Başlamak için ekipmanı düzenleyin ve DeepLabCut veya DLC prosedürü için yazılımı yükleyin. Ortamı oluşturmak için DLC yazılımının indirildiği klasöre gidin. Dizini değiştir komutunu, cd klasör adını kullanın.
İlk komutu çalıştırın, conda env create f DEEPLABCUT.yaml. Ardından, ortamı etkinleştirmek için conda activate Deeplabcut yazın. Ardından, python m deeplabcut kullanarak grafik kullanıcı arayüzünü açın.
Arayüz açıldıktan sonra, arayüzün alt kısmında Yeni Proje Oluştur'a tıklayın. Daha sonra kolay tanımlama için projeye bir ad verin. Deneyci için bir ad girin ve projenin nereye kaydedileceğini doğrulamak için konum bölümünü kontrol edin.
Modeli eğitmek için videoları bulmak için Klasörlere Gözat'ı seçin ve videoların özgün dizinlerinde kalması gerekiyorsa Videoları proje klasörüne kopyala'yı seçin. Yeni bir proje oluşturmak için Oluştur'a tıklayın. Modeli oluşturduktan sonra Yapılandırmayı düzenle'yi seçin.
yaml, ardından yapılandırma ayarları dosyasını açmak için Düzenle'ye basın. İzleme için vücudun tüm kısımlarını içerecek şekilde vücut kısımlarını değiştirin. Eğitim videosu için toplam 400 kare elde etmek üzere seçilecek kare sayısını ayarlayın.
Varsayılan etiket boyutunun gözün kenarlarına doğru yerleştirme için yeterince küçük olduğundan emin olmak için nokta boyutunu altı olarak değiştirin. Yapılandırmanın ardından, grafik kullanıcı arayüzünün Çerçeveleri Ayıkla sekmesine gidin ve alttaki Çerçeveleri Ayıkla'yı seçin. Etiket Çerçeveleri sekmesine gidin ve Etiket Çerçeveleri'ni seçin.
Yeni pencerede, seçilen eğitim videolarının her biri için klasörleri bulun ve yeni bir etiketleme arabirimi açmak için ilk klasörü seçin. Seçilen videonun her karesi için yapılandırma sırasında tanımlanan noktaları etiketleyin. Tüm kareleri etiketledikten sonra etiketleri kaydedin ve bir sonraki video için işlemi tekrarlayın.
Şaşılığın doğru etiketlenmesi için, gözün en büyük tepesine yakın iki nokta kullanın. Bir eğitim veri kümesi oluşturmak için Tren Ağı sekmesine gidin ve tren ağını başlatın. Ağ eğitimi tamamlandıktan sonra Ağı Değerlendir'e gidin ve seçin.
Videoları analiz etmek için Videoları Analiz Et sekmesine gidin ve videoları seçmek için Daha fazla video ekle'yi seçin. Verilerin CSV çıktısı yeterliyse Sonuçları CSV olarak kaydet'i seçin. Tüm videolar seçildikten sonra, analiz sürecini başlatmak için Videoları Analiz Et'e tıklayın.
Son olarak, ham verileri Öklid mesafesinin analizi için gereken formata dönüştürmek için makroları uygulayın. Model, Öklid mesafelerini hesaplamak için üst ve alt göz kapağı noktalarını işaretleyerek hem şaşı olmayan hem de şaşı örnekleri doğru bir şekilde tespit etti. El ile etiketlenmiş ve model etiketli noktalar arasındaki kök ortalama kare hata değerleri, 300 kareden sonra minimum değişkenlik gösterdi ve 400 kare kullanıldığında doğru nokta tespiti için ortalama olabilirlik değerleri 0,95'i aştı.
Konfüzyon matrisi, şaşılık tespiti için pozitif prediktif değer %96.96 ve negatif prediktif değer %99.66 olarak bulundu.
