Training Process CiRA CORE Platform and Object Detection Model Evaluation to Identify and Classify the Protozoan Trypanosome Species

まず、ディープトレーニング関数を一般ツールバーから画面に移動して、データのラベル付けとトレーニングを開始します。ディープ トレーニング ツール設定内の [画像の読み込み] ボタンをクリックし、画像を含むディレクトリに移動して、画像をインポートしてラベル付けします。次に、マウスの左ボタンをクリックしたまま、オブジェクトにラベルを付け、選択したオブジェクトに名前を割り当てます。

[save GT] をクリックして、ドット GT ファイルを同じディレクトリに保存します。モデルのトレーニングを開始する前に、生成設定ボタンをクリックしてデータ拡張機能にアクセスします。回転、コントラスト、ノイズ、ぼかしの 4 種類のオーグメンテーションを利用して、データセットを充実させます。

モデルのトレーニングを開始するには、ディープトレーニングツール内にあるトレーニングボタンをクリックします。トレーニング ファイルの生成関数で、モデル、バッチ サイズ、およびサブディビジョンを選択します。生成ボタンをクリックしてデータを生成し、ディレクトリに保存します。

すべての設定を構成したら、 [トレーニング] ボタンをクリックしてモデルのトレーニングを開始します。プログラムは、トレーニング損失を評価しながら、データセットの重みを自動的に実行して調整します。最適な損失が得られたら、エクスポートボタンをクリックし、重量ファイルをディレクトリに保存します。

物体検出モデルの評価を続行するには、プラグイン ツールバーで [評価] を選択し、評価検出関数を画面に移動します。その後、設定ボタンをクリックします。検出、評価、プロットの 3 つの関数が表示されるのを待ちます。

モデルの評価を開始するには、load config ボタンをクリックし、トレーニング済みの待機ファイルをディレクトリからインポートします。イメージ ファイル ディレクトリからテスト イメージをインポートするには、参照ボタンをクリックします。次に、GTのロードボタンをクリックしてGTファイルをインポートします。

次に、評価ボタンをクリックして、ディレクトリ内の検出モデルを評価します。完了すると、結果は同じディレクトリにCSVファイルとして自動的に保存され、クラス名でソートされ、各クラスの真陽性、偽陽性、偽陰性、再現率、精度などの主要なパラメーターが含まれます。適合率再現率またはPR曲線を生成するには、関数プロットに移動します。

[参照]をクリックして、ディレクトリからCSVファイルをインポートします。リストから目的のクラスを選択し、プロットボタンをクリックしてPR曲線を可視化します。保存ボタンをクリックして、PR曲線のAUC値を含む画像を、選択したディレクトリに必要な画像形式で保存します。

イメージ分類モデルの学習関数を選択するには、イメージ ツールバーに移動し、ディープ classif を選択して、classif train を画面に移動します。トレーニング用の画像をインポートするには、classif train ツール設定内の [フォルダーを開く] ボタンをクリックし、画像を含むディレクトリに移動します。トレーニングの前に、オーグメンテーション ボタンをクリックし、回転、コントラスト、反転、ノイズ、ぼかしなどの手法を適用して、データセットを充実させます。

モデルの学習プロセスを開始するには、classif 学習ツール内の [train の生成] ボタンをクリックします。[gen train] で、目的のモデル、バッチ サイズ、およびサブディビジョンを選択します。生成されたデータを保存するディレクトリを割り当て、生成ボタンをクリックします。

すべての設定が完了したら、スタートボタンをクリックします。プログラムは継続的に実行され、トレーニングの損失を評価し、必要に応じてデータセットの重みを調整します。目的の損失レベルに達したら、エクスポートボタンをクリックし、指定されたディレクトリに重量ファイルを保存します。