- a.. ImageAI documentation master file, created by
- sphinx-quickstart on Tue Jun 12 06:13:09 2018. You can adapt this file completely to your liking, but it should at least contain the root toctree directive.
Analyse et d?tection sur Vid?o et flux vid?o temp r?el Vid?o¶
ImageAI fournit un ensemble de classes et de fonctions puissantes et facile ? utiliser pour faire de la D?tection et du tracking d?objets dans une Vid?o et L?**analyse vid?o**. ImageAI vous permet d?utiliser ou d?employer tous les algorithmes de pointes d?apprentissage profond tel que RetinaNet, YOLOv3 et TinyYOLOv3. Avec ImageAI vous pouvez effectuer des taches de d?tection et analyser des vid?os et des flux vid?o temps r?el ? partir des cameras IP et de celle de vos appareils. Trouvez ci-dessous les diff?rentes classes et les fonctions respectives mise ? votre disposition pour votre utilisation. Ces classes peuvent ?tre int?gr? ? tout programme python traditionnel que vous d?veloppez, que cela soit un site internet, une application Windows/Linux/MacOS ou un syst?me qui supporte ou fait partie d?un r?seau local.
======= imageai.Detection.VideoObjectDetection =======
La classe VideoObjectDetection vous fournit des fonctions pour d?tecter les objets dans une vid?o ou un flux vid?o provenant d?une cam?ra ou d?une cam?ra IP en utilisant les mod?les pr?-entrain? ? partir de la base de donn?es COCO. Les mod?les supportes sont RetinaNet, YOLOv3 et TinyYOLOv3. Ceci veut dire que vous pouvez d?tecter et reconnaitre 80 diff?rents types d?objets de la vie de tous les jours dans les vid?os. Pour commencer, t?l?charger un des mod?les pr?-entrain? que vous voulez utiliser via les liens ci-dessous.
T?l?charger le mod?le RetinaNet - resnet50_coco_best_v2.0.1.h5
` T?l?charger le mod?le YOLOv3 - yolo.h5 <https://github.com/OlafenwaMoses/ImageAI/releases/tag/1.0 />`_
` T?l?charger le mod?le TinyYOLOv3 - yolo-tiny.h5 <https://github.com/OlafenwaMoses/ImageAI/releases/tag/1.0 />`_
Une fois que vous avez t?l?charg? le mod?le que vous choisissez d?utiliser, cr?ez une instance de VideoObjectDetection comme vous pouvez le voir ci-dessous?:
from imageai.Detection import VideoObjectDetection
detector = VideoObjectDetection()
Une fois que vous avez cr?? une instance de la classe, vous pouvez appeler les fonctions ci-dessous pour param?trer ses propri?t?s et d?tecter les objets dans une vid?o.
- .setModelTypeAsRetinaNet() , cette fonction ?tablit comme type de mod?le pour l?instance de d?tection d?objets que vous avez cr?? le mod?le
RetinaNet, ce qui veut dire que vous accomplirez votre t?che de d?tection d?objets en utilisant le mod?le pr?-entrain? RetinaNet que vous avez pr?c?demment t?l?charg? par le lien ci-dessus. Trouvez ci-dessous un exemple de code?:
detector.setModelTypeAsRetinaNet()
- .setModelTypeAsYOLOv3() , cette fonction ?tablit comme type de mod?le pour l?instance de d?tection d?objets que vous avez cr?? le mod?le
YOLOv3, ce qui veut dire que vous accomplirez votre t?che de d?tection d?objets en utilisant le mod?le pr?-entrain? YOLOv3 que vous avez pr?c?demment t?l?charg? par le lien ci-dessus. Trouvez ci-dessous un exemple de code?:
detector.setModelTypeAsYOLOv3()
- .setModelTypeAsTinyYOLOv3() , cette fonction ?tablit comme type de mod?le pour l?instance de d?tection d?objets que vous avez cr?? le mod?le
TinyYOLOv3, ce qui veut dire que vous accomplirez votre t?che de d?tection d?objets en utilisant le mod?le pr?-entrain? TinyYOLOv3 que vous avez pr?c?demment t?l?charg? par le lien ci-dessus. Trouvez ci-dessous un exemple de code?:
detector.setModelTypeAsTinyYOLOv3()
.setModelPath() , cette fonction accepte une chaine de caract?re qui doit ?tre le chemin vers le fichier mod?le que vous avez t?l?charg? et doit correspondre au type de mod?le choisi pour votre instance de d?tection d?objets. Trouver un exemple de code et de param?tres de la fonction ci-dessous?:
detector.setModelPath("yolo.h5")
– param?tre model_path (requis) : C?est le chemin vers le fichier mod?le t?l?charg?.
.loadModel() , Cette fonction charge le mod?le ? partir du chemin que vous avez sp?cifi? dans l?appel ci-dessus de fonction de votre instance de d?tection d?objets. Trouver un exemple de code ci-dessous?:
detector.loadModel()
– param?tre detection_speed (optionnel) : Ce param?tre vous permet de r?duire de 80% le temps qu?il faut pour d?tecter les objets sur une vid?o, ce qui conduira ? une l?g?re baisse de la pr?cision. Ce param?tre accepte des valeurs de type chaine de caract?res. Les valeurs disponibles sont “normal”, “fast”, “faster”, “fastest” et “flash”. La valeur par d?faut est??normal?.
.detectObjectsFromVideo() , Il s?agit de la fonction qui accomplit la d?tection d?objets sur un fichier vid?o ou un flux vid?o direct apr?s que le mod?le ait ?t? charg? dans l?instance que vous avez cr??. Retrouvez ci-apr?s un exemple de code complet?:
from imageai.Detection import VideoObjectDetection import os execution_path = os.getcwd() detector = VideoObjectDetection() detector.setModelTypeAsYOLOv3() detector.setModelPath( os.path.join(execution_path , "yolo.h5")) detector.loadModel() video_path = detector.detectObjectsFromVideo(input_file_path=os.path.join(execution_path, "traffic.mp4"), output_file_path=os.path.join(execution_path, "traffic_detected") , frames_per_second=20, log_progress=True) print(video_path)
– parametre input_file_path (requis si vous ne tenez pas compte de camera_input) : Il fait r?f?rence au chemin vers le fichier vid?o sur lequel vous voulez faire la d?tection.
—param?tre output_file_path (requis si save_detected_video n?a pas la valeur False) : Il fait r?f?rence vers l?emplacement de l?enregistrement du fichier vid?o d?tect?. Par d?faut, cette fonction enregistre les vid?os dans le format .avi.
– param?tre frames_per_second (optionnel, mais recommand?) :
Ce param?tre vous permet de d?finir le nombre de frames par seconde pour la vid?o d?tect?e qui sera enregistr?e. Sa valeur par d?faut est 20 mais nous recommandons que vous d?finissiez la valeur qui sied pour votre vid?o ou vid?o-direct.
– param?tre log_progress (optionnel) : D?finir ce param?tre a ?True? affiche le progr?s de la vid?o ou flux direct pendant qu?il est d?tecter dans la console. Il fera un rapport sur chaque frame d?tect? pendant qu?il progresse. La valeur par d?faut est ?False?
—param?tre return_detected_frame (optionnel) :
Ce param?tre vous permet de retourner le frame d?tect? comme tableau Numpy pour chaque frame, seconde et minute de la vid?o d?tect?e. Le tableau Numpy retourn? sera envoy? respectivement a per_frame_function, per_second_function et per_minute_function (d?tails ci-dessous)
– param?tre camera_input (optionnel) : Ce param?tre peut ?tre assigne en remplacement de input_file_path si vous voulez d?tecter des objets dans le flux vid?o de la cam?ra. Vous devez instancier la fonction VideoCapture() d? OpenCV et de charger l?objet dans ce param?tre.
Ci-dessous un exemple complet de code?:
from imageai.Detection import VideoObjectDetection import os import cv2 execution_path = os.getcwd() camera = cv2.VideoCapture(0) detector = VideoObjectDetection() detector.setModelTypeAsYOLOv3() detector.setModelPath(os.path.join(execution_path , "yolo.h5")) detector.loadModel() video_path = detector.detectObjectsFromVideo(camera_input=camera, output_file_path=os.path.join(execution_path, "camera_detected_video") , frames_per_second=20, log_progress=True, minimum_percentage_probability=30) print(video_path)—param?tre minimum_percentage_probability (optionnel) : Ce param?tre est utilis? pour d?terminer l?int?grit? des r?sultats de d?tection. Diminuer la valeur permet d?afficher plus d?objets alors que l?accroitre permet de s?assurer que les objets d?tect?s ont la pr?cision la plus ?lev?e. La valeur par d?faut est 50.
– param?tre display_percentage_probability (optionnel) : Ce param?tre peut ?tre utilis? pour cacher le pourcentage de probabilit? pour chaque objet d?tect? dans la vid?o d?tect? si sa valeur est ?False?. La valeur par d?faut est ?True?.
—param?tre display_object_name (optionnel) : Ce param?tre peut ?tre utilise pour cacher le nom de chaque objet d?tecte dans la vid?o s?il est d?fini ? False. La valeur par d?faut est True.
– param?tre save_detected_video (optionnel) : Ce param?tre peut ?tre utilis? pour sauvegarder ou non la vid?o de d?tection. Sa valeur par d?faut est True.
—param?tre per_frame_function (optionnel) : Ce param?tre pour permet de transmettre le nom d?une fonction que vous d?finissez. Puis, pour chaque frame de la vid?o qui est d?tect?e, la fonction sera d?finie dans le param?tre qui sera ex?cut? et la donn?e analytique de la vid?o sera transmise ? la fonction. Les donn?es renvoy?es peuvent ?tre visualis?es ou enregistr?es dans une base de donn?es NoSQL pour une utilisation et visualisation ult?rieure.
Ci-dessous un exemple complet de code?:
"""
Ce param?tre vous permet de d?finir dans une fonction ou vous voulez faire une ex?cution chaque fois qu?une image de vid?o est d?tect?e. Si ce param?tre est d?fini par une fonction, apr?s qu?une image de la vid?o soit d?tect?e, la fonction sera ex?cut?e avec les valeurs suivantes en entr?e?: * Num?ro de position de la frame de la vid?o. * Un tableau de dictionnaires, avec chaque dictionnaire correspondant ? chaque objet d?tect?. Chaque dictionnaire contient?: ‘name’, ‘percentage_probability’ et ‘box_points’ * Un dictionnaire avec pour clefs le nom de chaque unique objet et le nombre d?instance de chaque objet pr?sent. * Si return_detected_frame est d?fini a ?True?, le tableau Numpy de la frame d?tect?e sera transmis comme quatri?me valeur dans la fonction.
“”“from imageai.Detection import VideoObjectDetection import os
def forFrame(frame_number, output_array, output_count): print(“FOR FRAME ” , frame_number) print(“Output for each object : “, output_array) print(“Output count for unique objects : “, output_count) print(“————END OF A FRAME ————–”)
video_detector = VideoObjectDetection() video_detector.setModelTypeAsYOLOv3() video_detector.setModelPath(os.path.join(execution_path, “yolo.h5”)) video_detector.loadModel()
video_detector.detectObjectsFromVideo(input_file_path=os.path.join(execution_path, “traffic.mp4”), output_file_path=os.path.join(execution_path, “video_frame_analysis”) , frames_per_second=20, per_frame_function=forFrame, minimum_percentage_probability=30)
Dans l?exemple ci-dessus, chaque image ou frame de la vid?o est trait?e et d?tect?e, la fonction va recevoir et renvoyer les donn?es analytiques pour chaque objet d?tect? dans la frame de la vid?o comme vous pouvez le voir ci-dessous?:
Output for each object : [{'box_points': (362, 295, 443, 355), 'name': 'boat', 'percentage_probability': 26.666194200515747}, {'box_points': (319, 245, 386, 296), 'name': 'boat', 'percentage_probability': 30.052968859672546}, {'box_points': (219, 308, 341, 358), 'name': 'boat', 'percentage_probability': 47.46982455253601}, {'box_points': (589, 198, 621, 241), 'name': 'bus', 'percentage_probability': 24.62330162525177}, {'box_points': (519, 181, 583, 263), 'name': 'bus', 'percentage_probability': 27.446213364601135}, {'box_points': (493, 197, 561, 272), 'name': 'bus', 'percentage_probability': 59.81815457344055}, {'box_points': (432, 187, 491, 240), 'name': 'bus', 'percentage_probability': 64.42965269088745}, {'box_points': (157, 225, 220, 255), 'name': 'car', 'percentage_probability': 21.150341629981995}, {'box_points': (324, 249, 377, 293), 'name': 'car', 'percentage_probability': 24.089913070201874}, {'box_points': (152, 275, 260, 327), 'name': 'car', 'percentage_probability': 30.341443419456482}, {'box_points': (433, 198, 485, 244), 'name': 'car', 'percentage_probability': 37.205660343170166}, {'box_points': (184, 226, 233, 260), 'name': 'car', 'percentage_probability': 38.52525353431702}, {'box_points': (3, 296, 134, 359), 'name': 'car', 'percentage_probability': 47.80363142490387}, {'box_points': (357, 302, 439, 359), 'name': 'car', 'percentage_probability': 47.94844686985016}, {'box_points': (481, 266, 546, 314), 'name': 'car', 'percentage_probability': 65.8585786819458}, {'box_points': (597, 269, 624, 318), 'name': 'person', 'percentage_probability': 27.125394344329834}]
Output count for unique objects : {'bus': 4, 'boat': 3, 'person': 1, 'car': 8}
------------END OF A FRAME --------------
Ci-dessous est le code complet qui a une fonction qui r?cup?re les donn?es analytiques et les visualise?; ainsi que la frame d?tect?e en temps r?el pendant que la vid?o est trait?e et analys?e?:
from imageai.Detection import VideoObjectDetection
import os
from matplotlib import pyplot as plt
execution_path = os.getcwd()
color_index = {'bus': 'red', 'handbag': 'steelblue', 'giraffe': 'orange', 'spoon': 'gray', 'cup': 'yellow', 'chair': 'green', 'elephant': 'pink', 'truck': 'indigo', 'motorcycle': 'azure', 'refrigerator': 'gold', 'keyboard': 'violet', 'cow': 'magenta', 'mouse': 'crimson', 'sports ball': 'raspberry', 'horse': 'maroon', 'cat': 'orchid', 'boat': 'slateblue', 'hot dog': 'navy', 'apple': 'cobalt', 'parking meter': 'aliceblue', 'sandwich': 'skyblue', 'skis': 'deepskyblue', 'microwave': 'peacock', 'knife': 'cadetblue', 'baseball bat': 'cyan', 'oven': 'lightcyan', 'carrot': 'coldgrey', 'scissors': 'seagreen', 'sheep': 'deepgreen', 'toothbrush': 'cobaltgreen', 'fire hydrant': 'limegreen', 'remote': 'forestgreen', 'bicycle': 'olivedrab', 'toilet': 'ivory', 'tv': 'khaki', 'skateboard': 'palegoldenrod', 'train': 'cornsilk', 'zebra': 'wheat', 'tie': 'burlywood', 'orange': 'melon', 'bird': 'bisque', 'dining table': 'chocolate', 'hair drier': 'sandybrown', 'cell phone': 'sienna', 'sink': 'coral', 'bench': 'salmon', 'bottle': 'brown', 'car': 'silver', 'bowl': 'maroon', 'tennis racket': 'palevilotered', 'airplane': 'lavenderblush', 'pizza': 'hotpink', 'umbrella': 'deeppink', 'bear': 'plum', 'fork': 'purple', 'laptop': 'indigo', 'vase': 'mediumpurple', 'baseball glove': 'slateblue', 'traffic light': 'mediumblue', 'bed': 'navy', 'broccoli': 'royalblue', 'backpack': 'slategray', 'snowboard': 'skyblue', 'kite': 'cadetblue', 'teddy bear': 'peacock', 'clock': 'lightcyan', 'wine glass': 'teal', 'frisbee': 'aquamarine', 'donut': 'mincream', 'suitcase': 'seagreen', 'dog': 'springgreen', 'banana': 'emeraldgreen', 'person': 'honeydew', 'surfboard': 'palegreen', 'cake': 'sapgreen', 'book': 'lawngreen', 'potted plant': 'greenyellow', 'toaster': 'ivory', 'stop sign': 'beige', 'couch': 'khaki'}
resized = False
def forFrame(frame_number, output_array, output_count, returned_frame):
plt.clf()
this_colors = []
labels = []
sizes = []
counter = 0
for eachItem in output_count:
counter += 1
labels.append(eachItem + " = " + str(output_count[eachItem]))
sizes.append(output_count[eachItem])
this_colors.append(color_index[eachItem])
global resized
if (resized == False):
manager = plt.get_current_fig_manager()
manager.resize(width=1000, height=500)
resized = True
plt.subplot(1, 2, 1)
plt.title("Frame : " + str(frame_number))
plt.axis("off")
plt.imshow(returned_frame, interpolation="none")
plt.subplot(1, 2, 2)
plt.title("Analysis: " + str(frame_number))
plt.pie(sizes, labels=labels, colors=this_colors, shadow=True, startangle=140, autopct="%1.1f%%")
plt.pause(0.01)
video_detector = VideoObjectDetection()
video_detector.setModelTypeAsYOLOv3()
video_detector.setModelPath(os.path.join(execution_path, "yolo.h5"))
video_detector.loadModel()
plt.show()
video_detector.detectObjectsFromVideo(input_file_path=os.path.join(execution_path, "traffic.mp4"), output_file_path=os.path.join(execution_path, "video_frame_analysis") , frames_per_second=20, per_frame_function=forFrame, minimum_percentage_probability=30, return_detected_frame=True)
-- *param?tre* **per_second_function** (optionnel) : Ce param?tre vous permet de transmettre le nom d?une fonction que vous d?finissez. Puis, pour chaque seconde de la vid?o qui est d?tect?e, la fonction sera transmise dans le param?tre sera ex?cut?e et les donn?es analytiques de la vid?o seront envoy?es dans la fonction. Les donn?es renvoy?es peuvent ?tre visualis?es ou sauvegard?es dans une base de donn?es NoSQL pour une utilisation et visualisation future.
Ci-dessous un exemple complet de code?::
"""
Ce param?tre vous permet de transmettre dans une fonction o? vous voulez faire une ex?cuter apr?s que chaque seconde de la vid?o soit d?tect?e. Si le param?tre est d?fini comme une fonction, seconde apr?s que le vid?o soit d?tect?, la fonction sera ex?cut?e avec les valeurs suivantes en argument?:
-- num?ro de position du second
-- un tableau de dictionnaire dont les clefs sont les num?ros de position de chaque frame pr?sente ? la derni?re seconde, et la valeur de chaque clef est le tableau de chaque frame qui contient les dictionnaires de chaque objet d?tect? dans la frame.
-- Un tableau de dictionnaires, avec chaque dictionnaire ? chaque frame de la seconde pr?c?dente, et les cl?s pour chaque dictionnaire sont les noms de num?ros d?objets uniques d?tect?s dans chaque frame, et les cl?s sont le nombre d?instances des objets trouv?s dans le frame.
-- Un dictionnaire avec pour cl? le nom de chaque unique objet d?tect? dans toutes les secondes pass?es, at les valeurs cl?s sont les moyennes d?instance d?objets trouv?s dans toutes les frames contenus dans les secondes pass?es.
-- Si return_detected_frame est d?fini aa ?True?, le tableau Numpy du frame de d?tection sera envoy? comme cinqui?me param?tre dans la fonction.
"""
from imageai.Detection import VideoObjectDetection
import os
def forSeconds(second_number, output_arrays, count_arrays, average_output_count):
print("SECOND : ", second_number)
print("Array for the outputs of each frame ", output_arrays)
print("Array for output count for unique objects in each frame : ", count_arrays)
print("Output average count for unique objects in the last second: ", average_output_count)
print("------------END OF A SECOND --------------")
video_detector = VideoObjectDetection()
video_detector.setModelTypeAsYOLOv3()
video_detector.setModelPath(os.path.join(execution_path, "yolo.h5"))
video_detector.loadModel()
video_detector.detectObjectsFromVideo(input_file_path=os.path.join(execution_path, "traffic.mp4"), output_file_path=os.path.join(execution_path, "video_second_analysis") , frames_per_second=20, per_second_function=forSecond, minimum_percentage_probability=30)
Dans l?exemple ci-dessus, chaque seconde dans la vid?o est trait?e et d?tect?e, la fonction va recevoir et renvoyer les donn?es analytiques des objets d?tect?s dans la vid?o comme vous pouvez le voir ci-dessous?:
Array for the outputs of each frame [[{'box_points': (362, 295, 443, 355), 'name': 'boat', 'percentage_probability': 26.666194200515747}, {'box_points': (319, 245, 386, 296), 'name': 'boat', 'percentage_probability': 30.052968859672546}, {'box_points': (219, 308, 341, 358), 'name': 'boat', 'percentage_probability': 47.46982455253601}, {'box_points': (589, 198, 621, 241), 'name': 'bus', 'percentage_probability': 24.62330162525177}, {'box_points': (519, 181, 583, 263), 'name': 'bus', 'percentage_probability': 27.446213364601135}, {'box_points': (493, 197, 561, 272), 'name': 'bus', 'percentage_probability': 59.81815457344055}, {'box_points': (432, 187, 491, 240), 'name': 'bus', 'percentage_probability': 64.42965269088745}, {'box_points': (157, 225, 220, 255), 'name': 'car', 'percentage_probability': 21.150341629981995}, {'box_points': (324, 249, 377, 293), 'name': 'car', 'percentage_probability': 24.089913070201874}, {'box_points': (152, 275, 260, 327), 'name': 'car', 'percentage_probability': 30.341443419456482}, {'box_points': (433, 198, 485, 244), 'name': 'car', 'percentage_probability': 37.205660343170166}, {'box_points': (184, 226, 233, 260), 'name': 'car', 'percentage_probability': 38.52525353431702}, {'box_points': (3, 296, 134, 359), 'name': 'car', 'percentage_probability': 47.80363142490387}, {'box_points': (357, 302, 439, 359), 'name': 'car', 'percentage_probability': 47.94844686985016}, {'box_points': (481, 266, 546, 314), 'name': 'car', 'percentage_probability': 65.8585786819458}, {'box_points': (597, 269, 624, 318), 'name': 'person', 'percentage_probability': 27.125394344329834}],
[{'box_points': (316, 240, 384, 302), 'name': 'boat', 'percentage_probability': 29.594269394874573}, {'box_points': (361, 295, 441, 354), 'name': 'boat', 'percentage_probability': 36.11513376235962}, {'box_points': (216, 305, 340, 357), 'name': 'boat', 'percentage_probability': 44.89373862743378}, {'box_points': (432, 198, 488, 244), 'name': 'truck', 'percentage_probability': 22.914741933345795}, {'box_points': (589, 199, 623, 240), 'name': 'bus', 'percentage_probability': 20.545457303524017}, {'box_points': (519, 182, 583, 263), 'name': 'bus', 'percentage_probability': 24.467085301876068}, {'box_points': (492, 197, 563, 271), 'name': 'bus', 'percentage_probability': 61.112016439437866}, {'box_points': (433, 188, 490, 241), 'name': 'bus', 'percentage_probability': 65.08989334106445}, {'box_points': (352, 303, 442, 357), 'name': 'car', 'percentage_probability': 20.025095343589783}, {'box_points': (136, 172, 188, 195), 'name': 'car', 'percentage_probability': 21.571354568004608}, {'box_points': (152, 276, 261, 326), 'name': 'car', 'percentage_probability': 33.07966589927673}, {'box_points': (181, 225, 230, 256), 'name': 'car', 'percentage_probability': 35.111838579177856}, {'box_points': (432, 198, 488, 244), 'name': 'car', 'percentage_probability': 36.25282347202301}, {'box_points': (3, 292, 130, 360), 'name': 'car', 'percentage_probability': 67.55480170249939}, {'box_points': (479, 265, 546, 314), 'name': 'car', 'percentage_probability': 71.47912979125977}, {'box_points': (597, 269, 625, 318), 'name': 'person', 'percentage_probability': 25.903674960136414}],................,
[{'box_points': (133, 250, 187, 278), 'name': 'umbrella', 'percentage_probability': 21.518094837665558}, {'box_points': (154, 233, 218, 259), 'name': 'umbrella', 'percentage_probability': 23.687003552913666}, {'box_points': (348, 311, 425, 360), 'name': 'boat', 'percentage_probability': 21.015766263008118}, {'box_points': (11, 164, 137, 225), 'name': 'bus', 'percentage_probability': 32.20453858375549}, {'box_points': (424, 187, 485, 243), 'name': 'bus', 'percentage_probability': 38.043853640556335}, {'box_points': (496, 186, 570, 264), 'name': 'bus', 'percentage_probability': 63.83994221687317}, {'box_points': (588, 197, 622, 240), 'name': 'car', 'percentage_probability': 23.51653128862381}, {'box_points': (58, 268, 111, 303), 'name': 'car', 'percentage_probability': 24.538707733154297}, {'box_points': (2, 246, 72, 301), 'name': 'car', 'percentage_probability': 28.433072566986084}, {'box_points': (472, 273, 539, 323), 'name': 'car', 'percentage_probability': 87.17672824859619}, {'box_points': (597, 270, 626, 317), 'name': 'person', 'percentage_probability': 27.459821105003357}]
]
Array for output count for unique objects in each frame : [{'bus': 4, 'boat': 3, 'person': 1, 'car': 8},
{'truck': 1, 'bus': 4, 'boat': 3, 'person': 1, 'car': 7},
{'bus': 5, 'boat': 2, 'person': 1, 'car': 5},
{'bus': 5, 'boat': 1, 'person': 1, 'car': 9},
{'truck': 1, 'bus': 2, 'car': 6, 'person': 1},
{'truck': 2, 'bus': 4, 'boat': 2, 'person': 1, 'car': 7},
{'truck': 1, 'bus': 3, 'car': 7, 'person': 1, 'umbrella': 1},
{'bus': 4, 'car': 7, 'person': 1, 'umbrella': 2},
{'bus': 3, 'car': 6, 'boat': 1, 'person': 1, 'umbrella': 3},
{'bus': 3, 'car': 4, 'boat': 1, 'person': 1, 'umbrella': 2}]
Output average count for unique objects in the last second: {'truck': 0.5, 'bus': 3.7, 'umbrella': 0.8, 'boat': 1.3, 'person': 1.0, 'car': 6.6}
------------END OF A SECOND --------------
Ci-dessous est le code complet qui a une fonction qui analyse les donn?es analytiques et les visualise, et le frame d?tect? ?la fin de la seconde en temps r?el pendant que la vid?o est trait?e et analys?e :
from imageai.Detection import VideoObjectDetection import os from matplotlib import pyplot as plt
execution_path = os.getcwd()
color_index = {‘bus’: ‘red’, ‘handbag’: ‘steelblue’, ‘giraffe’: ‘orange’, ‘spoon’: ‘gray’, ‘cup’: ‘yellow’, ‘chair’: ‘green’, ‘elephant’: ‘pink’, ‘truck’: ‘indigo’, ‘motorcycle’: ‘azure’, ‘refrigerator’: ‘gold’, ‘keyboard’: ‘violet’, ‘cow’: ‘magenta’, ‘mouse’: ‘crimson’, ‘sports ball’: ‘raspberry’, ‘horse’: ‘maroon’, ‘cat’: ‘orchid’, ‘boat’: ‘slateblue’, ‘hot dog’: ‘navy’, ‘apple’: ‘cobalt’, ‘parking meter’: ‘aliceblue’, ‘sandwich’: ‘skyblue’, ‘skis’: ‘deepskyblue’, ‘microwave’: ‘peacock’, ‘knife’: ‘cadetblue’, ‘baseball bat’: ‘cyan’, ‘oven’: ‘lightcyan’, ‘carrot’: ‘coldgrey’, ‘scissors’: ‘seagreen’, ‘sheep’: ‘deepgreen’, ‘toothbrush’: ‘cobaltgreen’, ‘fire hydrant’: ‘limegreen’, ‘remote’: ‘forestgreen’, ‘bicycle’: ‘olivedrab’, ‘toilet’: ‘ivory’, ‘tv’: ‘khaki’, ‘skateboard’: ‘palegoldenrod’, ‘train’: ‘cornsilk’, ‘zebra’: ‘wheat’, ‘tie’: ‘burlywood’, ‘orange’: ‘melon’, ‘bird’: ‘bisque’, ‘dining table’: ‘chocolate’, ‘hair drier’: ‘sandybrown’, ‘cell phone’: ‘sienna’, ‘sink’: ‘coral’, ‘bench’: ‘salmon’, ‘bottle’: ‘brown’, ‘car’: ‘silver’, ‘bowl’: ‘maroon’, ‘tennis racket’: ‘palevilotered’, ‘airplane’: ‘lavenderblush’, ‘pizza’: ‘hotpink’, ‘umbrella’: ‘deeppink’, ‘bear’: ‘plum’, ‘fork’: ‘purple’, ‘laptop’: ‘indigo’, ‘vase’: ‘mediumpurple’, ‘baseball glove’: ‘slateblue’, ‘traffic light’: ‘mediumblue’, ‘bed’: ‘navy’, ‘broccoli’: ‘royalblue’, ‘backpack’: ‘slategray’, ‘snowboard’: ‘skyblue’, ‘kite’: ‘cadetblue’, ‘teddy bear’: ‘peacock’, ‘clock’: ‘lightcyan’, ‘wine glass’: ‘teal’, ‘frisbee’: ‘aquamarine’, ‘donut’: ‘mincream’, ‘suitcase’: ‘seagreen’, ‘dog’: ‘springgreen’, ‘banana’: ‘emeraldgreen’, ‘person’: ‘honeydew’, ‘surfboard’: ‘palegreen’, ‘cake’: ‘sapgreen’, ‘book’: ‘lawngreen’, ‘potted plant’: ‘greenyellow’, ‘toaster’: ‘ivory’, ‘stop sign’: ‘beige’, ‘couch’: ‘khaki’}
resized = False
def forSecond(frame2_number, output_arrays, count_arrays, average_count, returned_frame):
plt.clf()
this_colors = [] labels = [] sizes = []
counter = 0
- for eachItem in average_count:
- counter += 1 labels.append(eachItem + ” = ” + str(average_count[eachItem])) sizes.append(average_count[eachItem]) this_colors.append(color_index[eachItem])
global resized
- if (resized == False):
- manager = plt.get_current_fig_manager() manager.resize(width=1000, height=500) resized = True
plt.subplot(1, 2, 1) plt.title(“Second : ” + str(frame_number)) plt.axis(“off”) plt.imshow(returned_frame, interpolation=”none”)
plt.subplot(1, 2, 2) plt.title(“Analysis: ” + str(frame_number)) plt.pie(sizes, labels=labels, colors=this_colors, shadow=True, startangle=140, autopct=”%1.1f%%”)
plt.pause(0.01)
video_detector = VideoObjectDetection() video_detector.setModelTypeAsYOLOv3() video_detector.setModelPath(os.path.join(execution_path, “yolo.h5”)) video_detector.loadModel()
plt.show()
video_detector.detectObjectsFromVideo(input_file_path=os.path.join(execution_path, “traffic.mp4”), output_file_path=os.path.join(execution_path, “video_second_analysis”) , frames_per_second=20, per_second_function=forSecond, minimum_percentage_probability=30, return_detected_frame=True, log_progress=True)
—param?tre per_minute_function (optionnel) : Ce param?tre peut ?tre transmis en argument du nom de la fonction que vous d?finissez. Puis, pour chaque frame de la vid?o qui est d?tect?e, le param?tre qui a ?t? transmis dans la fonction sera interpr?t? et les donn?es analytiques de la vid?o seront transmis ? la fonction. Les donn?es retourn?es sont de m?me nature que per_second_function?; la diff?rence est qu?elle ne tient compte que de tous les frames de la derni?re minute de la vid?o.
Retrouvez une exemple de fonction pour ces param?tres ci-dessous?:
- def forMinute(minute_number, output_arrays, count_arrays, average_output_count):
- print(“MINUTE : “, minute_number) print(“Array for the outputs of each frame “, output_arrays) print(“Array for output count for unique objects in each frame : “, count_arrays) print(“Output average count for unique objects in the last minute: “, average_output_count) print(“————END OF A MINUTE ————–”)
—param?tre video_complete_function (optionnel) : Ce param?tre peut ?tre transmis en argument d?une fonction que vous d?finissez. Une fois que tous les frames de la vid?o sont totalement d?tect?s, le param?tre transmis sera interpr?t? et les donn?es analytiques de la vid?o seront transmis ? la fonction. Les donn?es retourn?es ont la m?me nature que per_second_function et per_minute_function?; les diff?rences sont qu?aucun index n?est renvoy? et ici tous les frames de la vid?o sont couvertes.
Retrouvez une exemple de fonction pour ces param?tres ci-dessous?:
- def forFull(output_arrays, count_arrays, average_output_count):
- print(“Array for the outputs of each frame “, output_arrays) print(“Array for output count for unique objects in each frame : “, count_arrays) print(“Output average count for unique objects in the entire video: “, average_output_count) print(“————END OF THE VIDEO ————–”)