carbon-steel-tissue-analysis

深層学習によるフェライト・パーライト組織のセグメンテーションを用いた組織解析

Analysis of ferrite-pearlite microstructure using deep learning segmentation

フォルダー構造

.
├── 🗁 app
│   ├── 🗁 services
│   │   ├──  create_mask_image.ipynb
│   │   ├──  image_analysis.ipynb
│   │   ├──  image_analysis_confirm.ipynb
│   │   └──  rough_and_fine_image_analysis.ipynb
│   ├──  unet_colab.ipynb
│   └──  unet_command.ipynb
├── 🗁 bin
│   ├──  docker_setup.sh
│   ├──  exec_ipynb.sh
│   ├──  formatter.sh
│   └──  setup.sh
├── 🗁 config
│   ├──  init.py
│   └──  setting.py
├── 🗁 data
│   └── 🗁 model
│       ├── 🗁 SegNet
│       └── 🗁 UNet
├── 🗁 module
│   ├──  init.py
│   ├──  const.py
│   ├──  image_loader.py
│   └──  tissue_analysis.py
├── 🗁 readme_svg
│   ├── docker.svg
│   ├── md_file.svg
│   ├── python.svg
│   ├── terminal_shell.svg
│   └── text.svg
├── 🗁 result
│   ├── 🗁 services
│   │   └──  rough_and_fine_image_analysis_epoch_9px.nbconvert.ipynb
│   └──  unet_command_result.nbconvert.ipynb
├──  Dockerfile
├──  README.md
├──  requirements.sample.txt
├──  requirements.txt
└──  setup.py

13 directories, 28 files

環境構築

機械学習ライブラリにPyTorchを使用しているためGPUが必須.

データ準備

/data直下に以下のような構造でimgディレクトリを用意する.

├── 🗁 data
│   ├── 🗁 img(`img`には`config/setting.py`内の`const.TRAIN_DIR`の値を入れる)
│   │   ├── 🗁 images ─...
│   │   └── 🗁 masks  ─...
│   └─── 🗁 model
│       ├── 🗁 SegNet
│       └── 🗁 UNet

Docker

Build & Running Docker Container

sh bin/docker_setup.sh

コンテナ内に入ったらaliasを登録するために毎回以下を実行.

source bin/setup.sh

Jupyter Notebookの実行方法

/app内のJupyter Notebookを実行するときは、APP_PATHで以下を叩くと実行結果ファイル/result/${file_name}_epoch_${epochs}.nbconvert.ipynbが出力される.

ipynb ${file_name} ${epochs}

※第2引数は省略可

ex. 300epochs分を回す/app/unet_command.ipynbを実行時は以下を実行.

ipynb unet_command 300

出力ファイル：/result/unet_command_epoch_300.nbconvert.ipynb

フォーマットの実行方法

Check Linter

black ./ --check

Exec Linter

black ./