CARIA.2.1

Update for the final presentation
huge change with previous version

.gitignore

@@ -0,0 +1,2 @@
+Thumbs.db
+.DS_Store

server-ia/Camera_Identification_RoadSign/modele.py

@@ -1,84 +0,0 @@
-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

@@ -1,47 +0,0 @@
-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)

server-ia/Camera_Identification_User/identifie.py

@@ -1,51 +0,0 @@
-#!/usr/bin/env python
-import cv2
-import pickle
-import numpy as np
-
-min_size=50
-
-face_cascade= cv2.CascadeClassifier("server-ia/data/haarcascades/haarcascade_frontalface_alt2.xml")
-recognizer=cv2.face.LBPHFaceRecognizer_create()
-recognizer.read("server-ia/data/modeles/camera_identification_user/trainner.yml")
-id_image=0
-color_info=(255, 255, 255)
-color_ko=(0, 0, 255)
-color_ok=(0, 255, 0)
-url = "http://192.168.52.194:8081"
-
-with open("server-ia/data/modeles/camera_identification_user/labels.pickle", "rb") as f:
-    og_labels=pickle.load(f)
-    labels={v:k for k, v in og_labels.items()}
-
-cap=cv2.VideoCapture(0)
-while True:
-    ret, frame=cap.read()
-    tickmark=cv2.getTickCount()
-    gray=cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
-    faces=face_cascade.detectMultiScale(gray, scaleFactor=1.2,minNeighbors=4, minSize=(min_size, min_size))
-    for (x, y, w, h) in faces:
-        roi_gray=gray[y:y+h, x:x+w]
-        #id_, conf=recognizer.predict(cv2.resize(roi_gray, (min_size, min_size)))
-        id_, conf=recognizer.predict(roi_gray)
-        if conf<=95:
-             color=color_ok
-             name=labels[id_]
-        else:
-            color=color_ko
-            name="Inconnu"
-        label=name+" "+'{:5.2f}'.format(conf)
-        cv2.putText(frame, label, (x, y-10), cv2.FONT_HERSHEY_DUPLEX, 1, color_info, 1, cv2.LINE_AA)
-        cv2.rectangle(frame, (x, y), (x+w, y+h), color, 2)
-    fps=cv2.getTickFrequency()/(cv2.getTickCount()-tickmark)
-    cv2.putText(frame, "FPS: {:05.2f}".format(fps), (10, 30), cv2.FONT_HERSHEY_PLAIN, 2, color_info, 2)
-    cv2.imshow('L42Project', frame)
-    key=cv2.waitKey(1)&0xFF
-    if key==ord('q'):
-        break
-    if key==ord('a'):
-        for cpt in range(100):
-            ret, frame=cap.read()
-
-cv2.destroyAllWindows()
-print("Fin")

server-ia/Camera_Identification_VitesseRoadSign/common.py

@@ -1,67 +0,0 @@
-import tensorflow as tf
-from tensorflow.keras import layers, models
-import os
-import cv2
-
-size=42
-dir_images_panneaux="server-ia/Camera_Identification_VitesseRoadSign/images_panneaux"
-dir_images_autres_panneaux="server-ia/Camera_Identification_VitesseRoadSign/images_autres_panneaux"
-dir_images_sans_panneaux="server-ia/Camera_Identification_VitesseRoadSign/images_sans_panneaux"
-
-def panneau_model(nbr_classes):
-    model=tf.keras.Sequential()
-
-    model.add(layers.Input(shape=(size, size, 3), dtype='float32'))
-    
-    model.add(layers.Conv2D(128, 3, strides=1))
-    model.add(layers.Dropout(0.2))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Activation('relu'))
-
-    model.add(layers.Conv2D(128, 3, strides=1))
-    model.add(layers.Dropout(0.2))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Activation('relu'))
-
-    model.add(layers.MaxPool2D(pool_size=2, strides=2))
-
-    model.add(layers.Conv2D(256, 3, strides=1))
-    model.add(layers.Dropout(0.3))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Activation('relu'))
-
-    model.add(layers.Conv2D(256, 3, strides=1))
-    model.add(layers.Dropout(0.4))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Activation('relu'))
-
-    model.add(layers.MaxPool2D(pool_size=2, strides=2))
-
-    model.add(layers.Flatten())
-    model.add(layers.Dense(512, activation='relu'))
-    model.add(layers.Dropout(0.5))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Dense(nbr_classes, activation='sigmoid'))
-    
-    return model
-
-def lire_images_panneaux(dir_images_panneaux, size=None):
-    tab_panneau=[]
-    tab_image_panneau=[]
-
-    if not os.path.exists(dir_images_panneaux):
-        quit("Le repertoire d'image n'existe pas: {}".format(dir_images_panneaux))
-
-    files=os.listdir(dir_images_panneaux)
-    if files is None:
-        quit("Le repertoire d'image est vide: {}".format(dir_images_panneaux))
-
-    for file in sorted(files):
-        if file.endswith("png"):
-            tab_panneau.append(file.split(".")[0])
-            image=cv2.imread(dir_images_panneaux+"/"+file)
-            if size is not None:
-                image=cv2.resize(image, (size, size), cv2.INTER_LANCZOS4)
-            tab_image_panneau.append(image)
-            
-    return tab_panneau, tab_image_panneau

server-ia/Camera_Identification_VitesseRoadSign/extract_panneau.py

@@ -1,79 +0,0 @@
-import cv2
-import os
-import numpy as np
-import random
-# Tuto25[OpenCV] Lecture des panneaux de vitesse p.1 (houghcircles) 16min
-
-size=42
-video_dir = "server-ia/data/videos"
-
-# Liste tous les fichiers dans le répertoire vidéo
-l = os.listdir(video_dir)
-
-for video in l:
-    if not video.endswith("mp4"):
-        continue
-    cap = cv2.VideoCapture(video_dir + "/" + video)
-
-    print("video:", video)
-    while True:
-        # Capture une frame de la vidéo
-        ret, frame = cap.read()
-        if ret is False:
-            break
-        
-        # Redimensionne la frame pour un affichage correct
-        f_w, f_h, f_c = frame.shape
-        frame = cv2.resize(frame, (int(f_h / 1.5), int(f_w / 1.5)))
-
-        # Extrait une région d'intérêt (ROI) de la frame
-        image = frame[200:400, 700:1000]
-
-        # represents the top left corner of rectangle 
-        start_point = (600, 50)
-        # Ending coordinate
-        # represents t
-        # he bottom right corner of rectangle 
-        end_point = (800, 450)
-        # Color in BGR 
-        color = (255, 255, 255)
-        # Line thickness
-        thickness = 1
-
-        # Dessine un rectangle autour de la ROI (dimensions spécifiées)
-        cv2.rectangle(frame, start_point, end_point, color, thickness) 
-
-        # Convertit l'image en niveaux de gris pour la détection des cercles
-        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
-
-        # Détection des cercles dans l'image
-        circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 20, param1=30, param2=60, minRadius=5, maxRadius=45)
-        if circles is not None:
-            circles = np.int16(np.around(circles))
-            for i in circles[0, :]:
-                if i[2] != 0:
-                    cv2.circle(frame, (i[0], i[1]), i[2], (0, 255, 0), 4)
-                    # Extrait le panneau de signalisation à partir de la position et du rayon du cercle
-                    panneau = cv2.resize(
-                        image[max(0, i[1] - i[2]):i[1] + i[2], max(0, i[0] - i[2]):i[0] + i[2]],
-                        (size, size)) / 255
-                    cv2.imshow("panneau", panneau)
-
-        # Affiche le nom du fichier vidéo en cours
-        cv2.putText(frame, "fichier:" + video, (30, 30), cv2.FONT_HERSHEY_DUPLEX, 1, (0, 255, 0), 1, cv2.LINE_AA)
-
-        # Affiche la frame avec le rectangle et le panneau détecté
-        cv2.imshow("Video", frame)
-
-        # Attend l'appui d'une touche et traite les actions associées
-        key = cv2.waitKey(1) & 0xFF
-        if key == ord('q'):
-            quit()
-        if key == ord('a'):
-            for cpt in range(100):
-                ret, frame = cap.read()
-        if key == ord('f'):
-            break
-
-# Ferme toutes les fenêtres OpenCV
-cv2.destroyAllWindows()

server-ia/Camera_Identification_VitesseRoadSign/houghcircles.py

@@ -1,37 +0,0 @@
-import cv2
-import numpy as np
-# Tuto25[OpenCV] Lecture des panneaux de vitesse p.1 (houghcircles) 14min
-param1=30
-param2=55
-dp=1.0
-video_path = "server-ia/data/videos/ville.mp4"
-
-cap=cv2.VideoCapture(video_path)
-
-while True:
-    ret, frame=cap.read()
-    gray=cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
-    circles=cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, dp, 20, param1=param1, param2=param2, minRadius=10, maxRadius=50)
-    if circles is not None:
-        circles=np.around(circles).astype(np.int32)
-        for i in circles[0, :]:
-            if i[2]!=0:
-                cv2.circle(frame, (i[0], i[1]), i[2], (0, 255, 0), 4)
-    cv2.putText(frame, "[i|k]dp: {:4.2f}  [o|l]param1: {:d}  [p|m]param2: {:d}".format(dp, param1, param2), (10, 40), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (255, 0, 0), 1)
-    cv2.imshow("Video", frame)
-    key=cv2.waitKey(1)&0xFF
-    if key==ord('q'):
-        quit()
-    if key==ord('i'):
-        dp=min(10, dp+0.1)
-    if key==ord('k'):
-        dp=max(0.1, dp-0.1)
-    if key==ord('o'):
-        param1=min(255, param1+1)
-    if key==ord('l'):
-        param1=max(1, param1-1)
-    if key==ord('p'):
-        param2=min(255, param2+1)
-    if key==ord('m'):
-        param2=max(1, param2-1)
-cv2.destroyAllWindows()

server-ia/Camera_Identification_VitesseRoadSign/lire_panneau.py

@@ -1,140 +0,0 @@
-import tensorflow as tf
-from tensorflow.keras import layers, models
-import cv2
-import os
-import numpy as np
-import random
-
-th1=30
-th2=55
-size=42
-video_dir="server-ia/data/videos/"
-dir_images_panneaux="server-ia/data/images/panneaux"
-
-def panneau_model(nbr_classes):
-    model=tf.keras.Sequential()
-
-    model.add(layers.Input(shape=(size, size, 3), dtype='float32'))
-    
-    model.add(layers.Conv2D(128, 3, strides=1))
-    model.add(layers.Dropout(0.2))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Activation('relu'))
-
-    model.add(layers.Conv2D(128, 3, strides=1))
-    model.add(layers.Dropout(0.2))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Activation('relu'))
-
-    model.add(layers.MaxPool2D(pool_size=2, strides=2))
-
-    model.add(layers.Conv2D(256, 3, strides=1))
-    model.add(layers.Dropout(0.3))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Activation('relu'))
-
-    model.add(layers.Conv2D(256, 3, strides=1))
-    model.add(layers.Dropout(0.4))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Activation('relu'))
-
-    model.add(layers.MaxPool2D(pool_size=2, strides=2))
-
-    model.add(layers.Flatten())
-    model.add(layers.Dense(512, activation='relu'))
-    model.add(layers.Dropout(0.5))
-    model.add(layers.BatchNormalization())
-    model.add(layers.Dense(nbr_classes, activation='sigmoid'))
-    
-    return model
-
-def lire_images_panneaux(dir_images_panneaux, size=None):
-    tab_panneau=[]
-    tab_image_panneau=[]
-
-    if not os.path.exists(dir_images_panneaux):
-        quit("Le repertoire d'image n'existe pas: {}".format(dir_images_panneaux))
-
-    files=os.listdir(dir_images_panneaux)
-    if files is None:
-        quit("Le repertoire d'image est vide: {}".format(dir_images_panneaux))
-
-    for file in sorted(files):
-        if file.endswith("png"):
-            tab_panneau.append(file.split(".")[0])
-            image=cv2.imread(dir_images_panneaux+"/"+file)
-            if size is not None:
-                image=cv2.resize(image, (size, size), cv2.INTER_LANCZOS4)
-            tab_image_panneau.append(image)
-            
-    return tab_panneau, tab_image_panneau
-
-tab_panneau, tab_image_panneau=lire_images_panneaux(dir_images_panneaux)
-
-model_panneau=panneau_model(len(tab_panneau))
-checkpoint=tf.train.Checkpoint(model_panneau=model_panneau)
-checkpoint.restore(tf.train.latest_checkpoint("server-ia\data\modeles\road_sign_speed_trainers/"))
-
-l=os.listdir(video_dir)
-random.shuffle(l)
-
-for video in l:
-    if not video.endswith("mp4"):
-        continue
-    cap=cv2.VideoCapture(video_dir+"/"+video)
-
-    print("video:", video)
-    id_panneau=-1
-    while True:
-        ret, frame=cap.read()
-        if ret is False:
-            break
-        f_w, f_h, f_c=frame.shape
-        frame=cv2.resize(frame, (int(f_h/1.5), int(f_w/1.5)))
-
-        image=frame[200:400, 700:1000]
-
-        # represents the top left corner of rectangle 
-        start_point = (600, 50)
-        # Ending coordinate
-        # represents t
-        # he bottom right corner of rectangle 
-        end_point = (800, 450)
-        # Color in BGR 
-        color = (255, 255, 255)
-        # Line thickness
-        thickness = 1
-
-        cv2.rectangle(frame, start_point, end_point, color, thickness) 
-
-        gray=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
-
-        circles=cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, 20, param1=th1, param2=th2, minRadius=5, maxRadius=45)
-        if circles is not None:
-            circles=np.int16(np.around(circles))
-            for i in circles[0,:]:
-                if i[2]!=0:
-                    panneau=cv2.resize(image[max(0, i[1]-i[2]):i[1]+i[2], max(0, i[0]-i[2]):i[0]+i[2]], (size, size))/255
-                    cv2.imshow("panneau", panneau)
-                    prediction=model_panneau(np.array([panneau]), training=False)
-                    print("Prediction:", prediction)
-                    if np.any(np.greater(prediction[0], 0.6)):
-                        id_panneau=np.argmax(prediction[0])
-                        print("   -> C'est un panneau:", tab_panneau[id_panneau], "KM/H")
-                        w, h, c=tab_image_panneau[id_panneau].shape
-                    else:
-                        print("   -> Ce n'est pas un panneau")
-        if id_panneau!=-1:
-            frame[0:h, 0:w, :]=tab_image_panneau[id_panneau]
-        cv2.putText(frame, "fichier:"+video, (30, 30), cv2.FONT_HERSHEY_DUPLEX, 1, (0, 255, 0), 1, cv2.LINE_AA)
-        cv2.imshow("Video", frame)
-        key=cv2.waitKey(1)&0xFF
-        if key==ord('q'):
-            quit()
-        if key==ord('a'):
-            for cpt in range(100):
-                ret, frame=cap.read()
-        if key==ord('f'):
-            break
-
-cv2.destroyAllWindows()

server-ia/Camera_Ligne_Detection/canny.py

@@ -1,53 +0,0 @@
-import cv2
-import numpy as np
-
-th1=75
-th2=150
-stop=0
-k=3
-cap=cv2.VideoCapture(0)
-while True:
-    if not stop:
-        ret, frame=cap.read()
-        if ret is False:
-            quit()
-        image=frame.copy()
-
-    cv2.putText(image, "[u|j]th1: {:d}  [i|k]th2: {:d}  [y|h]blur: {:d}".format(th1, th2, k), (10, 40), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 1)
-    cv2.putText(image, "[a]>>  [s]stop  [q]quit", (10, 70), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 1)
-    cv2.imshow("image", image)
-    gray=cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
-    if k!=1:
-        gray=cv2.blur(gray, (k, k))
-    gray_canny=cv2.Canny(gray, th1, th2)
-    cv2.imshow("blur", gray)
-    cv2.imshow("canny", gray_canny)
-
-    if not stop:
-        key=cv2.waitKey(10)&0xFF
-    else:
-        key=cv2.waitKey()
-        image=frame.copy()
-
-    if key==ord('q'):
-        break
-    if key==ord('y'):
-        k=min(255, k+2)
-    if key==ord('h'):
-        k=max(1, k-2)
-    if key==ord('u'):
-        th1=min(255, th1+1)
-    if key==ord('j'):
-        th1=max(0, th1-1)
-    if key==ord('i'):
-        th2=min(255, th2+1)
-    if key==ord('k'):
-        th2=max(0, th2-1)
-    if key==ord('s'):
-        stop=not stop
-    if key==ord('a'):
-        for cpt in range(200):
-            ret, frame=cap.read()
-            image=frame.copy()
-cap.release()
-cv2.destroyAllWindows()

server-ia/Camera_Ligne_Detection/franchissement_ligne.py

@@ -1,147 +0,0 @@
-import cv2
-import numpy as np
-import time
-
-ymin=400
-ymax=401
-xmin1=20
-xmax1=120
-xmin2=550
-xmax2=620
-
-def point(capteur):
-    s1=len(capteur)-1
-    s2=len(capteur)-1
-    for i in range(len(capteur)):
-        if capteur[i]!=0:
-            s1=i
-            break
-    if s1!=len(capteur)-1:
-        for i in range(len(capteur)-1, s1-1, -1):
-            if capteur[i]!=0:
-                s2=i
-                break
-        return int((s1+s2)/2)
-    return -1
-
-s1_old=0
-s2_old=0
-s1=0
-s2=0
-s1_time=0
-s2_time=0
-th1=75
-th2=150
-stop=0
-k=3
-url = "http://192.168.74.194:8081"
-
-cap=cv2.VideoCapture(url)
-while True:
-    if not stop:
-        ret, frame=cap.read()
-        if ret is False:
-            quit()
-        image=frame.copy()
-
-        gray1=cv2.cvtColor(frame[ymin:ymax, xmin1:xmax1], cv2.COLOR_BGR2GRAY)
-        if k!=1:
-            gray1=cv2.blur(gray1, (k, k))
-        capteur1=cv2.Canny(gray1, th1, th2)
-
-        gray2=cv2.cvtColor(frame[ymin:ymax, xmin1:xmax1], cv2.COLOR_BGR2GRAY)
-        if k!=1:
-            gray2=cv2.blur(gray2, (k, k))
-        capteur2=cv2.Canny(gray2, th1, th2)
-
-        cv2.rectangle(image, (xmin1, ymin), (xmax1, ymax), (0, 0, 255), 1)
-        cv2.rectangle(image, (xmin2, ymin), (xmax2, ymax), (0, 0, 255), 1)
-
-        s1=point(capteur1[0])
-        if s1!=-1:
-            cv2.circle(image, (s1+xmin1, ymin), 3, (0, 255, 0), 3)
-            s1_old=s1
-            s1_time=time.time()
-        else:
-            if time.time()-s1_time<1:
-                cv2.circle(image, (s1_old+xmin1, ymin), 3, (100, 255, 255), 3)
-                s1=s1_old
-            else:
-                s1=-1
-
-        s2=point(capteur2[0])
-        if s2!=-1:
-            cv2.circle(image, (s2+xmin2, ymin), 3, (0, 255, 0), 3)
-            s2_old=s2
-            s2_time=time.time()
-        else:
-            if time.time()-s2_time<1:
-                cv2.circle(image, (s2_old+xmin2, ymin), 3, (100, 255, 255), 3)
-                s2=s2_old
-            else:
-                s2=-1
-
-        if s1!=-1 and s2!=-1:
-            s2_=abs(xmax2-xmin2-s2)
-            if abs(s2_-s1)>20:
-                c=(0, max(0, 255-10*int(abs(s1-s2_)/2)), min(255, 10*int(abs(s1-s2_)/2)))
-                cv2.circle(image, (int((xmax2-xmin1)/2)+xmin1, ymax-25), 5, c, 7)
-                cv2.arrowedLine(image, (int((xmax2-xmin1)/2)+xmin1, ymax-25), (int((xmax2-xmin1)/2)+xmin1+2*int((s1-s2_)/2), ymax-25), c, 3, tipLength=0.4)
-            else:
-                cv2.putText(image, "OK", (int((xmax2-xmin1)/2)+xmin1-15, ymax-16), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 0), 1)
-
-    cv2.putText(image, "[u|j]th1: {:d}  [i|k]th2: {:d}  [y|h]blur: {:d}".format(th1, th2, k), (10, 40), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 1)
-    cv2.putText(image, "[a]>>  [s]stop  [q]quit", (10, 70), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 1)
-    cv2.imshow("image", image)
-    gray=cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
-    if k!=1:
-        gray=cv2.blur(gray, (k, k))
-    cv2.imshow("blur", gray)
-    gray_canny=cv2.Canny(gray, th1, th2)
-    cv2.imshow("canny", gray_canny)
-
-    if not stop:
-        key=cv2.waitKey(20)&0xFF
-    else:
-        key=cv2.waitKey()
-        image=frame.copy()
-
-    if key==ord('q'):
-        break
-    if key==ord('m'):
-        ymin+=1
-        ymax+=1
-    if key==ord('p'):
-        ymin-=1
-        ymax-=1
-    if key==ord('o'):
-        xmin1+=1
-        xmax1+=1
-        xmin2+=1
-        xmax2+=1
-    if key==ord('l'):
-        xmin1-=1
-        xmax1-=1
-        xmin2-=1
-        xmax2-=1
-    if key==ord('y'):
-        k=min(255, k+2)
-    if key==ord('h'):
-        k=max(1, k-2)
-    if key==ord('u'):
-        th1=min(255, th1+1)
-    if key==ord('j'):
-        th1=max(0, th1-1)
-    if key==ord('i'):
-        th2=min(255, th2+1)
-    if key==ord('k'):
-        th2=max(0, th2-1)
-    if key==ord('s'):
-        stop=not stop
-    if key==ord('a'):
-        for cpt in range(200):
-            ret, frame=cap.read()
-            image=frame.copy()
-
-cap.release()
-cv2.destroyAllWindows()

server-ia/Camera_Ligne_Detection/gradient.py

@@ -1,37 +0,0 @@
-import cv2
-import numpy as np
-
-stop=0
-cap=cv2.VideoCapture(0)
-while True:
-    if not stop:
-        ret, frame=cap.read()
-        if ret is False:
-            quit()
-        image=frame.copy()
-
-    cv2.imshow("image", image)
-    gray=cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
-
-    grad_x=cv2.Sobel(gray, cv2.CV_8U, 1, 0, ksize=5)
-    cv2.imshow("grad x", grad_x)
-
-    grad_y=cv2.Sobel(gray, cv2.CV_8U, 0, 1, ksize=5)
-    cv2.imshow("grad y", grad_y)
-
-    if not stop:
-        key=cv2.waitKey(10)&0xFF
-    else:
-        key=cv2.waitKey()
-        image=frame.copy()
-
-    if key==ord('q'):
-        break
-    if key==ord('s'):
-        stop=not stop
-    if key==ord('a'):
-        for cpt in range(200):
-            ret, frame=cap.read()
-            image=frame.copy()
-cap.release()
-cv2.destroyAllWindows()

server-ia/Identification_Yolov3/NOTE.txt

@@ -1,3 +0,0 @@
-python server-ia/Identification_Yolov3/yolo_opencv.py --image server-ia/data/images/dog.jpg --config server-ia/data/modeles/yolov3/yolov3.cfg --weights server-ia/data/modeles/yolov3/yolov3.weights --classes server-ia/data/modeles/yolov3/yolov3.txt
-python server-ia/Identification_Yolov3/yolo_opencv_video.py --video cam --config server-ia/data/modeles/yolov3/yolov3.cfg --weights server-ia/data/modeles/yolov3/yolov3.weights --classes server-ia/data/modeles/yolov3/yolov3.txt
-python server-ia/Identification_Yolov3/yolo_opencv_video.py --video server-ia/data/videos/ville.mp4 --config server-ia/data/modeles/yolov3/yolov3.cfg --weights server-ia/data/modeles/yolov3/yolov3.weights --classes server-ia/data/modeles/yolov3/yolov3.txt

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

@@ -1,90 +0,0 @@
-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

@@ -1,97 +0,0 @@
-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

@@ -1,76 +0,0 @@
-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()

server-ia/README_Yolov3.txt

@@ -0,0 +1,3 @@
+python server-ia/yolov3_opencv_picture.py --image server-ia/data/images/dog.jpg --config server-ia/data/modeles/yolov3/yolov3.cfg --weights server-ia/data/modeles/yolov3/yolov3.weights --classes server-ia/data/modeles/yolov3/yolov3.txt
+python server-ia/yolov3_opencv_video.py --video cam --config server-ia/data/modeles/yolov3/yolov3.cfg --weights server-ia/data/modeles/yolov3/yolov3.weights --classes server-ia/data/modeles/yolov3/yolov3.txt
+python server-ia/yolov3_opencv_video.py --video server-ia/data/videos/ville.mp4 --config server-ia/data/modeles/yolov3/yolov3.cfg --weights server-ia/data/modeles/yolov3/yolov3.weights --classes server-ia/data/modeles/yolov3/yolov3.txt

server-ia/README_cv2_ligne_detection.txt

@@ -0,0 +1,7 @@
+Largeur route 35cm
+Largeur voiture ~19 cm
+Analyse des bandes - 50cm
+-------------------------
+Réel
+Largeur route 3,5m
+Largeur voiture 1,8 m

server-ia/TF_Identification_Training_CCB.py

@@ -0,0 +1,76 @@
+import tensorflow as tf
+import numpy as np
+import cv2
+import os
+import pandas as pd
+
+# Configuration
+size = 60  # Taille des images à laquelle le modèle a été entraîné
+model_path = "server-ia/data/modeles/tensorflow/tf_modele_speed_panneau.keras"
+labels_csv_path = "server-ia/data/modeles/tensorflow/train_labels.csv"
+confidence_threshold = 0.6  # Seuil de confiance pour considérer une prédiction comme valide
+
+# Fonction pour charger le mapping des labels depuis le fichier CSV
+def load_labels_mapping(labels_csv_path):
+    df = pd.read_csv(labels_csv_path)
+    unique_labels = df['label'].unique()
+    labels_mapping = {label: idx for idx, label in enumerate(unique_labels)}
+    print(f"Mapping des labels chargé : {labels_mapping}")
+    return labels_mapping
+
+# Chargement du mapping des labels
+labels_mapping = load_labels_mapping(labels_csv_path)
+
+# Inversion du mapping pour obtenir l'étiquette à partir de l'index
+reverse_labels_mapping = {v: k for k, v in labels_mapping.items()}
+
+# Chargement du modèle
+model = tf.keras.models.load_model(model_path)
+print(f"Modèle chargé depuis {model_path}")
+
+# Fonction pour prédire la catégorie d'une image, encadrer la zone reconnue et afficher les résultats
+def predict_and_draw_bounding_box(image_path, model, labels_mapping, size, confidence_threshold):
+    # Chargement de l'image originale
+    image = cv2.imread(image_path)
+    if image is None:
+        raise ValueError(f"Erreur de chargement de l'image : {image_path}")
+    
+    # Redimensionnement et normalisation pour la prédiction
+    image_resized = cv2.resize(image, (size, size), cv2.INTER_LANCZOS4)
+    image_normalized = image_resized.astype('float32') / 255.0  # Normalisation
+    image_batch = np.expand_dims(image_normalized, axis=0)  # Ajout d'une dimension pour le batch
+
+    # Prédiction
+    predictions = model.predict(image_batch)
+    predicted_index = np.argmax(predictions, axis=1)[0]
+    confidence = np.max(predictions)
+    
+    # Récupération du label prédictif ou "Inconnu" si la confiance est faible
+    if confidence < confidence_threshold:
+        predicted_label = "Inconnu"
+        print(f"Confiance faible ({confidence:.2f}). La prédiction n'est pas fiable.")
+    else:
+        predicted_label = reverse_labels_mapping[predicted_index]
+    
+    # Affichage de la prédiction dans la console
+    print(f"Image: {image_path}, Prédiction: {predicted_label} (Confiance: {confidence:.2f})")
+
+    # Encadrement de la zone reconnue (l'ensemble de l'image redimensionnée)
+    height, width, _ = image.shape
+    cv2.rectangle(image, (0, 0), (width, height), (0, 255, 0), 2)  # Couleur verte et épaisseur de 2
+
+    # Ajout du texte de la prédiction sur l'image
+    cv2.putText(image, f'Predicted: {predicted_label}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
+
+    # Affichage de l'image avec le cadre
+    cv2.imshow("Image avec zone reconnue", image)
+    cv2.waitKey(0)
+    cv2.destroyAllWindows()
+
+# Exemple d'utilisation
+image_to_classify = "server-ia/data/images/panneaux/France_road_sign_B14_(10).svg.png"  # Remplacez par le chemin exact de l'image à classifier
+
+try:
+    predict_and_draw_bounding_box(image_to_classify, model, labels_mapping, size, confidence_threshold)
+except ValueError as e:
+    print(e)

server-ia/data/modeles/CV2/README.txt

@@ -0,0 +1,2 @@
+Généré par server-trainer\UsersIdentification-ModelTraining.py
+Utilisé pour server-ia\Camera_Identification_User\identifie.py

server-ia/data/modeles/MobileNetV2/README.txt

@@ -0,0 +1 @@
+Generé par CARIA\server-trainer\RoadSigns-ModelTraining.py

server-ia/data/modeles/MobileNetV2/class_names.txt

@@ -0,0 +1,43 @@
+0
+1
+10
+11
+12
+13
+14
+15
+16
+17
+18
+19
+2
+20
+21
+22
+23
+24
+25
+26
+27
+28
+29
+3
+30
+31
+32
+33
+34
+35
+36
+37
+38
+39
+4
+40
+41
+42
+5
+6
+7
+8
+9

server-ia/data/modeles/tensorflow/README.txt

@@ -0,0 +1,2 @@
+Générer par server-trainer\Camera_Identification_VitesseRoadSign-ModelTraining.py
+Utilisé pour server-ia\Camera_Identification_VitesseRoadSign\lire_panneau.py

server-ia/data/modeles/test/MobileNet-SSD/ssd_mobilenet_v1_coco.pbtxt

@@ -0,0 +1,16 @@
+item {
+  id: 1
+  name: 'person'
+}
+item {
+  id: 2
+  name: 'bicycle'
+}
+item {
+  id: 3
+  name: 'car'
+}
+item {
+  id: 4
+  name: 'motorcycle'
+}

server-ia/data/modeles/traffic_signs_model/fingerprint.pb

@@ -0,0 +1 @@
+<08><><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>_<10><><EFBFBD><EFBFBD><EFBFBD><EFBFBD>âݠ<><DDA0><EFBFBD><EFBFBD>Ø <20><><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD><EFBFBD>
(<28>݃<EFBFBD><DD83>ǚ<EFBFBD><C79A>
2

server-ia/data/modeles/yolov3-tiny/coco.names

@@ -0,0 +1,80 @@
+person
+bicycle
+car
+motorbike
+aeroplane
+bus
+train
+truck
+boat
+traffic light
+fire hydrant
+stop sign
+parking meter
+bench
+bird
+cat
+dog
+horse
+sheep
+cow
+elephant
+bear
+zebra
+giraffe
+backpack
+umbrella
+handbag
+tie
+suitcase
+frisbee
+skis
+snowboard
+sports ball
+kite
+baseball bat
+baseball glove
+skateboard
+surfboard
+tennis racket
+bottle
+wine glass
+cup
+fork
+knife
+spoon
+bowl
+banana
+apple
+sandwich
+orange
+broccoli
+carrot
+hot dog
+pizza
+donut
+cake
+chair
+sofa
+pottedplant
+bed
+diningtable
+toilet
+tvmonitor
+laptop
+mouse
+remote
+keyboard
+cell phone
+microwave
+oven
+toaster
+sink
+refrigerator
+book
+clock
+vase
+scissors
+teddy bear
+hair drier
+toothbrush

server-ia/data/modeles/yolov3-tiny/yolov3-tiny.cfg

@@ -0,0 +1,182 @@
+[net]
+# Testing
+batch=1
+subdivisions=1
+# Training
+# batch=64
+# subdivisions=2
+width=416
+height=416
+channels=3
+momentum=0.9
+decay=0.0005
+angle=0
+saturation = 1.5
+exposure = 1.5
+hue=.1
+
+learning_rate=0.001
+burn_in=1000
+max_batches = 500200
+policy=steps
+steps=400000,450000
+scales=.1,.1
+
+[convolutional]
+batch_normalize=1
+filters=16
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[maxpool]
+size=2
+stride=1
+
+[convolutional]
+batch_normalize=1
+filters=1024
+size=3
+stride=1
+pad=1
+activation=leaky
+
+###########
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=255
+activation=linear
+
+
+
+[yolo]
+mask = 3,4,5
+anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
+classes=80
+num=6
+jitter=.3
+ignore_thresh = .7
+truth_thresh = 1
+random=1
+
+[route]
+layers = -4
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[upsample]
+stride=2
+
+[route]
+layers = -1, 8
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=255
+activation=linear
+
+[yolo]
+mask = 0,1,2
+anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
+classes=80
+num=6
+jitter=.3
+ignore_thresh = .7
+truth_thresh = 1
+random=1

server-ia/data/modeles/yolov3/yolov3.cfg

@@ -0,0 +1,789 @@
+[net]
+# Testing
+# batch=1
+# subdivisions=1
+# Training
+batch=64
+subdivisions=16
+width=608
+height=608
+channels=3
+momentum=0.9
+decay=0.0005
+angle=0
+saturation = 1.5
+exposure = 1.5
+hue=.1
+
+learning_rate=0.001
+burn_in=1000
+max_batches = 500200
+policy=steps
+steps=400000,450000
+scales=.1,.1
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=3
+stride=1
+pad=1
+activation=leaky
+
+# Downsample
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+# Downsample
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+# Downsample
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+# Downsample
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+# Downsample
+
+[convolutional]
+batch_normalize=1
+filters=1024
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=1024
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=1024
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=1024
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=1024
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[shortcut]
+from=-3
+activation=linear
+
+######################
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=1024
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=1024
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=1024
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=255
+activation=linear
+
+
+[yolo]
+mask = 6,7,8
+anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
+classes=80
+num=9
+jitter=.3
+ignore_thresh = .7
+truth_thresh = 1
+random=1
+
+
+[route]
+layers = -4
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[upsample]
+stride=2
+
+[route]
+layers = -1, 61
+
+
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=512
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=512
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=512
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=255
+activation=linear
+
+
+[yolo]
+mask = 3,4,5
+anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
+classes=80
+num=9
+jitter=.3
+ignore_thresh = .7
+truth_thresh = 1
+random=1
+
+
+
+[route]
+layers = -4
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[upsample]
+stride=2
+
+[route]
+layers = -1, 36
+
+
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=256
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=256
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+size=3
+stride=1
+pad=1
+filters=256
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=255
+activation=linear
+
+
+[yolo]
+mask = 0,1,2
+anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
+classes=80
+num=9
+jitter=.3
+ignore_thresh = .7
+truth_thresh = 1
+random=1
+

server-ia/data/modeles/yolov3/yolov3.txt

@@ -0,0 +1,80 @@
+person
+bicycle
+car
+motorcycle
+airplane
+bus
+train
+truck
+boat
+traffic light
+fire hydrant
+stop sign
+parking meter
+bench
+bird
+cat
+dog
+horse
+sheep
+cow
+elephant
+bear
+zebra
+giraffe
+backpack
+umbrella
+handbag
+tie
+suitcase
+frisbee
+skis
+snowboard
+sports ball
+kite
+baseball bat
+baseball glove
+skateboard
+surfboard
+tennis racket
+bottle
+wine glass
+cup
+fork
+knife
+spoon
+bowl
+banana
+apple
+sandwich
+orange
+broccoli
+carrot
+hot dog
+pizza
+donut
+cake
+chair
+couch
+potted plant
+bed
+dining table
+toilet
+tv
+laptop
+mouse
+remote
+keyboard
+cell phone
+microwave
+oven
+toaster
+sink
+refrigerator
+book
+clock
+vase
+scissors
+teddy bear
+hair drier
+toothbrush

server-ia/test_cv2_identifier_user.py

@@ -0,0 +1,108 @@
+#!/usr/bin/env python
+import cv2
+import pickle
+import numpy as np
+import time
+
+# Configuration des tailles et couleurs
+MIN_SIZE = 50
+COLOR_INFO = (255, 255, 255)
+COLOR_KO = (0, 0, 255)
+COLOR_OK = (0, 255, 0)
+
+# Facteur d'agrandissement pour la fenêtre d'affichage
+SCALE_FACTOR = 1.3
+
+# Chargement des classificateurs et des modèles
+FACE_CASCADE_PATH = "server-ia/data/haarcascades/haarcascade_frontalface_alt2.xml"
+MODEL_PATH = "server-ia/data/modeles/CV2/trainner.yml"
+LABELS_PATH = "server-ia/data/modeles/CV2/labels.pickle"
+
+face_cascade = cv2.CascadeClassifier(FACE_CASCADE_PATH)
+recognizer = cv2.face.LBPHFaceRecognizer_create()
+recognizer.read(MODEL_PATH)
+
+# Chargement des labels
+with open(LABELS_PATH, "rb") as f:
+    og_labels = pickle.load(f)
+    labels = {v: k for k, v in og_labels.items()}
+
+# Initialisation de la capture vidéo
+#cap = cv2.VideoCapture(0)
+cap = cv2.VideoCapture("http://192.168.253.194:8081")
+cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
+cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
+
+def calculate_sharpness(image):
+    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+    variance = cv2.Laplacian(gray, cv2.CV_64F).var()
+    return variance
+
+def process_frame(frame):
+    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
+    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=4, minSize=(MIN_SIZE, MIN_SIZE))
+    
+    for (x, y, w, h) in faces:
+        roi_gray = gray[y:y+h, x:x+w]
+        id_, conf = recognizer.predict(roi_gray)
+        
+        if conf <= 95:
+            color = COLOR_OK
+            name = labels.get(id_, "Inconnu")
+        else:
+            color = COLOR_KO
+            name = "Inconnu"
+        
+        label = f"{name} {conf:.2f}"
+        cv2.putText(frame, label, (x, y-10), cv2.FONT_HERSHEY_DUPLEX, 1, COLOR_INFO, 1, cv2.LINE_AA)
+        cv2.rectangle(frame, (x, y), (x+w, y+h), color, 2)
+    
+    # Afficher la résolution actuelle
+    resolution_text = f"Resolution: {frame.shape[1]}x{frame.shape[0]}"
+    cv2.putText(frame, resolution_text, (10, frame.shape[0] - 40), cv2.FONT_HERSHEY_SIMPLEX, 0.6, COLOR_INFO, 1, cv2.LINE_AA)
+    
+    # Calculer et afficher la netteté
+    sharpness = calculate_sharpness(frame)
+    sharpness_text = f"Sharpness: {sharpness:.2f}"
+    cv2.putText(frame, sharpness_text, (10, frame.shape[0] - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, COLOR_INFO, 1, cv2.LINE_AA)
+    
+    return frame
+
+def main():
+    prev_time = time.time()
+    while True:
+        ret, frame = cap.read()
+        if not ret:
+            print("Erreur lors de la capture de la vidéo.")
+            break
+        
+        frame = process_frame(frame)
+        
+        # Calculer et afficher le FPS
+        curr_time = time.time()
+        fps = 1 / (curr_time - prev_time)
+        prev_time = curr_time
+        
+        fps_text = f"FPS: {fps:.2f}"
+        cv2.putText(frame, fps_text, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.6, COLOR_INFO, 1, cv2.LINE_AA)
+        
+        # Redimensionner la frame pour l'affichage
+        frame_resized = cv2.resize(frame, (int(frame.shape[1] * SCALE_FACTOR), int(frame.shape[0] * SCALE_FACTOR)))
+        cv2.imshow('CARIA Project - Identification du client', frame_resized)
+        
+        key = cv2.waitKey(1) & 0xFF
+        if key == ord('q'):
+            break
+        elif key == ord('a'):
+            # Capture 50 frames to avoid blocking
+            for _ in range(50):
+                ret, _ = cap.read()
+                if not ret:
+                    break
+    
+    cap.release()
+    cv2.destroyAllWindows()
+    print("Fin")
+
+if __name__ == "__main__":
+    main()

server-ia/test_cv2_ligne_detection.py

@@ -0,0 +1,172 @@
+import cv2
+import numpy as np
+import time
+
+# Initialisation des variables
+th1 = 75
+th2 = 150
+k = 3
+stop = 0
+
+# Coordonnées des zones d'intérêt pour le traitement
+ymin = 350
+ymax = 351
+xmin1 = 30
+xmax1 = 130
+xmin2 = 520
+xmax2 = 620
+
+# Fonction pour déterminer le point central des contours détectés
+def point(capteur):
+    s1 = len(capteur) - 1
+    s2 = len(capteur) - 1
+    for i in range(len(capteur)):
+        if capteur[i] != 0:
+            s1 = i
+            break
+    if s1 != len(capteur) - 1:
+        for i in range(len(capteur) - 1, s1 - 1, -1):
+            if capteur[i] != 0:
+                s2 = i
+                break
+        return int((s1 + s2) / 2)
+    return -1
+
+# Variables pour suivre les positions précédentes et le temps
+s1_old = 0
+s2_old = 0
+s1_time = 0
+s2_time = 0
+
+# Capture vidéo
+# cap = cv2.VideoCapture(0)
+cap = cv2.VideoCapture("http://192.168.253.194:8081")
+
+while True:
+    if not stop:
+        ret, frame = cap.read()
+        if not ret:
+            break
+        image = frame.copy()
+
+        # Détection de contours dans les zones d'intérêt
+        gray1 = cv2.cvtColor(frame[ymin:ymax, xmin1:xmax1], cv2.COLOR_BGR2GRAY)
+        gray2 = cv2.cvtColor(frame[ymin:ymax, xmin2:xmax2], cv2.COLOR_BGR2GRAY)
+
+        if k != 1:
+            gray1 = cv2.blur(gray1, (k, k))
+            gray2 = cv2.blur(gray2, (k, k))
+
+        capteur1 = cv2.Canny(gray1, th1, th2)
+        capteur2 = cv2.Canny(gray2, th1, th2)
+
+        cv2.rectangle(image, (xmin1, ymin), (xmax1, ymax), (0, 0, 255), 1)
+        cv2.rectangle(image, (xmin2, ymin), (xmax2, ymax), (0, 0, 255), 1)
+
+        # Calcul du point central des contours détectés
+        s1 = point(capteur1[0])
+        s2 = point(capteur2[0])
+
+        if s1 != -1:
+            cv2.circle(image, (s1 + xmin1, ymin), 3, (0, 255, 0), 3)
+            s1_old = s1
+            s1_time = time.time()
+        else:
+            if time.time() - s1_time < 1:
+                cv2.circle(image, (s1_old + xmin1, ymin), 3, (100, 255, 255), 3)
+                s1 = s1_old
+            else:
+                s1 = -1
+
+        if s2 != -1:
+            cv2.circle(image, (s2 + xmin2, ymin), 3, (0, 255, 0), 3)
+            s2_old = s2
+            s2_time = time.time()
+        else:
+            if time.time() - s2_time < 1:
+                cv2.circle(image, (s2_old + xmin2, ymin), 3, (100, 255, 255), 3)
+                s2 = s2_old
+            else:
+                s2 = -1
+
+        # Affichage de l'état de l'alignement
+        if s1 != -1 and s2 != -1:
+            s2_ = abs(xmax2 - xmin2 - s2)
+            if abs(s2_ - s1) > 20:
+                c = (0, max(0, 255 - 10 * int(abs(s1 - s2_) / 2)), min(255, 10 * int(abs(s1 - s2_) / 2)))
+                cv2.circle(image, (int((xmax2 - xmin1) / 2) + xmin1, ymax - 25), 5, c, 7)
+                cv2.arrowedLine(image, (int((xmax2 - xmin1) / 2) + xmin1, ymax - 25),
+                                (int((xmax2 - xmin1) / 2) + xmin1 + 2 * int((s1 - s2_) / 2), ymax - 25),
+                                c, 3, tipLength=0.4)
+            else:
+                cv2.putText(image, "OK", (int((xmax2 - xmin1) / 2) + xmin1 - 15, ymax - 16),
+                            cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 0), 1)
+
+    # Affichage des images dans des fenêtres distinctes
+    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
+    if k != 1:
+        gray = cv2.blur(gray, (k, k))
+    gray_canny = cv2.Canny(gray, th1, th2)
+
+    # Superposition des commandes après tous les traitements
+    cv2.putText(image, "[u|j]th1: {:d}  [i|k]th2: {:d}  [y|h]blur: {:d}".format(th1, th2, k),
+                (10, 40), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 2)
+    cv2.putText(image, "[a]>>  [s]stop  [q]quit", (10, 70), cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, (0, 255, 255), 2)
+
+    # Affichage des fenêtres d'image
+    cv2.imshow("image", image)
+    cv2.imshow("blur", gray)
+    cv2.imshow("canny", gray_canny)
+
+    # Gestion des événements clavier
+    if not stop:
+        key = cv2.waitKey(20) & 0xFF
+    else:
+        key = cv2.waitKey()
+
+    if key == ord('q'):
+        break
+    if key == ord('s'):
+        stop = not stop
+    if key == ord('a'):
+        for cpt in range(200):
+            ret, frame = cap.read()
+            if not ret:
+                break
+            image = frame.copy()
+
+    # Contrôle des paramètres de seuil et de flou
+    if key == ord('y'):
+        k = min(255, k + 2)
+    if key == ord('h'):
+        k = max(1, k - 2)
+    if key == ord('u'):
+        th1 = min(255, th1 + 1)
+    if key == ord('j'):
+        th1 = max(0, th1 - 1)
+    if key == ord('i'):
+        th2 = min(255, th2 + 1)
+    if key == ord('k'):
+        th2 = max(0, th2 - 1)
+
+    # Déplacement des zones d'intérêt
+    if key == ord('m'):
+        ymin += 1
+        ymax += 1
+    if key == ord('p'):
+        ymin -= 1
+        ymax -= 1
+    if key == ord('o'):
+        xmin1 += 1
+        xmax1 += 1
+        xmin2 += 1
+        xmax2 += 1
+    if key == ord('l'):
+        xmin1 -= 1
+        xmax1 -= 1
+        xmin2 -= 1
+        xmax2 -= 1
+
+# Libération des ressources
+cap.release()
+cv2.destroyAllWindows()

server-ia/yolov3_opencv_picture.py

@@ -74,5 +74,5 @@ for i in indices:
 cv2.imshow("object detection", image)
 cv2.waitKey()
     
-cv2.imwrite("object-detection.jpg", image)
+# cv2.imwrite("object-detection.jpg", image)
 cv2.destroyAllWindows()