CARIA.2.0

Precedent repo CARIA :
Ajout de nouveau modele.
Travail sur multiple ia.
...

server-ia/Camera_Identification_RoadSign/modele.py

@@ -0,0 +1,84 @@
+import cv2
+import glob
+import numpy as np
+import json
+import requests
+
+# Charger le modèle TensorFlow
+import tensorflow as tf
+model = tf.keras.models.load_model('server-ia/data/modeles/traffic_signs_model/')
+
+# Chemin vers les images de test
+# path = 'server-ia/data/videos/autoroute.mp4'
+path = 'server-ia/data/images/panneaux/France_road_sign_B14_(5).svg.png'
+
+images = glob.glob(path)
+
+# Initialiser les listes pour les données et les étiquettes
+data = []
+
+# Récupérer les images et leurs étiquettes
+for im in images[:5]:  # Charger seulement les 5 premières images pour l'exemple
+    try:
+        # Lire l'image et redimensionner
+        image = cv2.imread(im)
+        image = cv2.resize(image, (30, 30))
+        
+        # Ajouter l'image à la liste des données
+        data.append(image)
+    except Exception as e:
+        print(f"Erreur lors du chargement de l'image {im}: {e}")
+
+# Convertir la liste des données en un tableau numpy
+test_imgs = np.array(data)
+
+# Effectuer les prédictions sur les images
+predictions = model.predict(test_imgs)
+
+# Afficher les prédictions
+print(predictions)
+
+#dictionary to label all traffic signs class.
+classes = { 0:'Speed limit (20km/h)',
+            1:'Speed limit (30km/h)', 
+            2:'Speed limit (50km/h)', 
+            3:'Speed limit (60km/h)', 
+            4:'Speed limit (70km/h)', 
+            5:'Speed limit (80km/h)', 
+            6:'End of speed limit (80km/h)', 
+            7:'Speed limit (100km/h)', 
+            8:'Speed limit (120km/h)', 
+            9:'No passing', 
+            10:'No passing veh over 3.5 tons', 
+            11:'Right-of-way at intersection', 
+            12:'Priority road', 
+            13:'Yield', 
+            14:'Stop', 
+            15:'No vehicles', 
+            16:'Veh > 3.5 tons prohibited', 
+            17:'No entry', 
+            18:'General caution', 
+            19:'Dangerous curve left', 
+            20:'Dangerous curve right', 
+            21:'Double curve', 
+            22:'Bumpy road', 
+            23:'Slippery road', 
+            24:'Road narrows on the right', 
+            25:'Road work', 
+            26:'Traffic signals', 
+            27:'Pedestrians', 
+            28:'Children crossing', 
+            29:'Bicycles crossing', 
+            30:'Beware of ice/snow',
+            31:'Wild animals crossing', 
+            32:'End speed + passing limits', 
+            33:'Turn right ahead', 
+            34:'Turn left ahead', 
+            35:'Ahead only', 
+            36:'Go straight or right', 
+            37:'Go straight or left', 
+            38:'Keep right', 
+            39:'Keep left', 
+            40:'Roundabout mandatory', 
+            41:'End of no passing', 
+            42:'End no passing veh > 3.5 tons' }

server-ia/Camera_Identification_RoadSign/predict.py

@@ -0,0 +1,47 @@
+import cv2
+import numpy as np
+import tensorflow as tf
+
+# Chemin vers le dossier contenant le modèle SavedModel
+model_dir = "server-ia/data/modeles/traffic_signs_model/1"
+
+# Chargement du modèle SavedModel
+model = tf.keras.models.load_model(model_dir)
+
+# Fonction de prétraitement de l'image
+def preprocess_image(image):
+    # Redimensionner l'image à la taille attendue par le modèle
+    processed_image = cv2.resize(image, (30, 30))
+    # Assurez-vous que l'image est dans le format attendu par le modèle
+    processed_image = processed_image.astype("float32") / 255.0  # Normalisation
+    processed_image = np.expand_dims(processed_image, axis=0)  # Ajouter une dimension pour l'axe du lot
+    return processed_image
+
+# Fonction de détection des panneaux
+def detect_signs(video_path):
+    cap = cv2.VideoCapture(video_path)
+    while cap.isOpened():
+        ret, frame = cap.read()
+        if not ret:
+            break
+        
+        # Prétraitement de l'image
+        processed_frame = preprocess_image(frame)
+        
+        # Faire une prédiction avec le modèle
+        predictions = model.predict(processed_frame)
+        
+        # Analyser les prédictions et afficher les résultats sur l'image
+        # Remplacez cette partie par votre code de détection et d'affichage des panneaux
+        
+        # Affichage de la vidéo avec les détections
+        cv2.imshow('Video', frame)
+        if cv2.waitKey(1) & 0xFF == ord('q'):
+            break
+    
+    cap.release()
+    cv2.destroyAllWindows()
+
+# Appel de la fonction pour détecter les panneaux dans la vidéo
+video_path = "server-ia/data/videos/autoroute.mp4"
+detect_signs(video_path)