描述

急性淋巴細(xì)胞白血病 Arduino Nano 33 BLE Sense 分類器是一項(xiàng)實(shí)驗(yàn)，旨在探索如何使用低功率微控制器（特別是 Arduino Nano 33 BLE Sense）檢測急性淋巴細(xì)胞白血病。Arduino Nano 33 BLE Sense 是支持 Tensorflow Lite 的最新 Arduino 板，允許在 Arduino 上進(jìn)行機(jī)器學(xué)習(xí)。

您將訓(xùn)練的模型是一個(gè) 6 層卷積神經(jīng)網(wǎng)絡(luò)，使用英特爾? oneAPI AI 分析工具包中的 英特爾? Optimization for Tensorflow*進(jìn)行訓(xùn)練，以優(yōu)化和加速訓(xùn)練過程。

免責(zé)聲明

該項(xiàng)目應(yīng)僅用于研究目的。該項(xiàng)目的目的是展示人工智能在診斷系統(tǒng)等醫(yī)療支持系統(tǒng)中的潛力。

盡管該模型是準(zhǔn)確的，并且在紙上和現(xiàn)實(shí)世界的測試中都顯示出良好的結(jié)果，但它是在少量數(shù)據(jù)上訓(xùn)練的，需要在更大的數(shù)據(jù)集上進(jìn)行訓(xùn)練才能真正評估它的準(zhǔn)確性。

對此存儲(chǔ)庫做出貢獻(xiàn)的開發(fā)人員在使用人工智能檢測某些類型的癌癥方面具有經(jīng)驗(yàn)。他們不是醫(yī)生、醫(yī)學(xué)或癌癥專家。

動(dòng)機(jī)

該項(xiàng)目的動(dòng)機(jī)是探索如何使用 Arduino 等低功率設(shè)備來檢測急性淋巴細(xì)胞白血病。該項(xiàng)目將提交給 Tensorflow For Microcontroller Challenge 和 Eyes on Edge：tinyML Vision Challenge。

急性淋巴細(xì)胞白血病

急性淋巴細(xì)胞白血病 (ALL) ，也稱為急性淋巴細(xì)胞白血病，是一種影響淋巴樣血細(xì)胞譜系的癌癥。它是兒童最常見的白血病，占成人急性白血病的10-20%。自 1970 年代以來，成人尤其是兒童 ALL 的預(yù)后已顯著改善。兒童的 5 年生存率約為 95%。在成人中，5 年生存率在 25% 和 75% 之間變化，年輕患者的結(jié)果優(yōu)于老年患者。

有關(guān)急性淋巴細(xì)胞白血病的更多信息，請?jiān)L問我們的白血病信息頁面

ALL-IDB

您需要獲得使用急性淋巴細(xì)胞白血病圖像數(shù)據(jù)庫進(jìn)行圖像處理數(shù)據(jù)集的訪問權(quán)限。您可以在此頁面上找到申請表和有關(guān)訪問數(shù)據(jù)集的信息，以及有關(guān)如何在此處回饋項(xiàng)目的信息。如果您無法獲得數(shù)據(jù)集的副本，請隨時(shí)在您自己的數(shù)據(jù)集上嘗試本教程，我們很樂意找到其他 AML 和 ALL 數(shù)據(jù)集。

克隆存儲(chǔ)庫

從Peter Moss Acute Myeloid & Lymphoblastic Leukemia AI Research Project Github 組織克隆ALL Arduino Nano 33 BLE Sense Classifier存儲(chǔ)庫。

要克隆存儲(chǔ)庫并安裝項(xiàng)目，請確保已安裝 Git。現(xiàn)在導(dǎo)航到要將項(xiàng)目克隆到的目錄，然后使用以下命令。

git clone https://github.com/AMLResearchProject/ALL-Arduino-Nano-33-BLE-Sense-Classifier.git

這將克隆所有 Arduino Nano 33 BLE Sense 分類器存儲(chǔ)庫。

ls

在主目錄中使用 ls 命令應(yīng)該會(huì)顯示以下內(nèi)容。

ALL-Arduino-Nano-33-BLE-Sense-Classifier

導(dǎo)航到ALL-Arduino-Nano-33-BLE-Sense-Classifier目錄，這是本教程的項(xiàng)目根目錄。

開發(fā)者分叉

想要為這個(gè)項(xiàng)目的開發(fā)做出貢獻(xiàn)的 Github 社區(qū)的開發(fā)人員應(yīng)該首先創(chuàng)建一個(gè) fork，然后克隆該存儲(chǔ)庫。有關(guān)詳細(xì)信息，請查看貢獻(xiàn)指南。您應(yīng)該從開發(fā)分支中提取最新代碼。

git clone -b "2.0.0" https://github.com/AMLResearchProject/ALL-Arduino-Nano-33-BLE-Sense-Classifier.git

-b " 2.0.0"參數(shù)確保您從最新的 master 分支獲取代碼。在使用以下命令之前，請?jiān)陧?xiàng)目 README 頂部的按鈕中查看我們最新的 master 分支。

安裝

您現(xiàn)在已準(zhǔn)備好安裝 ALL Arduino Nano 33 BLE Sense Classifier 訓(xùn)練器。所有軟件要求都包含在scripts/install.sh中。您可以從終端中的項(xiàng)目根目錄在您的機(jī)器上運(yùn)行此文件。使用以下命令：

sh scripts/install.sh

警告：此腳本假定您尚未安裝 oneAPI Basekit。

警告：此腳本假定您尚未安裝 oneAPI AI Analytics Toolkit。

警告：此腳本假定您擁有 Intel GPU。

警告：此腳本假定您已經(jīng)安裝了 Intel GPU 驅(qū)動(dòng)程序。

提示：如果以上任何一項(xiàng)與您無關(guān)，請?jiān)谶\(yùn)行前將安裝腳本中的相關(guān)部分注釋掉。

數(shù)據(jù)

您需要獲得使用急性淋巴細(xì)胞白血病圖像數(shù)據(jù)庫進(jìn)行圖像處理數(shù)據(jù)集的訪問權(quán)限。您可以在此頁面上找到申請表和有關(guān)訪問數(shù)據(jù)集的信息，以及有關(guān)如何在此處回饋項(xiàng)目的信息。

如果您無法獲得數(shù)據(jù)集的副本，請隨時(shí)在您自己的數(shù)據(jù)集上嘗試本教程。

獲得數(shù)據(jù)后，您需要將其添加到項(xiàng)目文件系統(tǒng)中。你會(huì)注意到模型目錄中的數(shù)據(jù)文件夾，模型/數(shù)據(jù)，里面有訓(xùn)練和測試。將 ALL_IDB1 數(shù)據(jù)集中的所有圖像添加到model/data/train文件夾。

數(shù)據(jù)增強(qiáng)

我們將基于TTP Thanh、Caleb Vununu、Sukhrob Atoev、Suk-Hwan Lee 和 Ki-Ryong Kwon使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行的白血病血細(xì)胞圖像分類創(chuàng)建一個(gè)增強(qiáng)數(shù)據(jù)集。

應(yīng)用測試數(shù)據(jù)

在數(shù)據(jù)處理階段，從數(shù)據(jù)集中移除十張負(fù)片和十張正片，并移至模型/數(shù)據(jù)/測試/目錄。這些數(shù)據(jù)在訓(xùn)練過程中不會(huì)被網(wǎng)絡(luò)看到，而是用來測試模型的性能。

為確保您的模型獲得相同的結(jié)果，您應(yīng)該使用相同的測試圖像。您也可以嘗試使用自己的圖像選擇，但結(jié)果可能會(huì)有所不同。

要指定使用哪些測試圖像，請修改configuration/config.json文件，如下所示：

"test_data": [
    "Im006_1.jpg",
    "Im020_1.jpg",
    "Im024_1.jpg",
    "Im026_1.jpg",
    "Im028_1.jpg",
    "Im031_1.jpg",
    "Im035_0.jpg",
    "Im041_0.jpg",
    "Im047_0.jpg",
    "Im053_1.jpg",
    "Im057_1.jpg",
    "Im060_1.jpg",
    "Im063_1.jpg",
    "Im069_0.jpg",
    "Im074_0.jpg",
    "Im088_0.jpg",
    "Im095_0.jpg",
    "Im099_0.jpg",
    "Im101_0.jpg",
    "Im106_0.jpg"
],

配置

所有配置都可以在configuration/config.json文件中找到。

{
    "agent": {
        "cores": 8,
        "ip": "",
        "port": 1234,
        "params": [
            "train",
            "classify",
            "server",
            "classify_http"
        ]
    },
    "data": {
        "dim": 100,
        "file_type": ".jpg",
        "labels": [0, 1],
        "rotations": 10,
        "seed": 2,
        "split": 0.255,
        "test": "model/data/test",
        "test_data": [
            "Im006_1.jpg",
            "Im020_1.jpg",
            "Im024_1.jpg",
            "Im026_1.jpg",
            "Im028_1.jpg",
            "Im031_1.jpg",
            "Im035_0.jpg",
            "Im041_0.jpg",
            "Im047_0.jpg",
            "Im053_1.jpg",
            "Im057_1.jpg",
            "Im060_1.jpg",
            "Im063_1.jpg",
            "Im069_0.jpg",
            "Im074_0.jpg",
            "Im088_0.jpg",
            "Im095_0.jpg",
            "Im099_0.jpg",
            "Im101_0.jpg",
            "Im106_0.jpg"
        ],
        "train_dir": "model/data/train",
        "valid_types": [
            ".jpg"
        ]
    },
    "model": {
        "model": "model/all_nano_33_ble_sense.json",
        "model_c_array": "model/all_nano_33_ble_sense.cc",
        "tfmodel": "model/all_nano_33_ble_sense.tflite",
        "weights": "model/all_nano_33_ble_sense.h5"
    },
    "train": {
        "batch": 100,
        "decay_adam": 1e-6,
        "epochs": 150,
        "learning_rate_adam": 1e-4,
        "val_steps": 10
    }
}

您應(yīng)該更新以下值：

• agent->cores應(yīng)該代表你的 CPU 擁有的核心數(shù)量。
• agent->ip應(yīng)該是您將在其上運(yùn)行測試服務(wù)器的機(jī)器的 IP。
• agent->port應(yīng)該是您將在其上運(yùn)行測試服務(wù)器的端口。

您可以根據(jù)需要修改 train 對象中的值，但是為確保獲得相同的結(jié)果，您可以保留它們的原樣。

訓(xùn)練

現(xiàn)在您已準(zhǔn)備好訓(xùn)練您的模型。

指標(biāo)

我們可以使用指標(biāo)來衡量模型的有效性。在此網(wǎng)絡(luò)中，您將使用以下指標(biāo)：

tf.keras.metrics.BinaryAccuracy(name='accuracy'),
tf.keras.metrics.Precision(name='precision'),
tf.keras.metrics.Recall(name='recall'),
tf.keras.metrics.AUC(name='auc')

一旦我們的模型被訓(xùn)練，這些指標(biāo)將被顯示和繪制。在處理指標(biāo)時(shí)，一個(gè)有用的教程是Tensorflow 網(wǎng)站上的不平衡數(shù)據(jù)分類教程。

開始訓(xùn)練

確保您已完成所有前面的步驟，您可以使用以下命令開始訓(xùn)練。

python classifier.py train

這告訴應(yīng)用程序開始訓(xùn)練模型。您還可以使用 Jupyter Notebook 來訓(xùn)練您的模型。如果您選擇這樣做，您可以在此處訪問 Notebook 。在此處查看文檔。

訓(xùn)練數(shù)據(jù)

首先將準(zhǔn)備訓(xùn)練和驗(yàn)證數(shù)據(jù)。

2021-07-18 17:42:26,075 - Classifier - INFO - Augmented data size: 1584
2021-07-18 17:42:26,075 - Classifier - INFO - Negative data size: 882
2021-07-18 17:42:26,076 - Classifier - INFO - Positive data size: 702
2021-07-18 17:42:26,076 - Classifier - INFO - Augmented data shape: (1584, 100, 100, 3)
2021-07-18 17:42:26,076 - Classifier - INFO - Labels shape: (1584, 2)
2021-07-18 17:42:26,267 - Classifier - INFO - Training data: (1180, 100, 100, 3)
2021-07-18 17:42:26,267 - Classifier - INFO - Training labels: (1180, 2)
2021-07-18 17:42:26,267 - Classifier - INFO - Validation data: (404, 100, 100, 3)
2021-07-18 17:42:26,267 - Classifier - INFO - Validation labels: (404, 2)
2021-07-18 17:42:26,267 - Classifier - INFO - Data preperation complete.

模型摘要

在模型開始訓(xùn)練之前，您將看到模型摘要。

Model: "AllANBS"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
average_pooling2d (AveragePo (None, 50, 50, 3)         0
_________________________________________________________________
conv2d (Conv2D)              (None, 46, 46, 30)        2280
_________________________________________________________________
depthwise_conv2d (DepthwiseC (None, 17, 17, 30)        27030
_________________________________________________________________
flatten (Flatten)            (None, 8670)              0
_________________________________________________________________
dense (Dense)                (None, 2)                 17342
_________________________________________________________________
activation (Activation)      (None, 2)                 0
=================================================================
Total params: 46,652
Trainable params: 46,652
Non-trainable params: 0
_________________________________________________________________
2021-07-18 17:42:26,323 - Classifier - INFO - Network initialization complete.
2021-07-18 17:42:26,324 - Classifier - INFO - Using Adam Optimizer.
2021-07-18 17:42:26,324 - Classifier - INFO - Using Early Stopping.

培訓(xùn)結(jié)果

下面是 28 個(gè) epoch 的訓(xùn)練結(jié)果。

圖 2. 準(zhǔn)確度

圖 3. 損失

圖 4. 精度

圖 5. 召回

圖 6. AUC

圖 7. 混淆矩陣

2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: loss 0.2371470034122467
2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: acc 0.9331682920455933
2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: precision 0.9331682920455933
2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: recall 0.9331682920455933
2021-07-18 17:47:55,953 - Classifier - INFO - Metrics: auc 0.9677298069000244
2021-07-18 17:47:56,536 - Classifier - INFO - Confusion Matrix: [[217   4] [ 23 160]]
2021-07-18 17:47:56,633 - Classifier - INFO - True Positives: 160(39.603960396039604%)
2021-07-18 17:47:56,633 - Classifier - INFO - False Positives: 4(0.9900990099009901%)
2021-07-18 17:47:56,633 - Classifier - INFO - True Negatives: 217(53.71287128712871%)
2021-07-18 17:47:56,633 - Classifier - INFO - False Negatives: 23(5.693069306930693%)
2021-07-18 17:47:56,633 - Classifier - INFO - Specificity: 0.9819004524886877
2021-07-18 17:47:56,633 - Classifier - INFO - Misclassification: 27(6.683168316831683%)

指標(biāo)概述

精度 0.9331682920455933

召回 0.9331682920455933

精度 0.9331682920455933

AUC/ROC 0.9677298069000244

功績

真陽性 160 (39.603960396039604%)

誤報(bào) 4 (0.9900990099009901%)

真陰性 217 (53.71287128712871%)

假陰性 23 (5.693069306930693%)

靈敏度/召回率 0.9331682920455933 (93%)

特異性 0.9819004524886877 (98%)

測試

現(xiàn)在您將在訓(xùn)練機(jī)上測試分類器。您將使用本教程前面部分中從訓(xùn)練數(shù)據(jù)中刪除的 20 張圖像。

要在測試模式下運(yùn)行分類器，請使用以下命令：

python3 classifier.py classify

您應(yīng)該看到以下內(nèi)容，其中顯示了網(wǎng)絡(luò)架構(gòu)：

Model: "AllANBS"
_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
average_pooling2d (AveragePo (None, 50, 50, 3)         0
_________________________________________________________________
conv2d (Conv2D)              (None, 46, 46, 30)        2280
_________________________________________________________________
depthwise_conv2d (DepthwiseC (None, 17, 17, 30)        27030
_________________________________________________________________
flatten (Flatten)            (None, 8670)              0
_________________________________________________________________
dense (Dense)                (None, 2)                 17342
_________________________________________________________________
activation (Activation)      (None, 2)                 0
=================================================================
Total params: 46,652
Trainable params: 46,652
Non-trainable params: 0
_________________________________________________________________

最后，應(yīng)用程序?qū)㈤_始處理測試圖像，結(jié)果將顯示在控制臺(tái)中。

2021-07-18 17:51:28,684 - Classifier - INFO - Loaded test image model/data/test/Im063_1.jpg
2021-07-18 17:51:28,804 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.12069535255432129 seconds.
2021-07-18 17:51:28,804 - Classifier - INFO - Loaded test image model/data/test/Im028_1.jpg
2021-07-18 17:51:28,838 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03429007530212402 seconds.
2021-07-18 17:51:28,839 - Classifier - INFO - Loaded test image model/data/test/Im106_0.jpg
2021-07-18 17:51:28,872 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03346753120422363 seconds.
2021-07-18 17:51:28,872 - Classifier - INFO - Loaded test image model/data/test/Im101_0.jpg
2021-07-18 17:51:28,906 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.034415245056152344 seconds.
2021-07-18 17:51:28,907 - Classifier - INFO - Loaded test image model/data/test/Im024_1.jpg
2021-07-18 17:51:28,939 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.032686471939086914 seconds.
2021-07-18 17:51:28,940 - Classifier - INFO - Loaded test image model/data/test/Im074_0.jpg
2021-07-18 17:51:28,972 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03266596794128418 seconds.
2021-07-18 17:51:28,973 - Classifier - INFO - Loaded test image model/data/test/Im035_0.jpg
2021-07-18 17:51:29,005 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.032935142517089844 seconds.
2021-07-18 17:51:29,006 - Classifier - INFO - Loaded test image model/data/test/Im006_1.jpg
2021-07-18 17:51:29,039 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03386235237121582 seconds.
2021-07-18 17:51:29,040 - Classifier - INFO - Loaded test image model/data/test/Im020_1.jpg
2021-07-18 17:51:29,076 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.0370943546295166 seconds.
2021-07-18 17:51:29,077 - Classifier - INFO - Loaded test image model/data/test/Im095_0.jpg
2021-07-18 17:51:29,109 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03277897834777832 seconds.
2021-07-18 17:51:29,110 - Classifier - INFO - Loaded test image model/data/test/Im069_0.jpg
2021-07-18 17:51:29,143 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03318381309509277 seconds.
2021-07-18 17:51:29,143 - Classifier - INFO - Loaded test image model/data/test/Im031_1.jpg
2021-07-18 17:51:29,175 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03194856643676758 seconds.
2021-07-18 17:51:29,176 - Classifier - INFO - Loaded test image model/data/test/Im099_0.jpg
2021-07-18 17:51:29,208 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.032364845275878906 seconds.
2021-07-18 17:51:29,208 - Classifier - INFO - Loaded test image model/data/test/Im026_1.jpg
2021-07-18 17:51:29,241 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03291964530944824 seconds.
2021-07-18 17:51:29,241 - Classifier - INFO - Loaded test image model/data/test/Im057_1.jpg
2021-07-18 17:51:29,276 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.035039663314819336 seconds.
2021-07-18 17:51:29,277 - Classifier - INFO - Loaded test image model/data/test/Im088_0.jpg
2021-07-18 17:51:29,312 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03563833236694336 seconds.
2021-07-18 17:51:29,313 - Classifier - INFO - Loaded test image model/data/test/Im060_1.jpg
2021-07-18 17:51:29,346 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03394198417663574 seconds.
2021-07-18 17:51:29,347 - Classifier - INFO - Loaded test image model/data/test/Im053_1.jpg
2021-07-18 17:51:29,383 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly detected (True Positive) in 0.03695321083068848 seconds.
2021-07-18 17:51:29,384 - Classifier - INFO - Loaded test image model/data/test/Im041_0.jpg
2021-07-18 17:51:29,417 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03377509117126465 seconds.
2021-07-18 17:51:29,418 - Classifier - INFO - Loaded test image model/data/test/Im047_0.jpg
2021-07-18 17:51:29,450 - Classifier - INFO - Acute Lymphoblastic Leukemia correctly not detected (True Negative) in 0.03243684768676758 seconds.
2021-07-18 17:51:29,450 - Classifier - INFO - Images Classified: 20
2021-07-18 17:51:29,450 - Classifier - INFO - True Positives: 10
2021-07-18 17:51:29,450 - Classifier - INFO - False Positives: 0
2021-07-18 17:51:29,450 - Classifier - INFO - True Negatives: 10
2021-07-18 17:51:29,450 - Classifier - INFO - False Negatives: 0
2021-07-18 17:51:29,450 - Classifier - INFO - Total Time Taken: 0.7630934715270996

在這里，我們利用英特爾? oneAPI AI 分析工具包中的英特爾? Optimization for Tensorflow* 訓(xùn)練了一個(gè)用于急性淋巴細(xì)胞白血病檢測的深度學(xué)習(xí)模型，以優(yōu)化和加速訓(xùn)練。我們引入了 6 層深度學(xué)習(xí)模型并應(yīng)用數(shù)據(jù)增強(qiáng)來增加訓(xùn)練數(shù)據(jù)。

我們以 150 個(gè) epoch 為目標(biāo)訓(xùn)練我們的模型，并使用早期停止來避免過度擬合。該模型訓(xùn)練了 29 個(gè) epoch，導(dǎo)致擬合略有噪聲，但準(zhǔn)確度/精度/召回率和 AUC 令人滿意。此外，該模型在對 20 個(gè)未見過的測試圖像中的每一個(gè)進(jìn)行正確分類的測試期間反應(yīng)良好。

阿杜諾

您需要確保已安裝以下軟件并遵循提供的指南：

• Ubuntu 安裝指南
• Python 使用指南或Jupyter Notebooks 使用指南
• Arduino IDE
• Arduino Nano 33 BLE Sense 入門
• 為什么 5V 引腳在 Arduino Nano 33 BLE 板中不起作用？

設(shè)置

按照上圖將您的 SD 卡讀卡器連接到 Arduino Nano 33 BLE Sense。

?

Arduino IDE

打開您的 Arduino IDE 并打開位于項(xiàng)目根目錄下 Arduino 文件夾中的all_nano_33_ble_sense草圖。

C 數(shù)組模型

現(xiàn)在您需要將您的 C 數(shù)組模型導(dǎo)入到 Arduino 項(xiàng)目中。在您的開發(fā)機(jī)器上導(dǎo)航到位于項(xiàng)目根目錄中的模型目錄并打開all_nano_33_ble_sense.cc文件。首先，您需要復(fù)制模型并將all_model[]{}中的所有內(nèi)容替換為新創(chuàng)建的模型。接下來，您需要將all_model_len替換為模型文件底部的模型的實(shí)際長度。

測試數(shù)據(jù)

在訓(xùn)練期間，測試數(shù)據(jù)被調(diào)整大小并移動(dòng)到**model/data/test/**目錄。在繼續(xù)之前，您需要將這些文件上傳到 SD 卡。

運(yùn)行分類器

現(xiàn)在是時(shí)候在 Arduino Nano 33 BLE Sense 上運(yùn)行分類器了。確保您已連接到您的 Arduino 并單擊上傳按鈕。模型上傳后，它將開始運(yùn)行，打開串行監(jiān)視器并觀察輸出。

19:22:40.139 -> Initialising SD card...
19:22:40.148 -> Initialisation done.
19:22:40.158 ->
19:22:40.163 -> Model input info
19:22:40.274 -> ===============
19:22:40.284 -> Dimensions: 4
19:22:40.299 -> Dim 1 size: 1
19:22:40.314 -> Dim 2 size: 100
19:22:40.328 -> Dim 3 size: 100
19:22:40.343 -> Dim 4 size: 3
19:22:40.354 -> Input type: 9
19:22:40.365 -> ===============
19:22:40.375 ->
19:22:40.381 -> Im006_1.jpg
19:22:40.458 -> ===============
19:22:40.468 -> ALL positive score: -7
19:22:40.483 -> ALL negative score: -18
19:22:40.504 -> True Positive
19:22:40.515 ->
19:22:40.521 -> Im020_1.jpg
19:22:43.194 -> ===============
19:22:43.201 -> ALL positive score: -14
19:22:43.223 -> ALL negative score: -6
19:22:43.229 -> False Negative
19:22:43.238 ->
19:22:43.241 -> Im024_1.jpg
19:22:45.916 -> ===============
19:22:45.922 -> ALL positive score: 18
19:22:45.928 -> ALL negative score: 24
19:22:45.938 -> False Negative
19:22:45.946 ->
19:22:45.950 -> Im026_1.jpg
19:22:48.680 -> ===============
19:22:48.685 -> ALL positive score: 27
19:22:48.695 -> ALL negative score: 24
19:22:48.705 -> True Positive
19:22:48.714 ->
19:22:48.719 -> Im028_1.jpg
19:22:51.409 -> ===============
19:22:51.416 -> ALL positive score: 13
19:22:51.427 -> ALL negative score: 18
19:22:51.439 -> False Negative
19:22:51.448 ->
19:22:51.454 -> Im031_1.jpg
19:22:54.138 -> ===============
19:22:54.148 -> ALL positive score: -13
19:22:54.164 -> ALL negative score: -16
19:22:54.179 -> True Positive
19:22:54.183 ->
19:22:54.188 -> Im035_0.jpg
19:22:56.883 -> ===============
19:22:56.890 -> ALL positive score: 12
19:22:56.901 -> ALL negative score: 20
19:22:56.908 -> True Negative
19:22:56.916 ->
19:22:56.921 -> Im041_0.jpg
19:22:59.631 -> ===============
19:22:59.640 -> ALL positive score: 14
19:22:59.653 -> ALL negative score: 6
19:22:59.663 -> False Positive
19:22:59.673 ->
19:22:59.679 -> Im047_0.jpg
19:23:02.365 -> ===============
19:23:02.373 -> ALL positive score: 25
19:23:02.384 -> ALL negative score: 20
19:23:02.393 -> False Positive
19:23:02.399 ->
19:23:02.404 -> Im053_1.jpg
19:23:05.160 -> ===============
19:23:05.174 -> ALL positive score: 39
19:23:05.190 -> ALL negative score: 5
19:23:05.202 -> True Positive
19:23:05.218 ->
19:23:05.223 -> Im057_1.jpg
19:23:07.881 -> ===============
19:23:07.896 -> ALL positive score: 6
19:23:07.912 -> ALL negative score: -1
19:23:07.928 -> True Positive
19:23:07.937 ->
19:23:07.942 -> Im060_1.jpg
19:23:10.618 -> ===============
19:23:10.630 -> ALL positive score: 25
19:23:10.648 -> ALL negative score: 12
19:23:10.661 -> True Positive
19:23:10.667 ->
19:23:10.673 -> Im063_1.jpg
19:23:13.359 -> ===============
19:23:13.368 -> ALL positive score: 23
19:23:13.382 -> ALL negative score: -52
19:23:13.400 -> True Positive
19:23:13.411 ->
19:23:13.417 -> Im069_0.jpg
19:23:16.097 -> ===============
19:23:16.108 -> ALL positive score: -4
19:23:16.129 -> ALL negative score: 34
19:23:16.148 -> True Negative
19:23:16.159 ->
19:23:16.164 -> Im074_0.jpg
19:23:18.812 -> ===============
19:23:18.819 -> ALL positive score: 22
19:23:18.834 -> ALL negative score: 18
19:23:18.850 -> False Positive
19:23:18.861 ->
19:23:18.867 -> Im088_0.jpg
19:23:21.564 -> ===============
19:23:21.575 -> ALL positive score: -21
19:23:21.594 -> ALL negative score: -24
19:23:21.613 -> False Positive
19:23:21.625 ->
19:23:21.630 -> Im095_0.jpg
19:23:24.274 -> ===============
19:23:24.284 -> ALL positive score: -33
19:23:24.302 -> ALL negative score: -38
19:23:24.321 -> False Positive
19:23:24.333 ->
19:23:24.339 -> Im099_0.jpg
19:23:27.014 -> ===============
19:23:27.025 -> ALL positive score: -46
19:23:27.042 -> ALL negative score: -22
19:23:27.062 -> True Negative
19:23:27.074 ->
19:23:27.080 -> Im101_0.jpg
19:23:29.769 -> ===============
19:23:29.779 -> ALL positive score: -17
19:23:29.796 -> ALL negative score: -14
19:23:29.816 -> True Negative
19:23:29.830 ->
19:23:29.837 -> Im106_0.jpg
19:23:32.530 -> ===============
19:23:32.545 -> ALL positive score: -42
19:23:32.562 -> ALL negative score: -45
19:23:32.587 -> False Positive
19:23:32.602 ->
19:23:32.609 -> True Positives: 7
19:23:34.833 -> False Positives: 6
19:23:34.844 -> True Negatives: 4
19:23:34.858 -> False Negatives: 3

結(jié)論

我們看到，在 Arduino 上運(yùn)行時(shí)，可以正確分類所有 20 張圖像的模型僅獲得 11/20。我們可以采取一些額外的測試步驟，這些步驟將在 V2 中引入，這將使我們能夠在我們的開發(fā)機(jī)器上測試 Arduino 模型，以幫助確定錯(cuò)誤的來源。目前，這是在 Arduino 上構(gòu)建分類器以檢測急性淋巴細(xì)胞白血病檢測的首次嘗試。如果您想查看 Tensorflow Micro 存儲(chǔ)庫中持續(xù)存在的問題，請單擊此處，感謝Advait Jain對此問題的幫助。

貢獻(xiàn)

Asociación de Investigacion en Inteligencia Artificial Para la Leucemia Peter Moss 鼓勵(lì)并歡迎 Github 社區(qū)的代碼貢獻(xiàn)、錯(cuò)誤修復(fù)和增強(qiáng)功能。

請閱讀CONTRIBUTING文檔以獲取有關(guān)分叉我們的存儲(chǔ)庫和提交您的拉取請求的完整指南。您還可以在行為準(zhǔn)則文件中找到我們的行為準(zhǔn)則。

貢獻(xiàn)者

• Adam Milton-Barker - Asociación de Investigacion en Inteligencia Artificial Para la Leucemia Peter Moss西班牙薩瓦德爾總裁/創(chuàng)始人兼首席開發(fā)人員

版本控制

我們使用SemVer進(jìn)行版本控制。

執(zhí)照

這個(gè)項(xiàng)目是在MIT 許可下獲得許可的- 有關(guān)詳細(xì)信息，請參閱LICENSE文件。

錯(cuò)誤/問題

我們使用repo 問題來跟蹤與使用此項(xiàng)目相關(guān)的錯(cuò)誤和一般請求。有關(guān)如何提交錯(cuò)誤、功能請求和建議的更多信息，請參閱CONTRIBUTING 。