merhaba,
deep learning kullanarak röntgen görüntüleri üzerinde bir sınıflandırma çalışması yapıyorum. normalde mühendis falan değilim, kod bilgim çok da iyi değil o yüzden son bir adım var takılı kaldım.
şimdi elimdeki datada 5 ayrı directory altında resimler içeren bir train sınıfı var. sorularım şöyle:
1-test datasını da aynı şekilde 5 directory içine mi koymalıyım ? böyle yapacaksam sisteme nasıl yüklicem ? yoksa test klasörü altında topluca mı bulunmalı?
2-bunları test ettikten sonra confusion matrix'i nasıl çıkarıcam ? zilyon tane şey okudum, çok basit gözüküyor ama ben yapınca olmuyor yav :/ dediğim gibi kodlama bilgim öyle çok da iyi değil. bir noktadan sonra tıkandım.
meraklısı için kodum şöyle:
colab.research.google.com
aşağıya doğru birkaç deneme yanılma var. bıraktım öyle dağınık kalsın diye.
bi el atın sevaptır yav :(
deep learning kullanarak röntgen görüntüleri üzerinde bir sınıflandırma çalışması yapıyorum. normalde mühendis falan değilim, kod bilgim çok da iyi değil o yüzden son bir adım var takılı kaldım.
şimdi elimdeki datada 5 ayrı directory altında resimler içeren bir train sınıfı var. sorularım şöyle:
1-test datasını da aynı şekilde 5 directory içine mi koymalıyım ? böyle yapacaksam sisteme nasıl yüklicem ? yoksa test klasörü altında topluca mı bulunmalı?
2-bunları test ettikten sonra confusion matrix'i nasıl çıkarıcam ? zilyon tane şey okudum, çok basit gözüküyor ama ben yapınca olmuyor yav :/ dediğim gibi kodlama bilgim öyle çok da iyi değil. bir noktadan sonra tıkandım.
meraklısı için kodum şöyle:
colab.research.google.com
aşağıya doğru birkaç deneme yanılma var. bıraktım öyle dağınık kalsın diye.
bi el atın sevaptır yav :(
Hocam kodda base_dır diye bir variable var. Bu variable' ın kullanıldığı yerlere sizin test ve train datalarinizin pathlerini vermeniz gerekir. Vereceğiniz pathler direkt olarak resimleri içermelidir.
Confusion matrisini de bu şekilde hesaplayabilirsiniz.
y_ = placeholder_for_labels # for eg: [1, 2, 4]
y = mycnn(...) # for eg: [2, 2, 4]
confusion = tf.confusion_matrix(labels=y_, predictions=y, num_classes=num_classes)
ciagra
1