首先，安排设备并安装 DeepLabCut 或 DLC 程序的软件。要创建环境，请导航到下载 DLC 软件的文件夹。使用 change directory 命令，cd folder name。
运行第一个命令 conda env create f DEEPLABCUT.yaml。然后，键入 conda activate Deeplabcut 以启用环境。然后，使用 python m deeplabcut 打开图形用户界面。
界面打开后，单击界面底部的 Create New Project。为项目命名，以便以后识别。输入实验者的名称，并检查 location 部分以验证项目的保存位置。
选择 Browse Folders 以查找用于训练模型的视频，如果视频应保留在其原始目录中，请选择 Copy videos to project folder （将视频复制到项目文件夹）。单击 Create 以生成新项目。创建模型后，选择 Edit config。
yaml，然后按 Edit 打开配置设置文件。修改身体部位以包括眼睛的所有部位以进行跟踪。调整要选取的帧数，以获得用于训练视频的 400 个总帧数。
将网点大小更改为 6，以确保默认标签大小足够小，以便准确放置在眼睛的边缘周围。配置后，导航到图形用户界面的 Extract Frames 选项卡，然后选择底部的 Extract Frames。导航到 Label Frames 选项卡，然后选择 Label Frames。
在新窗口中，找到每个选定培训视频的文件夹，然后选择第一个文件夹以打开新的标签界面。标记在配置期间为所选视频的每个帧定义的点。标记所有帧后，保存标签并对下一个视频重复该过程。
为了准确标记斜视，请使用眼睛最大峰值附近的两个点。要创建训练数据集，请导航到 Train Network （训练网络） 选项卡并启动训练网络。网络训练完成后，导航到并选择 Evaluate Network （评估网络）。
要分析视频，请导航到 Analyze Videos 选项卡，然后选择 Add more videos 以选择视频。选择 Save results as CSV （如果数据的 CSV 输出就足够了）。选择所有视频后，单击 Analyze Videos 以开始分析过程。
最后，应用宏将原始数据转换为分析欧几里得距离所需的格式。该模型准确地检测了非斜视和斜视实例，标记上眼睑和下眼睑点以计算欧几里得距离。手动标记点和模型标记点之间的均方根误差值在 300 帧后显示出最小的变异性，并且在使用 400 帧时，正确点检测的平均似然值超过 0.95。
混淆矩阵显示斜视检测的阳性预测值为 96.96%，阴性预测值为 99.66%。
