CARIA.2.0

Precedent repo CARIA:
Trainer pour CARIA-INTELLIGENT modeles

server-trainer/genere_images_panneaux.py

@@ -0,0 +1,85 @@
+import tensorflow as tf
+from tensorflow.keras import layers, models
+import numpy as np
+from sklearn.utils import shuffle
+import os
+import cv2
+import dataset
+###GENERE DES IMAGES AVEC PANNEAUX DEPUIS UN MEDIA###
+# Tuto25[OpenCV] Lecture des panneaux de vitesse p.1 (houghcircles) 28min
+# Taille des images
+size = 42
+# Chemin vers le répertoire contenant les images de panneaux
+dir_images_panneaux = "server-trainer/images/road_sign_speed_trainers/panneaux"
+dir_images_genere_panneaux = "server-trainer/images/road_sign_speed_trainers/genere_panneaux"
+
+# Fonction pour lire les images de panneaux à partir du répertoire spécifié
+def lire_images_panneaux(dir_images_panneaux, size=None):
+    tab_panneau = []
+    tab_image_panneau = []
+
+    # Vérifie si le répertoire existe
+    if not os.path.exists(dir_images_panneaux):
+        quit("Le repertoire d'image n'existe pas: {}".format(dir_images_panneaux))
+
+    # Liste tous les fichiers dans le répertoire
+    files = os.listdir(dir_images_panneaux)
+    
+    # Quitte si le répertoire est vide
+    if files is None:
+        quit("Le repertoire d'image est vide: {}".format(dir_images_panneaux))
+
+    # Parcours des fichiers dans le répertoire
+    for file in sorted(files):
+        # Vérifie si le fichier est un fichier PNG
+        if file.endswith("png"):
+            # Ajoute le nom du fichier (sans l'extension) à tab_panneau
+            tab_panneau.append(file.split(".")[0])
+            
+            # Lit l'image et redimensionne si une taille est spécifiée
+            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
+
+# Appel de la fonction pour lire les images de panneaux
+tab_panneau, tab_image_panneau = lire_images_panneaux(dir_images_panneaux, size)
+
+# Initialisation des tableaux pour les images et les labels
+tab_images = np.array([]).reshape(0, size, size, 3)
+tab_labels = []
+
+# Génération des données d'entraînement
+id = 0
+for image in tab_image_panneau:
+    lot = []
+    for _ in range(100):
+        lot.append(dataset.modif_img(image))
+    lot = np.array(lot)
+    tab_images = np.concatenate([tab_images, lot])
+    tab_labels = np.concatenate([tab_labels, np.full(len(lot), id)])
+    id += 1
+
+# Conversion des tableaux en type approprié et normalisation des images
+tab_panneau = np.array(tab_panneau)
+tab_images = np.array(tab_images, dtype=np.float32) / 255
+tab_labels = np.array(tab_labels).reshape([-1, 1])
+
+# Mélange des données
+tab_images, tab_labels = shuffle(tab_images, tab_labels)
+
+# Boucle pour sauvegarder les images générées dans le répertoire de sortie
+for i in range(len(tab_images)):
+    # Générer un nom de fichier unique en fonction de l'ID et du nom du panneau
+    file_name = "{:d}_{}.png".format(i, tab_panneau[int(tab_labels[i])])
+    # Enregistrer l'image dans le répertoire de sortie
+    cv2.imwrite(os.path.join(dir_images_genere_panneaux, file_name), tab_images[i] * 255.0)  # Retour à l'échelle 0-255
+
+# Affichage des images avec leur label
+for i in range(len(tab_images)):
+    cv2.imshow("panneau", tab_images[i])
+    print("label", tab_labels[i], "panneau", tab_panneau[int(tab_labels[i])])
+    if cv2.waitKey() & 0xFF == ord('q'):
+        quit()