Deeptangle

Installation

1. Créer un environnement virtuel avec Conda

   python3 -m venv venv
   source venv/bin/activate

2. Installer les dépendances nécessaires

   pip install -r requirements.txt

3. Installer le modèle et les fonctions auxiliaires

   pip install -e .

4. Télécharger les poids pré-entraînés

   wget https://sid.erda.dk/share_redirect/cEjIpG1yQl -O weights.zip

Configurer l'environnement

1. Déplacez-vous dans le répertoire deeptangle

2. Saisir dans le terminal :

   source venv/bin/activate

Exécuter le code

3. Déplacez-vous dans le répertoire deeptangle

4. Saisir dans le terminal :

   python3 code/main.py --model=weights/ --input=images/Movie_2.avi --pooling=True

Voici les paramètres que vous pourrez modifier :

Paramètres nécessaires

1. --input = L'adresse de la vidéo que vous voulez analyser

   Exemple : --input = images/Movie_2.avi

2. --output = L'adresse du répertoire où vous voulez mettre le résultat.

   Exemple : --output = result/output.png

3. --pooling = True/False

   Si vous avez déjà testé une fois une vidéo et vous voulez juste modifier les paramètres pour obtenir un meilleur résultat, choisissez False pour réduire le temps d'exécution. True fonctionne dans tous les cas.

   Exemple : --pooling = False

4. --model = Chemin vers les poids du modèle

   Les poids sont essentiels pour un modèle. Dans notre cas, on utilise les poids pré-entraînés par les auteurs avec les données synthétiques.

   Exemple : --model = weights/

Hyper-paramètres

Vous pouvez également les modifier directement dans le fichier 'main.py'

1. --score_threshold = Seuil de score pour élaguer les mauvaises prédictions.

   Dans le cas où beaucoup de vers ne sont pas détectés, essayez de le baisser. Il prend des valeurs entre 0 et 1.

   Exemple : --score_threshold = 0.5

2. --overlap_threshold = Seuil de score de chevauchement pour supprimer les prédictions.

   Dans le cas où une seule cible a plusieurs prédictions, essayez de l'augmenter. Il prend des valeurs entre 0 et 1.

   Exemple : --overlap_threshold = 0.5

Paramètres visant à filtrer les prédictions

Nous les modifions rarement.

1. hausdorff_threshold
2. distance_threshold
3. nb_threshold