Efficientnet ParkinsonsPred

🚀 高效网络帕金森病预测模型 🤗

本仓库包含用于预测帕金森病的Hugging Face高效网络（EfficientNet）模型，该模型通过分析患者的绘图进行预测，准确率约为83%。本模型基于高效网络和PyTorch构建。

🚀 快速开始

本模型使用高效网络架构，通过分析患者的绘图来预测其患帕金森病的可能性。如果你愿意，欢迎提交拉取请求（Pull Request）参与贡献。

✨ 主要特性

• 基于高效网络架构，对帕金森病进行预测。
• 利用患者绘图数据，预测准确率约达83%。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

import torch
from transformers import AutoModel
from torch import nn
from PIL import Image
import numpy as np

# Set the device
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# Load the trained model
model = AutoModel.from_pretrained('/content/final')

# Move the model to the device
model = model.to(device)

# Load and resize new image(s)
image_size = (224, 224)
new_image = Image.open('/content/health.png').convert('RGB').resize(image_size)
new_image = np.array(new_image)
new_image = torch.from_numpy(new_image).transpose(0, 2).float().unsqueeze(0)

# Move the data to the device
new_image = new_image.to(device)

# Make predictions using the trained model
with torch.no_grad():
    predictions = model(new_image)
    logits = predictions.last_hidden_state
    logits = logits.view(logits.shape[0], -1)
    num_classes=2
    feature_reducer = nn.Linear(logits.shape[1], num_classes)

    logits = logits.to(device)
    feature_reducer = feature_reducer.to(device)

    logits = feature_reducer(logits)
    predicted_class = torch.argmax(logits, dim=1).item()
    confidence = torch.softmax(logits, dim=1)[0][predicted_class].item()
    if(predicted_class == 0):
        print(f'Predicted class: Parkinson\'s with confidence {confidence:.2f}')
    else:
        print(f'Predicted class: Healthy with confidence {confidence:.2f}')

📚 详细文档

数据集

训练此模型所使用的数据集由 Kaggle 提供。

📄 许可证

本项目采用MIT许可证。