Перейти к содержанию

Note

Click here to download the full example code

Классификация видов комаров

В этом руководстве показано, как использовать MosquitoClassifier из библиотеки CulicidaeLab для выполнения классификации видов. Мы рассмотрим:

  • Загрузка модели классификации
  • Подготовка изображения
  • Запуск модели для получения результатов классификации
  • Визуализация и интерпретация результатов
  • Оценка предсказания классификации

Установите библиотеку culicidaelab, если она еще не установлена !pip install -q culicidaelab

1. Инициализация

Мы начнем с инициализации MosquitoClassifier. Объект settings будет управлять конфигурацией, а load_model=True обеспечит загрузку модели и ее немедленное размещение в памяти.

import cv2
import re
import matplotlib.pyplot as plt
from pathlib import Path

from culicidaelab import MosquitoClassifier, get_settings

# Получить экземпляр настроек
settings = get_settings()

# Создать экземпляр классификатора и загрузить модель
print("Инициализация MosquitoClassifier и загрузка модели...")
classifier = MosquitoClassifier(settings, load_model=True)
print("Модель успешно загружена.")

# Вы можете проверить конфигурацию модели непосредственно из объекта настроек.
classifier_conf = settings.get_config("predictors.classifier")
print(f"\nЗагруженная архитектура модели: {classifier_conf.model_arch}")

Out:

Инициализация MosquitoClassifier и загрузка модели...
Weights file found at: /home/runner/.local/share/culicidaelab/models/weights/classification/culico-net-cls-v1-17.pkl
/opt/hostedtoolcache/Python/3.11.13/x64/lib/python3.11/site-packages/fastai/learner.py:455: UserWarning: load_learner` uses Python's insecure pickle module, which can execute malicious arbitrary code when loading. Only load files you trust.
If you only need to load model weights and optimizer state, use the safe `Learner.load` instead.
  warn("load_learner` uses Python's insecure pickle module, which can execute malicious arbitrary code when loading. Only load files you trust.\nIf you only need to load model weights and optimizer state, use the safe `Learner.load` instead.")
Модель успешно загружена.

Загруженная архитектура модели: tiny_vit_21m_224.in1k

Проверка классов модели

Часто бывает полезно посмотреть, какие виды модель была обучена распознавать. Рекомендуемый способ — использовать species_config.

species_map = settings.species_config.species_map
print("--- Классы модели (из настроек) ---")
print(species_map)

Out:

--- Классы модели (из настроек) ---
{0: 'Aedes aegypti', 1: 'Aedes albopictus', 2: 'Aedes canadensis', 3: 'Aedes dorsalis', 4: 'Aedes geniculatus', 5: 'Aedes koreicus', 6: 'Aedes triseriatus', 7: 'Aedes vexans', 8: 'Anopheles arabiensis', 9: 'Anopheles freeborni', 10: 'Anopheles sinensis', 11: 'Species not defined', 12: 'Culex inatomii', 13: 'Culex pipiens', 14: 'Culex quinquefasciatus', 15: 'Culex tritaeniorhynchus', 16: 'Culiseta annulata', 17: 'Culiseta longiareolata'}

2. Подготовка изображения для классификации

Теперь давайте загрузим тестовое изображение. Классификатор ожидает изображение в формате RGB.

Загрузить тестовое изображение

image_path = Path("test_imgs") / "640px-Aedes_aegypti.jpg"
image = cv2.imread(str(image_path))
if image is None:
    raise ValueError(f"Не удалось загрузить изображение из {image_path}")

# Преобразовать из BGR (по умолчанию в OpenCV) в RGB
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# Отобразить входное изображение
plt.figure(figsize=(8, 8))
plt.imshow(image_rgb)
plt.axis("off")
plt.title("Входное изображение")
plt.show()

Входное изображение

3. Запуск классификации и интерпретация результатов

Метод predict возвращает список кортежей, где каждый кортеж содержит (имя_вида, оценка_уверенности), отсортированный по уверенности.

Запустить классификацию

predictions = classifier.predict(image_rgb)

# Давайте выведем топ-5 предсказаний
print("--- Топ-5 предсказаний ---")
for species, prob in predictions[:5]:
    print(f"{species}: {prob:.2%}")

Out:

█

 |----------------------------------------| 0.00% [0/1 00:00<?]

 |████████████████████████████████████████| 100.00% [1/1 00:00<00:00]




--- Топ-5 предсказаний ---
Species not defined: 100.00%
Aedes geniculatus: 0.00%
Aedes canadensis: 0.00%
Culiseta longiareolata: 0.00%
Aedes albopictus: 0.00%

4. Визуализация результатов классификации

CulicidaeLab предоставляет два простых способа визуализации результатов: 1. Гистограмма, показывающая уверенность для всех классов. 2. Аннотированное изображение с наложенными лучшими предсказаниями.

Получить все названия видов и их предсказанные вероятности

species_names = [p[0] for p in predictions]
probabilities = [p[1] for p in predictions]
conf_threshold = settings.get_config("predictors.classifier.confidence")

# Создать гистограмму вероятностей
plt.figure(figsize=(12, 7))
bars = plt.barh(species_names[::-1], probabilities[::-1])  # Перевернуть, чтобы показать самые высокие значения сверху

# Окрасить столбцы в зависимости от уверенности
for i, prob in enumerate(probabilities[::-1]):
    bars[i].set_color("teal" if prob >= conf_threshold else "lightgray")

plt.axvline(x=conf_threshold, color="r", linestyle="--", label=f"Порог уверенности ({conf_threshold:.0%})")
plt.xlabel("Вероятность")
plt.title("Вероятности классификации видов")
plt.legend()
plt.tight_layout()
plt.show()

Вероятности классификации видов

Метод visualize накладывает лучшие предсказания непосредственно на изображение.

annotated_image = classifier.visualize(image_rgb, predictions)

# Отобразить аннотированное изображение
plt.figure(figsize=(10, 10))
plt.imshow(annotated_image)
plt.axis("off")
plt.title("Результат классификации с наложением")
plt.show()

Результат классификации с наложением

5. Оценка предсказания

Для измерения производительности вы можете оценить предсказание по известной эталонной метке (ground truth). Это возвращает ключевые метрики, такие как точность и правильность в топ-5.

Истинная метка для нашего тестового изображения — 'aedes_aegypti'

ground_truth_label = "aedes_aegypti"

# Вы можете выполнить оценку на основе предварительно вычисленного предсказания...
print(f"--- Оценка предсказания по эталонной метке '{ground_truth_label}' ---")
metrics_from_prediction = classifier.evaluate(ground_truth_label, prediction=predictions)
print(f"Метрики из предсказания: {metrics_from_prediction}")

# ... или непосредственно из входного изображения.
metrics_from_image = classifier.evaluate(ground_truth_label, input_data=image_rgb)
print(f"Метрики из изображения: {metrics_from_image}")

Out:

--- Оценка предсказания по эталонной метке 'aedes_aegypti' ---
Метрики из предсказания: {'accuracy': 0.0, 'confidence': 0.9999973773956299, 'top_1_correct': 0.0, 'top_5_correct': 0.0}
█

 |----------------------------------------| 0.00% [0/1 00:00<?]

 |████████████████████████████████████████| 100.00% [1/1 00:00<00:00]




Метрики из изображения: {'accuracy': 0.0, 'confidence': 0.9999973773956299, 'top_1_correct': 0.0, 'top_5_correct': 0.0}

6. Пакетная классификация

Так же, как и детектор, классификатор может обрабатывать пакет изображений для повышения производительности.

image_dir = Path("test_imgs")
pattern = re.compile(r"\.(jpg|jpeg|png)$", re.IGNORECASE)
image_paths = [path for path in image_dir.iterdir() if path.is_file() and pattern.search(str(path))]

try:
    batch = [cv2.cvtColor(cv2.imread(str(path)), cv2.COLOR_BGR2RGB) for path in image_paths]
    print(f"\n--- Классификация пакета из {len(batch)} изображений ---")
except Exception as e:
    print(f"Произошла ошибка при чтении изображений: {e}")
    batch = []

classifier_batch_result = classifier.predict_batch(batch, show_progress=True)
print("\n--- Результаты пакетной классификации ---")
for i, single_image_preds in enumerate(classifier_batch_result):
    top_pred_species = single_image_preds[0][0]
    top_pred_conf = single_image_preds[0][1]
    print(
        f"  - Изображение '{image_paths[i].name}': ",
        f"Лучшее предсказание — '{top_pred_species}' с уверенностью {top_pred_conf:.2%}.",
    )

Out:

--- Классификация пакета из 3 изображений ---
█

 |----------------------------------------| 0.00% [0/1 00:00<?]

 |████████████████████████████████████████| 100.00% [1/1 00:02<00:00]




█

 |----------------------------------------| 0.00% [0/1 00:00<?]

 |████████████████████████████████████████| 100.00% [1/1 00:00<00:00]




█

 |----------------------------------------| 0.00% [0/1 00:00<?]

 |████████████████████████████████████████| 100.00% [1/1 00:00<00:00]




--- Результаты пакетной классификации ---
  - Изображение 'aedes-aegipy.png':  Лучшее предсказание — 'Species not defined' с уверенностью 100.00%.
  - Изображение '9bd8bd325307035016959cb82376e09b.jpg':  Лучшее предсказание — 'Species not defined' с уверенностью 99.53%.
  - Изображение '640px-Aedes_aegypti.jpg':  Лучшее предсказание — 'Species not defined' с уверенностью 100.00%.

Total running time of the script: ( 0 minutes 5.457 seconds)

Download Python source code: tutorial_part_4_mosquito_classification.py

Download Jupyter notebook: tutorial_part_4_mosquito_classification.ipynb

Gallery generated by mkdocs-gallery