٪ للكشف عن الحول.