CARIA.2.0

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

server-ia/Identify_RoadSignV1/identify-RoadSign-speed.py

@@ -0,0 +1,90 @@
+import cv2
+from tensorflow.keras.models import load_model
+import numpy as np
+
+# Charger le modèle sauvegardé
+model = load_model("server-ia/data/modeles/RoadSign/modele_signaux_routiers.h5")
+
+# Fonction pour charger les noms de classe à partir d'un fichier
+def load_class_names(file_path):
+    with open(file_path, 'r') as file:
+        class_names = [line.strip() for line in file.readlines()]
+    return class_names
+
+# Définir le chemin du fichier contenant les noms de classe
+class_names_file = "server-ia/data/modeles/RoadSign/class_names.txt"
+
+# Charger les noms de classe à partir du fichier
+class_names = load_class_names(class_names_file)
+
+# Fonction pour détecter les panneaux de signalisation dans une image
+def detect_sign(image):
+    # Prétraiter l'image
+    preprocessed_img = preprocess_image(image)
+    
+    # Faire une prédiction avec le modèle
+    predictions = model.predict(preprocessed_img)
+    
+    # Obtenir l'indice de la classe prédite
+    predicted_class_index = np.argmax(predictions)
+    
+    # Récupérer le nom de la classe prédite
+    predicted_class_name = class_names[predicted_class_index]
+    
+    return predicted_class_name
+
+# Fonction pour prétraiter l'image
+def preprocess_image(image):
+    # Mettre à l'échelle l'image aux dimensions attendues par le modèle
+    scaled_image = cv2.resize(image, (224, 224))
+    scaled_image = scaled_image.astype("float") / 255.0
+    
+    # Ajouter une dimension pour correspondre à la forme d'entrée du modèle
+    preprocessed_img = np.expand_dims(scaled_image, axis=0)
+    
+    return preprocessed_img
+
+# Définir la source vidéo ou la caméra
+# Pour une vidéo
+video_path = "server-ia/data/videos/autoroute.mp4"
+cap = cv2.VideoCapture(video_path)
+
+# Pour la caméra
+# cap = cv2.VideoCapture(0)
+# Nombre de trames à sauter entre chaque trame lue
+skip_frames = 5
+
+# Boucle pour lire les images de la vidéo ou de la caméra
+frame_count = 0
+while cap.isOpened():
+    ret, frame = cap.read()
+    if not ret:
+        break
+    
+    # Incrémenter le compteur de trames
+    frame_count += 1
+    
+    # Si le compteur de trames est un multiple de skip_frames, traiter la trame et afficher
+    if frame_count % skip_frames == 0:
+        # Réinitialiser le compteur de trames
+        frame_count = 0
+        
+        # Détecter les panneaux de signalisation dans l'image
+        predicted_class_name = detect_sign(frame)
+        
+        # Dessiner un carré autour de chaque objet détecté et afficher le nom de la classe au-dessus
+        # (ici, je vais dessiner un carré au hasard pour donner un exemple)
+        x_min, y_min, x_max, y_max = 900, 50, 1200, 650  # Coordonnées de la boîte englobante (à remplacer par les bonnes valeurs)
+        cv2.rectangle(frame, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2)
+        cv2.putText(frame, predicted_class_name, (x_min, y_min - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
+        
+        # Afficher l'image
+        cv2.imshow('Frame', frame)
+        
+        # Attendre la touche 'q' pour quitter
+        if cv2.waitKey(1) & 0xFF == ord('q'):
+            break
+
+# Libérer la capture et fermer les fenêtres
+cap.release()
+cv2.destroyAllWindows()

server-ia/Identify_RoadSignV1/identify-RoadSign-speed2.py

@@ -0,0 +1,97 @@
+import cv2
+from tensorflow.keras.models import load_model
+import numpy as np
+
+# Charger le modèle sauvegardé
+model = load_model("server-ia/data/modeles/RoadSign/modele_signaux_routiers.h5")
+
+# Fonction pour charger les noms de classe à partir d'un fichier
+def load_class_names(file_path):
+    with open(file_path, 'r') as file:
+        class_names = [line.strip() for line in file.readlines()]
+    return class_names
+
+# Définir le chemin du fichier contenant les noms de classe
+class_names_file = "server-ia/data/modeles/RoadSign/class_names.txt"
+
+# Charger les noms de classe à partir du fichier
+class_names = load_class_names(class_names_file)
+
+# Fonction pour prétraiter l'image
+def preprocess_image(image):
+    # Mettre à l'échelle l'image aux dimensions attendues par le modèle
+    scaled_image = cv2.resize(image, (224, 224))
+    scaled_image = scaled_image.astype("float") / 255.0
+    
+    # Ajouter une dimension pour correspondre à la forme d'entrée du modèle
+    preprocessed_img = np.expand_dims(scaled_image, axis=0)
+    
+    return preprocessed_img
+
+# Fonction pour obtenir les coordonnées de la boîte englobante
+def obtenir_coordonnees_boite(predictions):
+    # A DEFINIR
+    # Supposons que predictions est une liste de [x_min, y_min, x_max, y_max] pour chaque boîte englobante
+    return predictions[0]  # Retourne les coordonnées de la première boîte englobante
+
+# Fonction pour détecter les panneaux de signalisation dans une image
+def detect_sign(image):
+    # Prétraiter l'image
+    preprocessed_img = preprocess_image(image)
+    
+    # Faire une prédiction avec le modèle
+    predictions = model.predict(preprocessed_img)
+    
+    # Obtenir l'indice de la classe prédite
+    predicted_class_index = np.argmax(predictions)
+    
+    # Récupérer le nom de la classe prédite
+    predicted_class_name = class_names[predicted_class_index]
+    
+    return predicted_class_name, predictions
+
+# Définir la source vidéo ou la caméra
+# Pour une vidéo
+video_path = "server-ia/data/videos/autoroute.mp4"
+cap = cv2.VideoCapture(video_path)
+
+# Pour la caméra
+# cap = cv2.VideoCapture(0)
+# Nombre de trames à sauter entre chaque trame lue
+skip_frames = 5
+
+# Boucle pour lire les images de la vidéo ou de la caméra
+frame_count = 0
+while cap.isOpened():
+    ret, frame = cap.read()
+    if not ret:
+        break
+    
+    # Incrémenter le compteur de trames
+    frame_count += 1
+    
+    # Si le compteur de trames est un multiple de skip_frames, traiter la trame et afficher
+    if frame_count % skip_frames == 0:
+        # Réinitialiser le compteur de trames
+        frame_count = 0
+        
+        # Détecter les panneaux de signalisation dans l'image
+        predicted_class_name, predictions = detect_sign(frame)
+        
+        # Obtenir les coordonnées de la boîte englobante de l'objet détecté
+        x_min, y_min, x_max, y_max = obtenir_coordonnees_boite(predictions)
+        
+        # Dessiner un carré autour de chaque objet détecté et afficher le nom de la classe au-dessus
+        cv2.rectangle(frame, (x_min, y_min), (x_max, y_max), (0, 255, 0), 2)
+        cv2.putText(frame, predicted_class_name, (x_min, y_min - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
+        
+        # Afficher l'image
+        cv2.imshow('Frame', frame)
+        
+        # Attendre la touche 'q' pour quitter
+        if cv2.waitKey(1) & 0xFF == ord('q'):
+            break
+
+# Libérer la capture et fermer les fenêtres
+cap.release()
+cv2.destroyAllWindows()

server-ia/Identify_RoadSignV1/identify-RoadSign.py

@@ -0,0 +1,76 @@
+import cv2
+from tensorflow.keras.models import load_model
+import numpy as np
+
+# Charger le modèle sauvegardé
+model = load_model("server-ia/data/modeles/RoadSign/modele_signaux_routiers.h5")
+
+# Fonction pour charger les noms de classe à partir d'un fichier
+def load_class_names(file_path):
+    with open(file_path, 'r') as file:
+        class_names = [line.strip() for line in file.readlines()]
+    return class_names
+
+# Définir le chemin du fichier contenant les noms de classe
+class_names_file = "server-ia/data/modeles/RoadSign/class_names.txt"
+
+# Charger les noms de classe à partir du fichier
+class_names = load_class_names(class_names_file)
+
+# Fonction pour détecter les panneaux de signalisation dans une image
+def detect_sign(image):
+    # Prétraiter l'image
+    preprocessed_img = preprocess_image(image)
+    
+    # Faire une prédiction avec le modèle
+    predictions = model.predict(preprocessed_img)
+    
+    # Obtenir l'indice de la classe prédite
+    predicted_class_index = np.argmax(predictions)
+    
+    # Récupérer le nom de la classe prédite
+    predicted_class_name = class_names[predicted_class_index]
+    
+    return predicted_class_name
+
+# Fonction pour prétraiter l'image
+def preprocess_image(image):
+    # Mettre à l'échelle l'image aux dimensions attendues par le modèle
+    scaled_image = cv2.resize(image, (224, 224))
+    scaled_image = scaled_image.astype("float") / 255.0
+    
+    # Ajouter une dimension pour correspondre à la forme d'entrée du modèle
+    preprocessed_img = np.expand_dims(scaled_image, axis=0)
+    
+    return preprocessed_img
+
+# Définir la source vidéo ou la caméra
+# Pour une vidéo
+video_path = "server-ia/data/videos/autoroute.mp4"
+cap = cv2.VideoCapture(video_path)
+
+# Pour la caméra
+# cap = cv2.VideoCapture(0)
+
+# Boucle pour lire les images de la vidéo ou de la caméra
+while cap.isOpened():
+    ret, frame = cap.read()
+    if not ret:
+        break
+    
+    # Détecter les panneaux de signalisation dans l'image
+    predicted_class_name = detect_sign(frame)
+    
+    # Afficher le résultat sur l'image
+    cv2.putText(frame, predicted_class_name, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
+    
+    # Afficher l'image
+    cv2.imshow('Frame', frame)
+    
+    # Attendre la touche 'q' pour quitter
+    if cv2.waitKey(1) & 0xFF == ord('q'):
+        break
+
+# Libérer la capture et fermer les fenêtres
+cap.release()
+cv2.destroyAllWindows()