Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-mini-2024-07-18· OpenAIAi2 WildChat-4.8M (AI2)

با توجه به فایل yaml که به صورت زیر است و با توجه به اینکه یک سری از تصاویر تست تصاویری…

  1. User

    با توجه به فایل yaml که به صورت زیر است و با توجه به اینکه یک سری از تصاویر تست تصاویری هستند که در لیبل آنها فقط عدد 5 قرار دارد و مربوط به کلاس 'XR_No_fracture' هستند . بعد از اینکه عملیات train انجام شد . میخواهیم با کمک یک آستانه برای confidence بیاد برای مجموعه تست کدی بدهد که وقتی از بهترین وزن های بدست آمده از مرحله train استفاده میکنیم و تست را با آن انجام می دهیم بیاد آنهایی که confidence شون از یک حدی کمتر است را در کلاس 6ام یعنی'XR_No_fracture' قرار دهد و بقیه را هم طبق روال کلاس هایشان را مشخص کند و چندین تصویر از نتایج حاصل را نمایش دهد. فایل yaml:
    train: /content/yolov5/data/images/train val: /content/yolov5/data/images/val test: /content/yolov5/data/images/test

    Number of classes

    nc: 6

    Class names

    Class names

    names: ['XR_ELBOW_positive', 'XR_FINGER_positive', 'XR_FOREARM_positive', 'XR_HAND_positive', 'XR_SHOULDER_positive','XR_No_fracture']

  2. Assistant

    برای پیاده‌سازی خواسته شما، می‌توانیم از کتابخانه‌هایی مانند PyTorch و YOLOv5 استفاده کنیم. در اینجا یک نمونه کد برای استفاده از مدل YOLOv5 برای تست تصاویر در مجموعه تست با توجه به توضیحات شما ارائه می‌شود. این کد配置 شده است تا آستانه‌ای برای اطمینان (confidence) در نظر بگیرد و هر تصویر با اطمینان کمتر از این مقدار را به کلاس 'XR_No_fracture' نسبت دهد.

    در این کد، ما از بهترین وزن‌های آموزش‌داده شده استفاده می‌کنیم، تصاویر را بارگذاری می‌کنیم، پیش‌بینی می‌کنیم و بر اساس آستانه اطمینان کلاس‌بندی می‌کنیم. سپس تصاویری از نتایج را به نمایش می‌گذاریم.

    کد نمونه

    import torch
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
    
    # بارگذاری مدل
    model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt')  # به جای 'best.pt' مسیر فایل وزن خود را قرار دهید
    
    # آستانه اطمینان
    confidence_threshold = 0.5
    
    # ایجاد یک تابع برای پیش‌بینی و کلاس‌بندی تصاویر
    def predict_and_classify(image_path):
        # بارگذاری تصویر
        img = cv2.imread(image_path)
    
        # پیش‌بینی
        results = model(img)
    
        # ترسیم نتایج
        pred = results.xyxy[0].numpy()  # کلاس ها، عدم قطعیت ها و نقاط
    
        modified_classes = []
    
        # پردازش پیش‌بینی‌ها
        for *box, conf, cls in pred:
            if conf < confidence_threshold:
                modified_classes.append(5)  # کلاس XR_No_fracture
            else:
                modified_classes.append(int(cls))
    
        # فقط برای تصویر بدون کلاس
        return img, modified_classes
    
    # نمایش نتایج
    def display_images_with_predictions(image_paths):
        plt.figure(figsize=(15, 10))
        for i, image_path in enumerate(image_paths):
            img, modified_classes = predict_and_classify(image_path)
    
            # نمایش تصویر و کلاس‌های شناسایی‌شده
            plt.subplot(2, 3, i + 1)
            plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
            plt.title(f'Predicted Classes: {modified_classes}')
            plt.axis('off')
        plt.show()
    
    # مسیر تصاویر تست
    test_images = ['/content/yolov5/data/images/test/image1.jpg',
                   '/content/yolov5/data/images/test/image2.jpg',
                   '/content/yolov5/data/images/test/image3.jpg']  # اضافه کردن مسیر تصاویر تست مدنظر
    
    display_images_with_predictions(test_images)
    

    توضیحات کد:

    • مدل YOLOv5 با وزن‌های آموزش‌داده شده بارگذاری می‌شود. (به جای 'best.pt' باید مسیر مدل خود را قرار دهید.)
    • یک تابع predict_and_classify برای پیش‌بینی و طبقه‌بندی تصاویر ایجاد می‌شود.
    • اگر اطمینان پیش‌بینی کمتر از آستانه تعیین‌شده باشد، تصویر به کلاس 'XR_No_fracture' (کلاس 5) نسبت داده می‌شود.
    • در نهایت، تصاویری از پیش‌بینی‌ها نمایش داده می‌شود.

    لطفا اطمینان حاصل کنید که مسیرهای تصاویر تست به درستی تنظیم شده باشند و کتابخانه‌های مورد نیاز نصب شده باشند.