🟠. 폐암데이터 세트를 가지고 yolo v8 을 통해 암환자 찾기
The IQ-OTH/NCCD lung cancer dataset
Lung Cancer CT Scans from Iraqi hospitals: Normal, Benign, and Malignant Cases
www.kaggle.com
◼ import
|
import os
import random
import shutil
import cv2
import glob
import yaml
import matplotlib.pyplot as plt
import ultralytics
from tqdm import tqdm
from PIL import Image
from ultralytics import YOLO
|
◼ 랜덤 시드 설정
|
random.seed(2024)
|
◼ 데이터 받아오기
|
! kaggle datasets download -d hamdallak/the-iqothnccd-lung-cancer-dataset
|
 |
◼ 압축풀기
|
! unzip -q '/content/the-iqothnccd-lung-cancer-dataset.zip'
|
 |
◼ data 폴더 만들어 주고 세개의 폴더 넣기
  |
◼ 폴더 정리
|
# 폴더 경로 설정
data_root = '/content/The IQ-OTHNCCD lung cancer dataset'
file_root = f'{data_root}/data'
project_name = 'lung_cancer'
# 정리할 디렉토리 정의
train_file_root = f'{data_root}/{project_name}'
train_root = f'{data_root}/{project_name}/train'
valid_root = f'{data_root}/{project_name}/valid'
test_root = f'{data_root}/{project_name}/test'
|
◼ file_root 디렉토리 내의 모든 폴더 이름 확인
|
# 3종류의 클래스 디렉토리를 data 안으로 넣어줌
# file_root 에 있는 모든 디렉토리와 파일을 리스트로 만듦
cls_list = os.listdir(file_root)
cls_list
|
| ['Malignant cases', 'Bengin cases', 'Normal cases'] |
◼ [ train_root ], [ valid_root ], [ test_root] 라는 세 개의 폴더 생성
그 내부에 cls_list의 각 클래스 폴더를 생성
|
for folder in [train_root, valid_root, test_root]:
if not os.path.exists(folder):
os.makedirs(folder)
for cls in cls_list:
cls_folder = f'{folder}/{cls}'
if not os.path.exists(cls_folder):
os.makedirs(cls_folder)
|
  |
◼ [ file_root ]내의 클래스별 서브디렉토리에서 파일을 랜덤하게 섞기
이를 학습(training), 검증(validation), 테스트(test) 세트로 나누는 작업
|
for cls in cls_list:
file_list = os.listdir(f'{file_root}/{cls}')
random.shuffle(file_list)
test_ratio = 0.1
num_file = len(file_list)
test_list = file_list[:int(num_file * test_ratio)]
valid_list = file_list[int(num_file * test_ratio):int(num_file * test_ratio)*2]
train_list = file_list[int(num_file * test_ratio)*2:]
print(test_list)
print(valid_list)
print(train_list)
for i in test_list:
shutil.copyfile(f'{file_root}/{cls}/{i}', f'{test_root}/{cls}/{i}')
for i in valid_list:
shutil.copyfile(f'{file_root}/{cls}/{i}', f'{valid_root}/{cls}/{i}')
for i in train_list:
shutil.copyfile(f'{file_root}/{cls}/{i}', f'{train_root}/{cls}/{i}')
|
   |
◼ [ test_root ] 내의 모든 파일을 가져와서 랜덤하게 섞기
|
test_file_list = glob.glob(f'{test_root}/*/*')
random.shuffle(test_file_list)
test_file_list
|
 |
◼ [ test_root ] 첫 10개의 이미지를 시각화
|
plt.figure(figsize=(20, 10))
for i in range(10):
test_img_path = os.path.join(test_root, test_file_list[i])
ori_img = Image.open(test_img_path).convert('RGB')
plt.subplot(2, 5, (i+1))
plt.title(test_file_list[i].split('/')[-2])
plt.imshow(ori_img)
plt.show()
|
 |
◼ 데이터셋의 루트 디렉토리를 지정하기
|
project_root ='/content/The IQ-OTHNCCD lung cancer dataset/lung_cancer'
|
◼ [ project_root ] 내에 < data.yaml >이라는 YAML 파일을 생성하여, 데이터셋의 구조와 관련된 정보를 저장
|
data = dict()
data['train'] = train_root
data['val'] = valid_root
data['test'] = test_root
data['nc'] = len(cls_list)
data['names'] = cls_list
with open(f'{project_root}/data.yaml', 'w') as f:
yaml.dump(data, f)
|
 |
◼ ultralytics 설치
|
! pip install ultralytics
|
◼ ultralytics 버전체크
|
import ultralytics
from ultralytics import YOLO
ultralytics.checks()
|
 |
◼ 경로이동
|
%cd /content/The IQ-OTHNCCD lung cancer dataset/lung_cancer
|
| /content/The IQ-OTHNCCD lung cancer dataset/lung_cancer |
◼ 모델 불러오기
|
model = YOLO('yolov8n-cls.pt')
|
 |
◼ 학습하기
|
results = model.train(data=f'{data_root}/{project_name}', epochs=50, batch=8, device='cpu', name='lung_cancer_s')
|
  |
◼ 결과 폴더 지정
|
result_folder = f'{project_root}/runs/classify/lung_cancer_s'
|
◼ YOLO 모델을 로드하고, best.pt라는 이름의 사전 훈련된 가중치 파일을 사용하여 해당 모델을 초기화
|
model = YOLO(f'{result_folder}/weights/best.pt')
model
|
 |
◼ YOLO 모델의 val() 메서드를 사용하여 검증 또는 테스트 데이터셋에 대한 평가를 수행하고, 평가 지표를 반환
|
metrics = model.val(split='test')
metrics
|
 |
◼ 모델의 성능 평가 지표인 top1과 top5 정확도를 출력
|
print('top1 accuracy: ', metrics.top1)
print('top5 accuracy: ', metrics.top5)
|
| top1 accuracy: 0.9908257126808167 top5 accuracy: 1.0 |
|
◼ 추가 import
|
import numpy as np
import torch
from torchvision import transforms
|
◼ 이미지 데이터 전처리를 위한 변환(transform) 작업
|
IMG_SIZE = (512, 512)
test_data_transform = transforms.Compose([
transforms.Resize(IMG_SIZE),
transforms.ToTensor(),
])
|
◼ 이미지 파일을 열고, 지정된 전처리 변환을 적용한 후, PyTorch 텐서로 변환하여 모델 입력으로 준비하기
|
img = Image.open(test_file_list[0]).convert('RGB')
img_src = test_data_transform(img)
print(img_src.shape)
x_tensor = img_src.unsqueeze(0)
print(x_tensor.shape)
|
| torch.Size([3, 512, 512]) torch.Size([1, 3, 512, 512]) |
|
◼ 모델에 이미지를 입력하여 예측 결과를 얻기
|
result = model(x_tensor)[0]
|
| 0: 512x512 Bengin cases 0.58, Normal cases 0.42, Malignant cases 0.00, 224.8ms Speed: 0.0ms preprocess, 224.8ms inference, 7.2ms postprocess per image at shape (1, 3, 512, 512) model(x_tensor): 모델을 호출하여 x_tensor 텐서에 대해 예측을 수행합니다. x_tensor는 모델의 입력으로 사용되는 이미지 텐서입니다. 모델의 forward 메서드가 호출되어 예측 결과를 반환합니다. |
◼ 모델의 예측 결과를 사용하여
입력 이미지의 실제 클래스(ground truth)와 모델이 예측한 클래스(및 그 확률)를 출력
|
gt = test_file_list[0].split('/')[-2]
pt = model.names[torch.argmax(result.probs.data).item()]
print(gt)
print(pt)
|
|
◼ 1개의 이미지 시각화 : 실제 클래스(ground truth)와 모델의 예측 클래스(predicted class)를 제목으로 표시
|
plt.figure(figsize=(3, 3))
plt.title(f'GT: {gt}, Predict: {pt}')
plt.imshow(np.array(img))
plt.show()
|
 |
◼ 5개의 이미지 예측결과
|
plt.figure(figsize=(20,5))
for idx in range(5):
img = Image.open(test_file_list[idx]).convert('RGB')
img_src = test_data_transform(img)
x_tensor = img_src.unsqueeze(0)
result = model.predict(x_tensor)[0]
gt = test_file_list[0].split('/')[-2]
pt = model.names[torch.argmax(result.probs.data).item()]
plt.subplot(1, 5, (idx+1))
plt.title(f'GT:{gt}, Predict:{pt}')
plt.imshow(img)
plt.show()
|
 |
@. 과제 : 안전장비 착용 감지 확인하기
데이터셋 : https://www.kaggle.com/datasets/andrewmvd/hard-hat-detection/data
'AI > 컴퓨터 비전' 카테고리의 다른 글
| 17. YOLO v8을 이용한 이상행동 탐지 (0) | 2024.08.12 |
|---|---|
| 16. YOLO v8를 활용한 안전모 탐지 (0) | 2024.08.08 |
| 14. YOLO | 객체탐지 (0) | 2024.08.06 |
| @. 과제 (0) | 2024.08.05 |
| 13. Faster R-CNN | 객체 탐지 (0) | 2024.07.25 |
