README.md

metadata

library_name: transformers
tags: []
base_model: microsoft/conditional-detr-resnet-50

Model Overview

This model is a DETR-based object detection model trained for medical image analysis, 4 classes : 0:Pneumonia, 1:Normal, 2:Pneumonia_bacteria, and 3:Pneumonia_virus

Model Description

Model Architecture: DEtection TRansformers (DETR) Training Data: Trained on a custom dataset of annotated medical images Intended Use: Designed for analyzing chest X-ray images to detect the presence and type of pneumonia, or classify as normal..

Uses

Example Code test model!

import os 
from transformers import AutoImageProcessor, AutoModelForObjectDetection
import torch
from PIL import Image
import pandas as pd

# กำหนดพาธไปยังโฟลเดอร์ที่เก็บรูปภาพ
folder_path = ""

# โหลดโมเดลและโปรเซสเซอร์
processor = AutoImageProcessor.from_pretrained("0llheaven/CON-DETR-V5")
model = AutoModelForObjectDetection.from_pretrained("0llheaven/CON-DETR-V5")

# สร้าง DataFrame เพื่อเก็บผลลัพธ์
results_list = []

# วนลูปผ่านไฟล์ทั้งหมดในโฟลเดอร์
for image_name in os.listdir(folder_path):
    if image_name.endswith((".jpg", ".png", ".jpeg")):  # กรองเฉพาะไฟล์รูปภาพ
        image_path = os.path.join(folder_path, image_name)
        image = Image.open(image_path)

        # แปลงรูปภาพเป็น RGB หากเป็น grayscale
        if image.mode != "RGB":
            image = image.convert("RGB")

        # ทำนายผล
        inputs = processor(images=image, return_tensors="pt")
        outputs = model(**inputs)

        # กรองการทำนายที่มีความแม่นยำมากกว่า 0.9
        target_sizes = torch.tensor([image.size[::-1]])
        results = processor.post_process_object_detection(outputs, target_sizes=target_sizes)

        print(f"Processing image: {image_name}")  # แสดงชื่อรูปภาพที่กำลังประมวลผล

        # ตรวจสอบว่ามีการตรวจจับหรือไม่
        detected_any = False

        for result in results:
            scores = result["scores"]
            labels = result["labels"]
            boxes = result["boxes"]

            # กรองเฉพาะ 2 กล่องแรกที่มีคะแนนสูงกว่า 0.5
            filtered_data = [(score, label, box) for score, label, box in zip(scores, labels, boxes) if score > 0.5][:2] # จำกัดให้เก็บได้ไม่เกิน 2 กล่อง
            # for score, label, box in zip(scores, labels, boxes):
                # if score > 0.5:  # กรองเฉพาะผลลัพธ์ที่มีความแม่นยำมากกว่า 0.9
            if len(filtered_data) > 0:  # ตรวจสอบว่ามีการตรวจจับ
                detected_any = True
                    
            for score, label, box in filtered_data:
                # กำหนดชื่อ label ตาม index ของ label ที่ได้
                if label.item() == 0:
                    label_name = "Pneumonia"
                elif label.item() == 1:
                    label_name = "Normal"
                elif label.item() == 2:
                    label_name = "Pneumonia_bacteria"
                else:
                    label_name = "Pneumonia_virus"
                
                xmin, ymin, xmax, ymax = [round(i, 2) for i in box.tolist()]
                print(f" - Detected {label_name} with score {round(score.item(), 3)} at {xmin, ymin, xmax, ymax}")  # แสดงข้อมูลที่ทำนายได้
                results_list.append({
                    "image_name": image_name,
                    "label": label_name,
                    "xmin": xmin,
                    "ymin": ymin,
                    "xmax": xmax,
                    "ymax": ymax,
                    "score": round(score.item(), 3),
                })

        if not detected_any:
            print(" - No Detect")
            results_list.append({
                "image_name": image_name,
                "label": "Other",
                "xmin": 0,
                "ymin": 0,
                "xmax": 0,
                "ymax": 0,
                "score": 0,
            })

# แปลง List เป็น DataFrame
results_df = pd.DataFrame(results_list)

# แสดงผล DataFrame
print("\nFinal results:")

results_df.to_csv("testmodel.csv", index=False)