milDetection

Программный модуль оперативного обнаружения военных объектов по данным с беспилотных летательных аппаратов

Описание

В настоящее время прослеживается тенденция постепенного отхода от ручного управления беспилотными летательными аппаратами (далее - БЛА). Полет может проходить в автоматическом режиме, путем предварительного задания координат точек изменения направления движения. Однако, всё это не исключает необходимости постоянного наблюдения оператора за передаваемым в режиме реального времени видеопотоком. Отсюда и существующее ограничение в возможном количестве единовременно используемых БЛА количеством операторов в расчете.

Применение же разработанного программного модуля оперативного обнаружения объектов по данным с БЛА позволяет одному оператору запустить сразу несколько БЛА, управляемых в автоматическом режиме по заранее заданному маршруту, и ожидать поступления сигнала об обнаружении противника.

Подготовка

Настройка каталога Tensorflow и виртуальной среды Anaconda

1. Загрузка репозитория Tensorflow Object Detection API с github

Создайте папку на диске D: и назовите ее "pythonOCR". Этот рабочий каталог будет содержать все файлы TensorFlow Object Detection, а также обучающие данные, обученную модель нейросети, файлы конфигурации и все остальное, что необходимо для обнаружения интересующих нас объектов.

Загрузите полный репозиторий TensorFlow Object Detection API, расположенный по адресу https://github.com/tensorflow/models в папку D:\pythonOCR.

2. Загрузите Faster_RCNN_Resnet101_Kitti из TensorFlow's model zoo

Faster_RCNN_Resnet101_Kitti Распакуйте из архива папку faster_rcnn_resnet101_kitti_2018_01_28 в директорию D:\pythonOCR\models\research\object_detection.

3. Загрузите полный репозиторий, расположенный на этой странице.

Прокрутите вверх и нажмите клонировать или загрузить и извлеките все содержимое непосредственно в D:\pythonOCR\models\research\object_detection.

4. Загрузите архив с уже обученной нейросетью.

Если вы не собираетесь самостоятельно производить обучение нейросети загрузите этот архив. Распакуйте его содержимое в каталог D:\pythonOCR\models\research\object_detection

5. Настройка виртуальной среды Anaconda

D:\> conda create -n pythonOCR pip python=3.5

D:\> activate pythonOCR

(pythonOCR) D:\> conda install tensorflow-gpu

(pythonOCR) D:\> pip install tensorflow-gpu

(pythonOCR) D:\> conda install -c anaconda protobuf
(pythonOCR) D:\> pip install pillow
(pythonOCR) D:\> pip install lxml
(pythonOCR) D:\> pip install Cython
(pythonOCR) D:\> pip install jupyter
(pythonOCR) D:\> pip install matplotlib
(pythonOCR) D:\> pip install pandas
(pythonOCR) D:\> pip install opencv-python
(pythonOCR) D:\> pip install pyqt5

6. Настройка переменных PYTHONPATH

(pythonOCR) D:\> set PYTHONPATH=D:\pythonOCR\models;D:\pythonOCR\models\research;D:\pythonOCR\models\research\slim

7. Компиляция файлов Protobuf

В командной строке Anaconda перейдите в каталог \models\research, скопируйте и вставьте в командную строку следующую команду и нажмите клавишу Ввод:

protoc --python_out=. .\object_detection\protos\anchor_generator.proto .\object_detection\protos\argmax_matcher.proto .\object_detection\protos\bipartite_matcher.proto .\object_detection\protos\box_coder.proto .\object_detection\protos\box_predictor.proto .\object_detection\protos\eval.proto .\object_detection\protos\faster_rcnn.proto .\object_detection\protos\faster_rcnn_box_coder.proto .\object_detection\protos\grid_anchor_generator.proto .\object_detection\protos\hyperparams.proto .\object_detection\protos\image_resizer.proto .\object_detection\protos\input_reader.proto .\object_detection\protos\losses.proto .\object_detection\protos\matcher.proto .\object_detection\protos\mean_stddev_box_coder.proto .\object_detection\protos\model.proto .\object_detection\protos\optimizer.proto .\object_detection\protos\pipeline.proto .\object_detection\protos\post_processing.proto .\object_detection\protos\preprocessor.proto .\object_detection\protos\region_similarity_calculator.proto .\object_detection\protos\square_box_coder.proto .\object_detection\protos\ssd.proto .\object_detection\protos\ssd_anchor_generator.proto .\object_detection\protos\string_int_label_map.proto .\object_detection\protos\train.proto .\object_detection\protos\keypoint_box_coder.proto .\object_detection\protos\multiscale_anchor_generator.proto .\object_detection\protos\graph_rewriter.proto

Наконец, выполните следующие команды из каталога D:\pythonOCR\models\research:

(pythonOCR) D:\pythonOCR\models\research> python setup.py build
(pythonOCR) D:\pythonOCR\models\research> python setup.py install

Запуск

Вы можете использовать GUI, запустив файл window.py. В каталоге \object_detection введите следующую команду:

(pythonOCR) D:\pythonOCR\models\research\object_detection> python window.py

Оценивание результативности

Изображение 1 Изображение 2 Изображение 3 Изображение 4 Изображение 5 Оценивание результативности программного модуля по метрикам Recall и Precision

guleroman/milDetection