Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Celda 1:
```python
drive.mount('/content/drive')
```
Esta celda monta Google Drive en Google Colab. Esto permite acceder y trabajar con archivos
almacenados en tu Google Drive desde el entorno de Colab.
Celda 2:
```python
```
Esta celda desinstala la biblioteca "umap" si está instalada. Esto puede ser necesario si necesitas
actualizar o reinstalar la biblioteca.
Celda 3:
```python
```
Celda 4:
```python
import tensorflow as tf
import numpy as np
import cv2
import gc
import umap.umap_ as umap
```
Esta celda importa diversas bibliotecas y módulos necesarios para el notebook. Incluye TensorFlow
para el aprendizaje profundo, NumPy para manipulación de matrices, OpenCV (cv2) para
procesamiento de imágenes, gc para la recolección de basura, UMAP para reducción de
dimensionalidad y Matplotlib para trazar visualizaciones.
Celda 5:
```python
def __image_to_uint_255__(image:np.ndarray):
"""
Args:
image (numpy.ndarray): Input image with values between [0, 255], [0, 1] or [-1, 1]
"""
if image.dtype == np.uint8:
return image
if image.min() < 0:
```
Esta es una función que convierte una imagen en formato de punto flotante en una imagen de tipo
entero en el rango de 0 a 255. Toma como entrada una matriz NumPy que representa una imagen
y realiza la conversión adecuada.
Celda 6:
```python
"""
Function that generates the GradCAM's model for the model and data shape given.
Args:
"""
# ...
# (Esta función se trunca aquí por simplicidad, pero continúa en la celda siguiente)
```
Esta es una función que crea un modelo GradCAM a partir de un modelo de TensorFlow Keras
dado y una forma de datos dada. El modelo GradCAM se utiliza para generar mapas de activación
de clase para visualizar qué partes de una imagen son importantes para una clase específica.
La función busca la última capa convolucional en el modelo dado y luego calcula los gradientes con
respecto a esa capa.
Celda 7:
```python
"""
Function that returns an array with the attention heatmap (In what part of the data the
network focuses) of the model with a given class using the GradCAM method.
Args:
"""
# ...
# (Esta función se trunca aquí por simplicidad, pero continúa en la celda siguiente)
```
Esta es una función que genera un mapa de calor de atención utilizando el método GradCAM.
Toma como entrada una matriz NumPy que representa una imagen, un modelo GradCAM, un
índice de clase y algunos parámetros para ajustar la visualización.
La función calcula los gradientes con respecto a la capa convolucional específica para la clase de
interés y luego utiliza esos gradientes para generar un mapa de calor que resalta las áreas
importantes de la imagen para esa clase.
Celda 8:
```python
# Aplicando
```
Esta celda es un comentario que indica que a partir de aquí se aplicarán las funciones definidas
anteriormente.
Celda 9:
```python
path = '/content/drive/MyDrive/Trabajo de
grado/Polipos/notebooks/DealingWithVideos/weights(3clases)/refinamFALSEVGG163CLASESNBIvi
deo1.h5'
print("modelo cargado!")
```
Esta celda carga un modelo preentrenado desde un archivo HDF5 (con extensión `.h5`). El modelo
se carga en la variable `model`. El parámetro `compile=False` indica que el modelo no se compilará
después de cargarse.
Celda 10:
```python
model.summary()
```
Esta celda imprime un resumen del modelo cargado, mostrando las capas y el número de
parámetros de cada capa.
Celda 11:
```python
gradCamModel.output
```
Celda 12:
```python
path = '/content/drive/MyDrive/Trabajo de
grado/Polipos/notebooks/DealingWithVideos/DataSet/PolypDatasetProcesed/NBI/
adenoma_NBI/video_1/adenoma_NBI_video_1_img_0.png'
img_array = keras.preprocessing.image.img_to_array(img)
img_expand = tf.expand_dims(img_array, 0)
predictions = model.predict(img_expand)
```
Esta celda carga una imagen de un archivo en una variable llamada `img_array`. Luego, normaliza
los valores de píxeles en el rango [0, 1] y la expande a una forma de 4 dimensiones para que
coincida con la entrada del modelo. Luego, realiza predicciones sobre la imagen utilizando el
modelo cargado y muestra
Celda 13:
```python
plt.imshow(heatMap, cmap='jet')
plt.colorbar()
```
Celda 14:
```python
plt.figure(figsize=(10,10))
```
Esta celda crea una figura de Matplotlib con dos subtramas. En la primera subtrama, muestra la
imagen original. En la segunda subtrama, muestra el mapa de calor generado. También agrega
títulos a las subtramas y desactiva los ejes.
Celda 15:
```python
heatMap.shape
```
Esta celda muestra la forma del mapa de calor generado, que puede ser útil para verificar las
dimensiones del resultado.
Espero que esta explicación te haya ayudado a comprender el notebook. Si tienes más preguntas
sobre partes específicas del código o cómo funcionan las funciones, no dudes en preguntar.