jasag / phytoliths-recognition-system Goto Github PK

Deseamos añadir un selector de archivos a nuestro Jupyter Notebook principal. Con el mero objetivo de poder escoger imágenes que se encuentren en cualquier parte de nuestro sistema operativo.

Realizar un primer prototipo de interfaz de usuario que involucre al etiquetador de imágenes.

Se pretenden corregir ciertos bugs en los Widgets desarrollados el sprint anterior.

• Serializar los objetos que requieran de un tiempo de computación alto, como el clasificador.
• Subdividir el notebook "Face_detection" en varios notebooks, así como refactorizar el código.

Comenzar a probar los propios ejemplos que proporciona Scikit-image. Tanto con las imágenes que se proporcionan en los ejemplos como con nuestras propias imágenes.

• Gradient tree boosting
• Random forests
• SVM con probabilidades
• Métrica F1
• Métrica Acurracy

Añadir las distintas explicaciones e indicaciones adecuadas en el README del repositorio.

Se pretende añadir algunos parámetros más a nuestro Jupyter Notebook UI. Y ,así, poder escoger mejor los valores adecuados.

Documentar las técnicas y herramientas que se vayan utilizando durante esta semana.

Adjunto comentarios/correcciones sobre la memoria y los anexos.
anexosC.pdf
memoriaC.pdf

Una vez el usuario etiquete las imágenes, el etiquetador de imágenes (Widget) debe ser capaz de guardar esas etiquetas como imágenes de manera persistente. Y, además, las partes de la imagen que no han sido seleccionadas también deben de generar imágenes. Todo ello para generar un conjunto de entrenamiento para nuestro clasificador formado por los fitolitos y no-fitolitos.

Se desea crear un script para la lectura de las coordenadas almacenadas en JSON y su transformación para entrenar a YOLO.

Decidir el repositorio y gestor de tareas a usar

Se tratará de rentrenar a YOLO, el cual es un sistema de detección de objetos en tiempo real con muy buenos resultados.

Con un etiquetador de imágenes, o data labeler, lo que se pretende es obtener una aplicación que nos permita introducir nuevos positivos o negativos en nuestro conjunto de imágenes.

Añadir un texto a cada etiqueta, o rectángulo, de manera que podamos distinguirlas.

Documentar los conceptos, herramientas aprendidos durante la semana anterior.

Se pretende estudiar la técnica Bag of Words por si fuese interesante su aplicación a esta problemática.

Si el usuario realiza esta acción en este momento la aplicación fallará.

Se pretende mejorar la interfaz del etiquetador de imágenes todo lo posible.

Se quiere añadir un control de usuario, slider, para que podamos filtrar las ventanas de nuestros clasificadores, en función de las probabilidades de que las ventanas contengan el objeto que deseamos.

Probar la herramienta de composición de textos LaTeX.
Así como decidir el editor que se utilizará.

Lectura de 3 artículos, cuyos títulos son los siguientes:

• Object segmentation within microscope images of palynofacies
• Automatic recognition of complete palynomorphs in digital images
• International Code for Phytolith Nomenclature

Data Augmentation es una técnica para obtener un nuevo conjunto de entrenamiento más amplio y variado. A partir de la aplicación de distintas técnicas.

Partiendo de los Jupyter Notebooks de ejemplo que Scikit nos proporciona y la documentación que se proporciona, continuar con esta posible aproximación al problema.

Comenzar a probar algoritmos de clasificación como posible aproximación.

Se podría intentar añadir un widget que permitiese al usuario etiquetar las imágenes, marcando fitolítos o corrigiendo detecciones mal realizadas.
Un punto de partida es el tutorial de la página oficial http://ipywidgets.readthedocs.io/en/latest/examples/Widget%20Custom.html

En oficial hay IPython.display.Image para mostrar imágenes

En github he encontrado un proyecto https://github.com/Who8MyLunch/ipynb_widget_canvas
que es un canvas que tiene tambien eventos de ratón

Se pretende obtener una interfaz con un look & feel acorde a lo esperado por los usuarios.

Guardar las coordenadas de manera que se puedan utilizar para el tratamiento de las imágenes.

En concreto, vamos a añadir dos clasificadores durante este sprint:

• Clasificador bayesiano.
• Clasificador mediante regresión logística.

Utilizar os.path.join()