Sistemi Anti-Drone

Sistemi ynë detekton dronët përmes imazheve, videove ose burimeve të tjera në kohë reale.

Kërkesat

Kërkesat e mjedisit referohen në file-n requirements.txt
Peshat e paratrajnuara të YOLO3 mund të shkarkohen nga nga file yolo3.weights
Testimi i objektit mund të bëhet edhe përmes fotografisë së një qeni.
```
  $ python yolov3_detect_all.py -w yolo3.weights -i dog.jpg
```
Peshat e paratrajnuara duhet të vendosen në folderin rrënjë (root folder) në repository

Dataset

Trajnimi i Yolov3 kërkon fotografitë me .xml fajlla në formatin PASCAL_VOC.
Folderi Dataset mund të shkarkohet në: https://drive.google.com/drive/folders/1blTGWhekfaA7lG-XWxa6LnCwqK52L1Qk.
Përndryshe, nëse doni të krijoni datasetin tuaj, ndiqni këto hapa:
1. Mbledh fotografi nga Kaggle Dataset apo Google Images
2. Shkarkoni LabelImg (një mjet për shënimin e imazheve grafike) nga GitHub
3. Vendosni të gjitha fotografitë e folderit "dataset" në folderin "images", dhe xml fajlat në folderin "annots"

Trajnimi

1. Modifikimi i fajlit config.json

Specifikoni path-in e folderave 'images' dhe 'annots' në fushat "train_image_folder" dhe "train_annot_folder"

Fusha "labels" i liston etiketat (labels) mbi të cilat do të trajnohet modeli. Vetëm imazhet, të cilat e kanë etiketën 'uav', merren parasysh gjatë trajnimit.

 {
 "model" : {
     "min_input_size":       288,
     "max_input_size":       448,
     "anchors":              [55,69, 75,234, 133,240, 136,129, 142,363, 203,290, 228,184, 285,359, 341,260],
     "labels":               ["drone"]
 },

 "train": {
     "train_image_folder":   "F:/Drone/Drone_mira_dataset/images/", 
     "train_annot_folder":   "F:/Drone/Drone_mira_dataset/annots/",
     "cache_name":           "drone_train.pkl",

     "train_times":          8,     # numri i cikleve për nje set të trajnimit
     "pretrained_weights":   "",    # specifikon path-in e peshave të paratrajnuara, por është rregull të fillohet nga e para     
     "batch_size":           16,     # numri i fotografive që lexohen në secilin grup
     "learning_rate":        1e-4,  # shkalla bazë e të mesuarit (default Adam rate scheduler)
     "nb_epochs":            100,    # numri i epoches
     "warmup_epochs":        3,       
     "ignore_thresh":        0.5,
     "gpus":                 "0,1",

     "grid_scales":          [1,1,1],
     "obj_scale":            5,
     "noobj_scale":          1,
     "xywh_scale":           1,
     "class_scale":          1,

     "tensorboard_dir":      "logs",
     "saved_weights_name":   "drone.h5", # emri i fajlit në të cilin ruhet modeli i trajnuar
     "debug":                true    
 },

 "valid": {
     "valid_image_folder":   "C:/drone/valid_image_folder/",
     "valid_annot_folder":   "C:/drone/valid_annot_folder/",
     "cache_name":           "drone_valid.pkl",

     "valid_times":          1
   }
 }

2. Gjeneroni anchors për datasetin

$ python gen_anchors.py -c config.json

Kopjoni anchors të gjeneruara në terminal dhe vendosni në fajlin config.json

3. Filloni procesin e trajnimit

$ python train.py -c config.json

Deri në fund të këtij procesi, kodi do të shkruajë peshat e modelit më të mirë në fajllin uav_wh.h5 (apo ndonjë emër tjetër që specifikohet në fushën "save_weights_name" në config.json). Procesi i trajnimit ndalet kur humbja në grupin e vlerësimit nuk përmirësohet në 3 epoka radhazi.

4. Performoni detektim duke përdorur peshat e trajnuara në fotografi, grup të fotografive apo video kamerave

$ python predict.py -c config.json -i /path/to/image/or/video/or/cam

Për një fotografi përdorni:

$ python predict.py -c config.json -i test.jpg

Për një video përdorni:

$ python predict.py -c config.json -i test.mp4

Për një detektim në kohë reale përdorni:

$ python predict.py -c config.json -i webcam

Evaluimi

Llogaritni mAP performancën e modelit të definuar në 'saved_weights_name' në datasetin për validim që përcaktohet në fushat "valid_image_folder" dhe "valid_annot_folder" -

$ python evaluate.py -c config.json

Vjollcaa/Anti-Drone-System