В современном быстро меняющемся мире заторы на дорогах, вызванные неожиданными дорожными препятствиями, могут привести к значительным задержкам и неудобствам для пассажиров. Чтобы решить эту проблему, мы разработали практическое решение с использованием компьютерного зрения и машинного обучения. В этой статье мы рассмотрим программу Python, которая использует YOLOv8, расширенную модель обнаружения объектов, а также библиотеку Ultralytics для обнаружения крупного рогатого скота на дорогах и упреждающего предотвращения пробок. Давайте углубимся и изучим код этой инновационной системы.
Введение
Заторы на дорогах — распространенная проблема на дорогах, часто вызванная неожиданными препятствиями, такими как бродячий скот. Подобные ситуации не только нарушают транспортный поток, но и представляют опасность как для водителей, так и для самих животных. Чтобы смягчить эти проблемы, мы разработали систему обнаружения крупного рогатого скота, которая идентифицирует крупный рогатый скот на дорогах и предупреждает соответствующие органы власти, позволяя им принять немедленные меры. Эта система использует возможности YOLOv8 для обнаружения объектов в реальном времени и Ultralytics для расширенной обработки моделей.
Предварительные требования
Прежде чем углубиться в код, давайте кратко обсудим необходимые условия и библиотеки, используемые в этом проекте:
- OpenCV: известная библиотека компьютерного зрения, предоставляющая инструменты для обработки изображений и видео.
- argparse: библиотека для анализа аргументов командной строки, обеспечивающая простую настройку. поведения программы.
– Ultralytics: расширение моделей обнаружения объектов на основе PyTorch, предназначенное для упрощения развертывания и использования моделей.
– NumPy: Фундаментальный пакет для научных вычислений на Python.
Пояснение кода
Теперь давайте разберем код шаг за шагом, чтобы понять, как работает эта система обнаружения крупного рогатого скота.
Импорт необходимых библиотек
python # Importing necessary libraries import cv2 import argparse import time from ultralytics import YOLO import supervision as sv import numpy as np from sendmail import sendmail
Мы начнем с импорта основных библиотек, включая OpenCV, argparse для анализа аргументов командной строки, time для операций синхронизации, YOLO от Ultralytics для обнаружения объектов, контроля управления зонами, NumPy для числовых операций и sendmail для отправки уведомлений по электронной почте.
Определение полигона зоны
# Defining the polygon representing the zone of interest ZONE_POLYGON = np.array([ [0, 0], [0.5, 0], [0.75, 1], [0, 1] ])
Мы определяем полигон, который очерчивает интересующую область на дороге, где обнаружение крупного рогатого скота имеет решающее значение. Этот полигон служит границей для идентификации крупного рогатого скота в пределах указанной территории.
Анализ аргументов командной строки
# Parsing command-line arguments
def parse_arguments() -> argparse.Namespace:
parser = argparse.ArgumentParser(description="YOLOv8 live")
parser.add_argument(
"--webcam-resolution",
default=[1280, 720],
nargs=2,
type=int
)
args = parser.parse_args()
return args
Функция parse_argumetsфункция использует argparse для обработки аргументов командной строки. Пользователи могут указать желаемое разрешение веб-камеры в качестве аргумента для настройки поведения программы.
Инициализация системы
# Initializing the cattle detection system
def main():
args = parse_arguments()
frame_width, frame_height = args.webcam_resolution
IP = 'http://192.168.192.20:8080/video'
cap = cv2.VideoCapture(IP)
if not cap.isOpened():
print("Error: Could not open camera.")
exit()
cap.set(cv2.CAP_PROP_FRAME_WIDTH, frame_width)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, frame_height)
model = YOLO("yolov8l.pt")
# ...
В функции main мы настраиваем систему, настраивая канал веб-камеры с помощью OpenCV. Видеопоток получается с определенного IP-адреса. Мы также устанавливаем разрешение камеры на основе ввода пользователя. Кроме того, мы загружаем модель YOLOv8, используя предварительно обученный файл контрольных точек («yolov8l.pt»).
Аннотирование обнаруженного крупного рогатого скота
# Creating a box annotator for detected objects
box_annotator = sv.BoxAnnotator(
thickness=2,
text_thickness=2,
text_scale=1
)
# ...
Мы создаем экземпляр BoxAnnotator из библиотеки Ultralytics. Этот аннотатор помогает нам визуализировать обнаруженный крупный рогатый скот, рисуя вокруг него ограничивающие рамки и добавляя описательные метки.
Создание зоны и аннотатора
# Creating a zone polygon and annotator for the zone
zone_polygon = (ZONE_POLYGON * np.array(args.webcam_resolution)).astype(int)
zone = sv.PolygonZone(polygon=zone_polygon, frame_resolution_wh=tuple(args.webcam_resolution))
zone_annotator = sv.PolygonZoneAnnotator(
zone=zone,
color=sv.Color.red(),
thickness=2,
text_thickness=4,
text_scale=2
)
# ...
Мы определяем зону на дороге в виде полигона, используя предопределенные координаты. Эта зона используется для обнаружения крупного рогатого скота в ее пределах. Кроме того, мы создаем PolygonZoneAnnotator, чтобы визуально выделить зону в видеопотоке, чтобы ее было легче распознать.
Обнаружение в реальном времени и отслеживание зон
# Continuous processing of video frames
while True:
ret, frame = cap.read()
result = model(frame, agnostic_nms=True)[0]
detections = sv.Detections.from_yolov8(result)
detections = detections[detections.class_id == 19]
labels = [
f"cattle {confidence:0.2f}"
for _, confidence, class_id, _
in detections
]
frame = box_annotator.annotate(
scene=frame,
detections=detections,
labels=labels
)
zone.trigger(detections=detections)
frame = zone_annotator.annotate(scene=frame)
count_in_zone = len(detections)
# ...
Внутри основного цикла мы обрабатываем каждый кадр изображения с веб-камеры. Модель YOLOv8 применяется для обнаружения объектов, и сохраняются только обнаружения крупного рогатого скота. Вокруг обнаруженного крупного рогатого скота рисуются ограничивающие рамки и метки с помощью box_annotator.
Функция Trigger() объекта Zone отслеживает обнаружение крупного рогатого скота в пределах определенной зоны. Затем используется Zone_annotator для маркировки зоны в кадре. Регистрируется подсчет крупного рогатого скота, обнаруженного в зоне.
Управление подсчетом скота и отслеживанием времени
# Handling cattle count and time tracking
if count_in_zone > 0 and start_time is None:
start_time = time.time()
if count_in_zone == 0 and start_time is not None:
end_time = time.time()
elapsed_time = (end_time - start_time)
print("Count reached 0. Elapsed time:", elapsed_time, "seconds")
start_time = None
n = time.time()
if start_time is not None and ((n - start_time) > 5):
sendmail(IP)
start_time = None
print(count_in_zone)
cv2.imshow("yolov8", frame)
if (cv2.waitKey(30) == 27):
break
Этот раздел управляет подсчетом крупного рогатого скота и отслеживает время, прошедшее с момента последнего обнаружения крупного рогатого скота. Если обнаружен крупный рогатый скот, а время начала не установлено, время начала записывается. Если счетчик падает до нуля, прошедшее время рассчитывается и отображается.
Кроме того, если крупный рогатый скот обнаруживается более 5 секунд, уведомление по электронной почте отправляется с помощью функции sendmail().
Запуск программы
if __name__ == "__main__":
main()
Наконец, мы выполняем функцию main() при непосредственном запуске скрипта. При этом запускается система обнаружения крупного рогатого скота и начинается обработка видеопотока.
sendmail.py
import smtplib
def sendmail(IP):
sender_email = "[email protected]"
sender_password = "pnceguck"
receiver_email = "[email protected]"
subject = "Road Blocked by Cattle!"
message = "road blocked by cattle at the following location of the IP camera: "+IP
def send_email(sender_email, sender_password, receiver_email, subject, message):
server = smtplib.SMTP('smtp.gmail.com', 587)
server.starttls()
server.login(sender_email, sender_password)
email_message = f"Subject: {subject}\n\n{message}"
server.sendmail(sender_email, receiver_email, email_message)
server.quit()
print("Email sent successfully!")
send_email(sender_email, sender_password, receiver_email, subject, message)
Заключение
В этой статье мы продемонстрировали, как создать систему обнаружения крупного рогатого скота с использованием YOLOv8 и Ultralytics. Используя обнаружение объектов, управление зонами и уведомления по электронной почте, эта система может заранее идентифицировать крупный рогатый скот на дорогах и уведомлять власти, чтобы предотвратить потенциальные пробки. Поняв код и концепции, представленные здесь, вы сможете применять аналогичные методы для решения различных реальных задач с помощью компьютерного зрения и машинного обучения. Приятного кодирования и решения проблем!
