Conda enviroment

É recomendado criar um ambiente virtual: conda create -n eda && conda activate eda

Instalação das bibliotecas necessárias

pip3 install -r requirements.txt

Baixe o dataset

Vá até o o link e baixe o dataset. Link: https://data.mendeley.com/datasets/zr7vgbcyr2/1

Depois descompacte-o e adicione o 'metadata.csv' na pasta data.

Rodar o jupyter notebook para realizar a análise exploratória dos dados:

Com o jupyter notebook instalado no ambiente conda, vá até a past 'src' e rode o script 'EDA.ipynb' por partes.

T-SNE

Para realizar a análise sobre a separabilidade das imagens, você pode rodar o script 'src/tsne.py'. python3 src/tsne.py

Mas antes é necessário adicionar o diretório das imagens a serem analisadas. Neste caso, recomenda-se que esteja dentro da pasta 'data'.

PCA

Para realizar a análise sobre a separabilidade das imagens, você pode rodar o script 'src/tsne.py'. python3 src/pca.py

Mas antes é necessário adicionar o diretório das imagens a serem analisadas. Neste caso, recomenda-se que esteja dentro da pasta 'data'.

UMAP

Para realizar a análise sobre a separabilidade das imagens, você pode rodar o script 'src/tsne.py'. python3 src/umap_projection.py

Mas antes é necessário adicionar o diretório das imagens a serem analisadas. Neste caso, recomenda-se que esteja dentro da pasta 'data'.

Feature selection

Para realizar a seleção de features basta rodar as células do 'src/FeatureSelection.ipynb'. Entretando, mude o diretório de origem dos dados 'filepath_or_buffer' da variável 'dataset' (primeira célula).

Selecção de features por Bayers

Link repositório original: https://github.com/peuBouzon/pad-ufes-20-baeysian-networks.git

Obter as probabilidades da inferência de um modelo de CNN:

Parâmetros: - model_name # Nome do modelo - metadata_csv_folder_path # Caminho de onde está o metadado - images_folder_path # Pasta com as imagens do dataset - model_folder_path # Caminho do modelo a ser usado - csv_results_folder_destination # Onde o arquivo com os resultados das inferências será salvo

Após realizar as alterações rode o arquivo 'inference_image_classifier.py'. No final do processo, um arquivo final 'src/results/inference-results' com um arquivo 'modelo_usado.csv'.

Raug

Biblioteca para obter as inferências dos modelos. Antes de rodar o script 'inference_image_classifier.py', é necessário criar uma pasta com o nome 'config.json' com o caminho da pasta a ser redirecionada na partição central. No caso, o do raug. Exemplo:

{ "raug_full_path":"../raug" }