# Matlab label to COCO and trained on roboflow

[程式碼連結](https://drive.google.com/drive/folders/1Cpzx8wtnlAsRqnQbsiz52Jfix-xexood?usp=sharing)

## 資料夾結構:
1. 建立資料夾 `data` 存放 matlab 標好的 .mat
2. 需要先建立一個資料夾叫 `json`

## 使用流程
1. 使用`extract.m` (matlab) 取得 json
2. 建立一個資料夾叫 `img` ，存放全部的圖片
3. 使用 `json_to_coco.py`，將 json 轉成 coco 格式，會產出一個資料夾 `output_twoclass`，內部會有`20240320_coco_format.json` 和刪減過圖片的 `img` 資料夾(圖片為示意)
4. 上傳 `20240320_coco_format.json` 和 `img` 資料夾到 roboflow (圖片為示意)
5. 點選 save and continue
6. 調整分割比例後，點選 continue
7. 上傳完畢後，進到 dataset 頁面
8. 點選上方 classes，選擇 pelvic_fracture (本次以 hip fracture 為辨識目標)
10. 選擇全部有 pelvic_fracture 的圖片(點選 select all，再點選下一頁繼續框選)
12. 點選右上角的 selected images，選擇紅框刪除全部相關圖片
13. 點選左方的 generate，再點選 create new version
8. 前處理的部分建議選擇這兩個，第一個避免轉向問題，第二個統一圖片尺寸，可再調整成自己想要的尺寸，完畢後點選 continue
9. 選擇資料擴增手段，點選 Add augmentation step
10. 紅框的這兩項分別為翻轉及亮度調整
11. 翻轉部分，只要勾選 horizontal 進行水平翻轉即可，點選 apply，可再繼續 Add augmentation step
12. 亮度增加部分，可再針對您需求的增量程度調整，請記得將 Darken (調暗) 的部分取消勾選。
14. 擴增手段選取完畢的狀況應如下圖，點選 continue
15. 根據需求選擇產出的資料量，應為 3x 就足夠，額外的圖片可能會利用不同亮度的狀況來製作資料集，選擇完畢後點選 create
16. 處理完畢後點選 Train with Roboflow
17. 直接選擇 roboflow 3.0 模型來進行訓練，點選 continue
18. 選擇 fast 即可，除非有額外購買 roboflow 的贊助才可以選其他的
19. 直接點選 start training 即可，此步在選擇 transfer learning 使用 MS COCO
20. 點選完畢後就會進行訓練了，訓練完成會利用 Email 通知
21. 點選 versions 可以看到訓練結果，更詳細的評估指標需要額外花費(roboflow)
22. 點選 more metrics 可以看到更多指標
23. 往下滑到 training graphs 也有其他訓練圖可以參考
24. 點選 example web app 來取得使用模型的參數
25. 紅框處的部分在測試分類期間會用到

## 分類測試
1. 將沒骨折資料夾與 `no_fracture_dataset_copy.py` 放在一起
2. 執行　`no_fracture_dataset_copy.py` ，會產出一個資料夾叫做 `ok` ，是去掉資料夾把圖片全部放在一起的
3. 建立一個資料夾叫做 `images`，裡面先放入 `ok` 這個資料夾，
4. 點選 Export Dataset
5. 點選 yolov8，勾選 download zip to computer
6. 在資料夾中建立一個資料夾 `datasets` (可根據自己需求修改)，並且將下載下來的資料夾解壓縮到內
7. 取出 test 資料夾內的 images 放到外部的 images 資料夾，並且將 test 重新命名為 fractured
7. 回到外部資料夾，應要存放 `test.py`，是評估分類使用
7. 其中 model_id 及 roboflow_api_key 應要根據前面的 28. 的紅框處，進行填寫，model_id 為 `MODEL/VERSION`，roboflow_api_key 請填寫 API KEY
8. 您可以至 `test.py` 中調整參數，如 confidence threshold 影響到的是，信心程度多少以上才判斷為是有預測出來
9. 回到外部資料夾，執行 `test.py`，畫面會顯示預測狀況，同時會產生一個 results 資料夾
9. results 資料夾內部結構根據 ground truth 來擺放，可以看到 gt 為 ok (無骨折) 的哪幾張圖片被判為 ng (有骨折)，反之亦然
10. 目前是自行將畫面顯示結果放入 excel 計算，您可以自行填表到對應位置