Детекция малярии с использованием Faster R-CNN

🧠 Участники

• Санников Максим Витальевич
• Смирнов Игорь Сергеевич

---

📦 Описание проекта

Автоматическое обнаружение заражённых клеток малярии с помощью модели Faster R-CNN из библиотеки Detectron2.

---

🚀 Быстрый старт

Способ 1: Google Colab (рекомендуется)

1. Перейдите в Google Colab
2. Загрузите файл МКРТ.ipynb
3. Загрузите свой kaggle.json (см. ниже)
4. Запустите ноутбук — он автоматически:
   • скачает датасет
   • конвертирует его в COCO формат
   • обучит модель Faster R-CNN
   • отобразит метрики и визуализацию

---

💻 Способ 2: Локальный запуск

1. Установите базовые зависимости:

pip install -r requirements_base.txt

2. Установите Detectron2:

На Windows:

install_detectron2.bat

На Linux / macOS:

bash install_detectron2.sh

3. Скачайте kaggle.json:

• Перейдите в https://www.kaggle.com/settings
• Нажмите "Create New API Token"
• Скачайте файл и поместите его в корень проекта

4. Запустите:

python train_model.py

Скрипт:

• скачает датасет malaria-bounding-boxes с Kaggle
• распакует его
• обучит модель
• выведет метрики
• отобразит визуализацию

---

📥 Где взять датасет?

Датасет берётся отсюда:
🔗 https://www.kaggle.com/datasets/kmader/malaria-bounding-boxes

Но вручную скачивать не нужно — скрипт и ноутбук делают это автоматически через kaggle.json.

---

📁 Структура проекта

malaria_project/
├── kaggle.json
├── train_model.py
├── МКРТ.ipynb
├── requirements_base.txt
├── install_detectron2.bat
├── install_detectron2.sh
└── README.md

---

📊 Метрики

Модель	mAP@[.5:.95]	Recall	RBC	Trophozoite	Остальные
Faster R-CNN (2500 ит.)	19.3%	23%	73.9%	42.2%	0%
Faster R-CNN (5000 ит.)	20.1%	25%	75.1%	45.3%	0%

---

⚠️ Примечания

• Модель работает хорошо для классов с большим числом примеров (red blood cell, trophozoite)
• Редкие классы не распознаются — требуется доработка (focal loss, аугментации)