91 lines
3.1 KiB
Python
91 lines
3.1 KiB
Python
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()
|