Руководство по сегментации комаров

Это руководство демонстрирует, как использовать библиотеку culicidaelab для выполнения сегментации комаров на изображениях. Мы рассмотрим:

Настройку модели сегментации
Загрузку данных для сегментации из набора данных
Выполнение сегментации
Визуализацию результатов
Оценку производительности с использованием истинных (эталонных) масок

Установите библиотеку culicidaelab, если она еще не установлена

!pip install -q culicidaelab[full]

или, если есть доступ к GPU

!pip install -q culicidaelab[full-gpu]

Импортируем необходимые библиотеки

import matplotlib.pyplot as plt
import numpy as np

from culicidaelab import MosquitoSegmenter, MosquitoDetector
from culicidaelab import DatasetsManager, get_settings

1. Инициализация настроек и загрузка набора данных

Сначала мы инициализируем наши настройки, создадим MosquitoSegmenter и загрузим набор данных для сегментации:

Получаем экземпляр настроек и инициализируем менеджер наборов данных

settings = get_settings()
manager = DatasetsManager(settings)

# Загружаем набор данных для сегментации
seg_data = manager.load_dataset("segmentation", split="train[:20]")

# Инициализируем сегментатор и детектор
segmenter = MosquitoSegmenter(settings=settings, load_model=True)
detector = MosquitoDetector(settings=settings, load_model=True)

Out:

Cache hit for split config: train[:20] C:\Users\lenova\AppData\Local\culicidaelab\culicidaelab\datasets\mosquito_segmentation\9e9940e1c673b6f0

2. Изучение образца для сегментации

Давайте изучим образец из набора данных для сегментации, чтобы понять его структуру:

Изучаем образец для сегментации

seg_sample = seg_data[0]
seg_image = seg_sample["image"]
seg_mask = np.array(seg_sample["label"])  # Преобразуем маску в массив numpy

print(f"Размер изображения: {seg_image.size}")
print(f"Форма маски сегментации: {seg_mask.shape}")
print(f"Уникальные значения в маске: {np.unique(seg_mask)}")  # 0 - фон, 1 и выше - комар

# Создаем цветное наложение для маски
# Где значения в маске равны 1 и выше (комар), делаем ее красной
overlay = np.zeros((*seg_mask.shape, 4), dtype=np.uint8)
overlay[seg_mask >= 1] = [255, 0, 0, 128]  # Красный цвет с 50% прозрачностью

Out:

Размер изображения: (224, 224)
Форма маски сегментации: (224, 224)
Уникальные значения в маске: [  0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77  78
  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157
 158 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237
 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254]

3. Запуск сегментации на изображении из набора данных

Теперь мы можем запустить модель сегментации на нашем изображении из набора данных:

Запускаем детекцию для получения ограничивающих рамок

result = detector.predict(seg_image)
bboxes = [detection.box.to_numpy() for detection in result.detections]

# Запускаем сегментацию с рамками детекции
predicted_mask = segmenter.predict(seg_image, detection_boxes=np.array(bboxes))

# Создаем визуализации
annotated_image = detector.visualize(seg_image, result)
segmented_image = segmenter.visualize(annotated_image, predicted_mask)

4. Визуализация результатов со сравнением с истинной маской

Давайте визуализируем результаты сегментации рядом с истинной (эталонной) маской:

plt.figure(figsize=(20, 10))

# Исходное изображение
plt.subplot(2, 4, 1)
plt.imshow(seg_image)
plt.axis("off")
plt.title("Исходное изображение")

# Истинная маска
plt.subplot(2, 4, 2)
plt.imshow(seg_mask, cmap="gray")
plt.axis("off")
plt.title("Истинная маска")

# Наложение истинной маски
plt.subplot(2, 4, 3)
plt.imshow(seg_image)
plt.imshow(overlay, alpha=0.5)
plt.axis("off")
plt.title("Наложение истинной маски")

# Детекции
plt.subplot(2, 4, 4)
plt.imshow(annotated_image)
plt.axis("off")
plt.title("Обнаруженные комары")

# Предсказанная маска
plt.subplot(2, 4, 5)
plt.imshow(predicted_mask.mask, cmap="gray")
plt.axis("off")
plt.title("Предсказанная маска")

# Наложение предсказанной маски
predicted_overlay = np.zeros((*predicted_mask.mask.shape, 4), dtype=np.uint8)
predicted_overlay[predicted_mask.mask >= 0.5] = [0, 255, 0, 128]  # Зеленый для предсказаний
plt.subplot(2, 4, 6)
plt.imshow(seg_image)
plt.imshow(predicted_overlay, alpha=0.5)
plt.axis("off")
plt.title("Наложение предсказанной маски")

# Комбинированное наложение (истинная маска + предсказания)
combined_overlay = np.zeros((*predicted_mask.mask.shape, 4), dtype=np.uint8)
combined_overlay[seg_mask >= 1] = [255, 0, 0, 128]  # Красный для истинной маски
combined_overlay[predicted_mask.mask >= 0.5] = [0, 255, 0, 128]  # Зеленый для предсказаний
plt.subplot(2, 4, 7)
plt.imshow(seg_image)
plt.imshow(combined_overlay, alpha=0.5)
plt.axis("off")
plt.title("Комбинированное наложение\n(Красный: Истинная, Зеленый: Предск.)")

# Конечное сегментированное изображение
plt.subplot(2, 4, 8)
plt.imshow(segmented_image)
plt.axis("off")
plt.title("Конечное сегментированное изображение")

plt.tight_layout()
plt.show()

Исходное изображение, Истинная маска, Наложение истинной маски, Обнаруженные комары, Предсказанная маска, Наложение предсказанной маски, Комбинированное наложение (Красный: Истинная, Зеленый: Предск.), Конечное сегментированное изображение

Out:

C:/Users/lenova/CascadeProjects/culicidaelab/docs/ru/examples/tutorial_part_3_mosquito_segmentation.py:170: UserWarning: FigureCanvasAgg is non-interactive, and thus cannot be shown
  plt.show()

5. Оценка качества сегментации

Давайте оценим результаты сегментации, используя истинную маску:

metrics = segmenter.evaluate(
    prediction=predicted_mask,
    ground_truth=seg_mask,
)
print("Метрики оценки сегментации:")
for key, value in metrics.items():
    if isinstance(value, float):
        print(f"  {key}: {value:.4f}")
    else:
        print(f"  {key}: {value}")

Out:

Метрики оценки сегментации:
  iou: 0.8464
  precision: 0.9984
  recall: 0.8476
  f1: 0.9168

Total running time of the script: ( 0 minutes 20.203 seconds)

Download Python source code: tutorial_part_3_mosquito_segmentation.py

Download Jupyter notebook: tutorial_part_3_mosquito_segmentation.ipynb

Gallery generated by mkdocs-gallery