电子发烧友App

硬声App

搜索历史

清空
搜索热词
      0
      • 聊天消息
      • 系统消息
      • 评论与回复
      查看更多
      查看更多
      查看更多
      登录后你可以
      • 下载海量资料
      • 学习在线课程
      • 观看技术视频
      • 写文章/发帖/加入社区
      创作中心
      发布
      创作活动

      完善资料让更多小伙伴认识你，还能领取20积分哦，立即完善>

      3天内不再提示
      创作
      电子发烧友网>电子资料下载>电子资料>Arduino Nano 33 BLE Sense上的白血病检测

      Arduino Nano 33 BLE Sense上的白血病检测

      2022-11-04 | zip | 0.49 MB | 次下载 | 免费
      普通下载普通下载

      资料介绍

      描述

      急性淋巴细胞白血病 Arduino Nano 33 BLE Sense 分类器是一项实验，旨在探索如何使用低功率微控制器（特别是 Arduino Nano 33 BLE Sense）检测急性淋巴细胞白血病。Arduino Nano 33 BLE Sense 是支持 Tensorflow Lite 的最新 Arduino 板，允许在 Arduino 上进行机器学习。

      您将训练的模型是一个 6 层卷积神经网络，使用英特尔® oneAPI AI 分析工具包中的 英特尔® Optimization for Tensorflow*进行训练，以优化和加速训练过程。

      免责声明

      该项目应仅用于研究目的。该项目的目的是展示人工智能在诊断系统等医疗支持系统中的潜力。

      尽管该模型是准确的，并且在纸上和现实世界的测试中都显示出良好的结果，但它是在少量数据上训练的，需要在更大的数据集上进行训练才能真正评估它的准确性。

      对此存储库做出贡献的开发人员在使用人工智能检测某些类型的癌症方面具有经验。他们不是医生、医学或癌症专家。

      动机

      该项目的动机是探索如何使用 Arduino 等低功率设备来检测急性淋巴细胞白血病。该项目将提交给 Tensorflow For Microcontroller Challenge 和 Eyes on Edge：tinyML Vision Challenge。

      急性淋巴细胞白血病

      急性淋巴细胞白血病 (ALL) ，也称为急性淋巴细胞白血病，是一种影响淋巴样血细胞谱系的癌症。它是儿童最常见的白血病，占成人急性白血病的10-20%。自 1970 年代以来，成人尤其是儿童 ALL 的预后已显着改善。儿童的 5 年生存率约为 95%。在成人中，5 年生存率在 25% 和 75% 之间变化，年轻患者的结果优于老年患者。

      有关急性淋巴细胞白血病的更多信息，请访问我们的白血病信息页面

      ALL-IDB

      pYYBAGNkXaCAcOMlAADLU-w-gUo729.jpg
       

      您需要获得使用急性淋巴细胞白血病图像数据库进行图像处理数据集的访问权限。您可以在此页面上找到申请表和有关访问数据集的信息，以及有关如何在此处回馈项目的信息。如果您无法获得数据集的副本，请随时在您自己的数据集上尝试本教程，我们很乐意找到其他 AML 和 ALL 数据集。

      克隆存储库

      从Peter Moss Acute Myeloid & Lymphoblastic Leukemia AI Research Project Github 组织克隆ALL Arduino Nano 33 BLE Sense Classifier存储库。

      要克隆存储库并安装项目，请确保已安装 Git。现在导航到要将项目克隆到的目录，然后使用以下命令。

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

      这将克隆所有 Arduino Nano 33 BLE Sense 分类器存储库。

      ls

      在主目录中使用 ls 命令应该会显示以下内容。

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

      导航到ALL-Arduino-Nano-33-BLE-Sense-Classifier目录，这是本教程的项目根目录。

      开发者分叉

      想要为这个项目的开发做出贡献的 Github 社区的开发人员应该首先创建一个 fork，然后克隆该存储库。有关详细信息，请查看贡献指南。您应该从开发分支中提取最新代码。

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

      -b " 2.0.0"参数确保您从最新的 master 分支获取代码。在使用以下命令之前，请在项目 README 顶部的按钮中查看我们最新的 master 分支。

      安装

      您现在已准备好安装 ALL Arduino Nano 33 BLE Sense Classifier 训练器。所有软件要求都包含在scripts/install.sh中。您可以从终端中的项目根目录在您的机器上运行此文件。使用以下命令：

      sh scripts/install.sh

      警告：此脚本假定您尚未安装 oneAPI Basekit。

      警告：此脚本假定您尚未安装 oneAPI AI Analytics Toolkit。

      警告：此脚本假定您拥有 Intel GPU。

      警告：此脚本假定您已经安装了 Intel GPU 驱动程序。

      提示：如果以上任何一项与您无关，请在运行前将安装脚本中的相关部分注释掉。

      数据

      您需要获得使用急性淋巴细胞白血病图像数据库进行图像处理数据集的访问权限。您可以在此页面上找到申请表和有关访问数据集的信息，以及有关如何在此处回馈项目的信息。

      如果您无法获得数据集的副本，请随时在您自己的数据集上尝试本教程。

      获得数据后，您需要将其添加到项目文件系统中。你会注意到模型目录中的数据文件夹，模型/数据，里面有训练和测试。将 ALL_IDB1 数据集中的所有图像添加到model/data/train文件夹。

      数据增强

      我们将基于TTP Thanh、Caleb Vununu、Sukhrob Atoev、Suk-Hwan Lee 和 Ki-Ryong Kwon使用卷积神经网络进行的白血病血细胞图像分类创建一个增强数据集。

      应用测试数据

      在数据处理阶段，从数据集中移除十张负片和十张正片，并移至模型/数据/测试/目录。这些数据在训练过程中不会被网络看到，而是用来测试模型的性能。

      为确保您的模型获得相同的结果，您应该使用相同的测试图像。您也可以尝试使用自己的图像选择，但结果可能会有所不同。

      要指定使用哪些测试图像，请修改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
    }
}

      您应该更新以下值：

      • agent->cores应该代表你的 CPU 拥有的核心数量。
      • agent->ip应该是您将在其上运行测试服务器的机器的 IP。
      • agent->port应该是您将在其上运行测试服务器的端口。

      您可以根据需要修改 train 对象中的值，但是为确保获得相同的结果，您可以保留它们的原样。

      训练

      现在您已准备好训练您的模型。

      指标

      我们可以使用指标来衡量模型的有效性。在此网络中，您将使用以下指标：

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

      一旦我们的模型被训练，这些指标将被显示和绘制。在处理指标时，一个有用的教程是Tensorflow 网站上的不平衡数据分类教程。

      开始训练

      确保您已完成所有前面的步骤，您可以使用以下命令开始训练。

      python classifier.py train

      这告诉应用程序开始训练模型。您还可以使用 Jupyter Notebook 来训练您的模型。如果您选择这样做，您可以在此处访问 Notebook 。在此处查看文档。

      训练数据

      首先将准备训练和验证数据。

      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

      在模型开始训练之前，您将看到模型摘要。

      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.

      培训结果

      下面是 28 个 epoch 的训练结果。

      pYYBAGNkXaKAXIrPAAAzj9-X5xs428.png
       

      图 2. 准确度

      pYYBAGNkXaSABgSHAAA4NWD70y8854.png
       

      图 3. 损失

      pYYBAGNkXaaATTOHAAA_fpZdMzs103.png
       

      图 4. 精度

      pYYBAGNkXaiAWiBcAAA-Rab0RAg045.png
       

      图 5. 召回

      pYYBAGNkXaqAeRv7AAA8IlFDp38151.png
       

      图 6. AUC

      poYBAGNkXa2ADzpfAAAfgxkcKjA815.png
       

      图 7. 混淆矩阵

      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%)

      指标概述

      精度 0.9331682920455933

      召回 0.9331682920455933

      精度 0.9331682920455933

      AUC/ROC 0.9677298069000244

      功绩

      真阳性 160 (39.603960396039604%)

      误报 4 (0.9900990099009901%)

      真阴性 217 (53.71287128712871%)

      假阴性 23 (5.693069306930693%)

      灵敏度/召回率 0.9331682920455933 (93%)

      特异性 0.9819004524886877 (98%)

      测试

      现在您将在训练机上测试分类器。您将使用本教程前面部分中从训练数据中删除的 20 张图像。

      要在测试模式下运行分类器，请使用以下命令：

      python3 classifier.py classify

      您应该看到以下内容，其中显示了网络架构：

      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，应用程序将开始处理测试图像，结果将显示在控制台中。

      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

      在这里，我们利用英特尔® oneAPI AI 分析工具包中的英特尔® Optimization for Tensorflow* 训练了一个用于急性淋巴细胞白血病检测的深度学习模型，以优化和加速训练。我们引入了 6 层深度学习模型并应用数据增强来增加训练数据。

      我们以 150 个 epoch 为目标训练我们的模型，并使用早期停止来避免过度拟合。该模型训练了 29 个 epoch，导致拟合略有噪声，但准确度/精度/召回率和 AUC 令人满意。此外，该模型在对 20 个未见过的测试图像中的每一个进行正确分类的测试期间反应良好。

      阿杜诺

      您需要确保已安装以下软件并遵循提供的指南：

      设置

      poYBAGNkXa-AbJkOAAJD3D_kpEA858.jpg
       

      按照上图将您的 SD 卡读卡器连接到 Arduino Nano 33 BLE Sense。

       

      Arduino IDE

      pYYBAGNkXbKAfDNAAAE97VUEOyU280.jpg
       

      打开您的 Arduino IDE 并打开位于项目根目录下 Arduino 文件夹中的all_nano_33_ble_sense草图。

      C 数组模型

      现在您需要将您的 C 数组模型导入到 Arduino 项目中。在您的开发机器上导航到位于项目根目录中的模型目录并打开all_nano_33_ble_sense.cc文件。首先，您需要复制模型并将all_model[]{}中的所有内容替换为新创建的模型。接下来，您需要将all_model_len替换为模型文件底部的模型的实际长度。

      测试数据

      在训练期间，测试数据被调整大小并移动到**model/data/test/**目录。在继续之前，您需要将这些文件上传到 SD 卡。

      运行分类器

      现在是时候在 Arduino Nano 33 BLE Sense 上运行分类器了。确保您已连接到您的 Arduino 并单击上传按钮。模型上传后，它将开始运行，打开串行监视器并观察输出。

      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

      结论

      我们看到，在 Arduino 上运行时，可以正确分类所有 20 张图像的模型仅获得 11/20。我们可以采取一些额外的测试步骤，这些步骤将在 V2 中引入，这将使我们能够在我们的开发机器上测试 Arduino 模型，以帮助确定错误的来源。目前，这是在 Arduino 上构建分类器以检测急性淋巴细胞白血病检测的首次尝试。如果您想查看 Tensorflow Micro 存储库中持续存在的问题，请单击此处，感谢Advait Jain对此问题的帮助。

      贡献

      Asociación de Investigacion en Inteligencia Artificial Para la Leucemia Peter Moss 鼓励并欢迎 Github 社区的代码贡献、错误修复和增强功能。

      请阅读CONTRIBUTING文档以获取有关分叉我们的存储库和提交您的拉取请求的完整指南。您还可以在行为准则文件中找到我们的行为准则。

      贡献者

      版本控制

      我们使用SemVer进行版本控制。

      执照

      这个项目是在MIT 许可下获得许可的- 有关详细信息，请参阅LICENSE文件。

      错误/问题

      我们使用repo 问题来跟踪与使用此项目相关的错误和一般请求。有关如何提交错误、功能请求和建议的更多信息，请参阅CONTRIBUTING 。


      神经网络BLEArduino
      下载该资料的人也在下载 下载该资料的人还在阅读
      更多 >

      评论

      查看更多

      --

      资料 -- | 积分 --

      查看他上传的所有资料
      +关注 个人主页
      上传资料赚积分

      下载排行

      本周

      1. 1山景DSP芯片AP8248A2数据手册
      2. 1.06 MB  |  532次下载  |  免费
      3. 2RK3399完整板原理图（支持平板，盒子VR）
      4. 3.28 MB  |  339次下载  |  免费
      5. 3TC358743XBG评估板参考手册
      6. 1.36 MB  |  330次下载  |  免费
      7. 4DFM软件使用教程
      8. 0.84 MB  |  295次下载  |  免费
      9. 5元宇宙深度解析—未来的未来-风口还是泡沫
      10. 6.40 MB  |  227次下载  |  免费
      11. 6迪文DGUS开发指南
      12. 31.67 MB  |  194次下载  |  免费
      13. 7元宇宙底层硬件系列报告
      14. 13.42 MB  |  182次下载  |  免费
      15. 8FP5207XR-G1中文应用手册
      16. 1.09 MB  |  178次下载  |  免费

      本月

      1. 1OrCAD10.5下载OrCAD10.5中文版软件
      2. 0.00 MB  |  234315次下载  |  免费
      3. 2555集成电路应用800例(新编版)
      4. 0.00 MB  |  33566次下载  |  免费
      5. 3接口电路图大全
      6. 未知  |  30323次下载  |  免费
      7. 4开关电源设计实例指南
      8. 未知  |  21549次下载  |  免费
      9. 5电气工程师手册免费下载(新编第二版pdf电子书)
      10. 0.00 MB  |  15349次下载  |  免费
      11. 6数字电路基础pdf(下载)
      12. 未知  |  13750次下载  |  免费
      13. 7电子制作实例集锦 下载
      14. 未知  |  8113次下载  |  免费
      15. 8《LED驱动电路设计》 温德尔著
      16. 0.00 MB  |  6656次下载  |  免费

      总榜

      1. 1matlab软件下载入口
      2. 未知  |  935054次下载  |  免费
      3. 2protel99se软件下载(可英文版转中文版)
      4. 78.1 MB  |  537798次下载  |  免费
      5. 3MATLAB 7.1 下载 (含软件介绍)
      6. 未知  |  420027次下载  |  免费
      7. 4OrCAD10.5下载OrCAD10.5中文版软件
      8. 0.00 MB  |  234315次下载  |  免费
      9. 5Altium DXP2002下载入口
      10. 未知  |  233046次下载  |  免费
      11. 6电路仿真软件multisim 10.0免费下载
      12. 340992  |  191187次下载  |  免费
      13. 7十天学会AVR单片机与C语言视频教程 下载
      14. 158M  |  183279次下载  |  免费
      15. 8proe5.0野火版下载(中文版免费下载)
      16. 未知  |  138040次下载  |  免费
      华秋（原“华强聚丰”）：
      电子发烧友
      华秋开发
      华秋电路(原"华强PCB")
      华秋商城(原"华强芯城")
      华秋智造
      My ElecFans
      APP
      网站地图
      设计技术
      可编程逻辑
      电源/新能源
      MEMS/传感技术
      测量仪表
      嵌入式技术
      制造/封装
      模拟技术
      RF/无线
      接口/总线/驱动
      处理器/DSP
      EDA/IC设计
      存储技术
      光电显示
      EMC/EMI设计
      连接器
      行业应用
      LEDs
      汽车电子
      音视频及家电
      通信网络
      医疗电子
      人工智能
      虚拟现实
      可穿戴设备
      机器人
      安全设备/系统
      军用/航空电子
      移动通信
      工业控制
      便携设备
      触控感测
      物联网
      智能电网
      区块链
      新科技
      特色内容
      专栏推荐
      学院
      设计资源
      设计技术
      电子百科
      电子视频
      元器件知识
      工具箱
      VIP会员
      最新技术文章
      社区
      小组
      论坛
      问答
      评测试用
      企业服务
      产品
      资料
      文章
      方案
      企业
      供应链服务
      硬件开发
      华秋电路
      华秋商城
      华秋智造
      nextPCB
      BOM配单
      媒体服务
      网站广告
      在线研讨会
      活动策划
      新闻发布
      新品发布
      小测验
      设计大赛
      华秋
      关于我们
      投资关系
      新闻动态
      加入我们
      联系我们
      举报投诉
      社交网络
      微博
      移动端
      发烧友APP
      硬声APP
      WAP
      联系我们
      广告合作
      王婉珠：wangwanzhu@elecfans.com
      内容合作
      黄晶晶：huangjingjing@elecfans.com
      内容合作（海外）
      张迎辉：mikezhang@elecfans.com
      供应链服务 PCB/IC/PCBA
      江良华：lanhu@huaqiu.com
      投资合作
      曾海银：zenghaiyin@huaqiu.com
      社区合作
      刘勇：liuyong@huaqiu.com
      华秋发烧友
      电子工程师社区
      华秋电路
      1-32层PCB打样·中小批量
      华秋商城
      元器件现货·全球代购·SmartBOM
      华秋智造
      SMT贴片·PCBA加工
      NextPCB
      PCB Manufacturer

      版权所有 © 深圳华秋电子有限公司

      电子发烧友 （电路图） 粤公网安备 44030402000349 号 电信与信息服务业务经营许可证：合字B2-20210191 工商网监认证工商网监 湘ICP备 2023018690 号