Este projeto faz parte do Programa K da UFG - Universidade Federal de Goiás e tem como objetivo desenvolver um modelo de Inteligência Artificial/Visão Computacional para reconhecimento de veículos no trânsito. O projeto visa, criar um sistema capaz de identificar as condições de tráfego e fornecer orientações aos motoristas por meio de texto em painéis eletrônicos, com o intuito de otimizar o fluxo do tráfego e melhorar a segurança viária, buscando um auxílio diário ao condutor, sem a necessidade de um agente de transito para situações adversas.
Atualmente, o foco está na escolha e implementação de modelos de detecção de objetos que sejam adequados ao contexto do problema geral. Dado que a detecção de veículos é apenas uma parte do sistema, é crucial selecionar modelos que possam ser integrados de forma eficiente com outras formas de detecção, como faixas de trânsito.
O projeto foi estruturado em três frentes principais: Pesquisa, Implementação e Documentação.
- Detecção de Objetos Avançada: Utiliza o YOLO, modelo para detecção de objetos em imagens sem necessidade de criar uma rede neural convolucional (CNN), o que o torna mais rápido do que as soluções que dependem de uma CNN.
- Compatibilidade com Múltiplas Fontes: Capaz de processar entradas de imagens estáticas, arquivos de vídeo e transmissões em tempo real de webcams.
- Alta Precisão e Velocidade: Garante detecções de veículos rápidas e precisas, cruciais para aplicações em tempo real.
- Integração Fácil: Projetado para ser facilmente integrado em sistemas maiores ou aplicações que requerem capacidades de detecção de veículos.
A equipe de pesquisa é responsável por avaliar e selecionar os modelos de detecção de veículos mais adequados ao contexto do problema. Isso envolve a análise de diversos modelos disponíveis, como YOLO, Faster R-CNN, entre outros, considerando critérios como precisão, velocidade de processamento e capacidade de integração com outros sistemas de detecção. Chegamos à conclusão que o YOLO seria o modelo que nos serviria melhor, devido a sua capacidade de rodar em tempo real mesmo que em hardwares relativamente mais simples.
A equipe de implementação trabalha na integração dos modelos selecionados com o código existente, bem como na adaptação e otimização dos algoritmos para atender às necessidades específicas do projeto. Para isso, utilizamos uma variedade de tecnologias e abordagens, incluindo:
Este projeto é implementado usando Python com as seguintes bibliotecas:
- Python: A linguagem de programação principal do projeto, conhecida por sua simplicidade e flexibilidade.
- PyTorch: Um framework de aprendizado de máquina de código aberto que fornece ferramentas e bibliotecas essenciais para desenvolver modelos de visão computacional.
- Ultralytics YOLO: Uma implementação eficiente e de alto desempenho do algoritmo YOLO (You Only Look Once) para detecção de objetos em tempo real.
- OpenCV: Para processamento de imagens e tarefas gerais de visão computacional.
- Pillow (PIL): Para abrir, manipular e salvar diversos formatos de arquivos de imagem.
- NumPy: Para operações de alto desempenho com arrays multidimensionais e funções matemáticas.
- Transfer Learning: Aproveitamos modelos de detecção de objetos pré-treinados, como YOLOv9, treinados em grandes conjuntos de dados, e ajustamos esses modelos para atender às especificações do nosso problema específico.
- Processamento de Imagem e Vídeo: Utilizamos técnicas avançadas de processamento de imagem e vídeo, como segmentação de objetos, análise de movimento e rastreamento de objetos, para identificar e acompanhar os veículos no trânsito.
A equipe de documentação é responsável por registrar todo o processo de desenvolvimento, desde a pesquisa inicial até a implementação final. Isso inclui a criação de documentos técnicos, tutoriais e manuais de usuário, bem como a organização e manutenção do repositório no GitHub.
- Python 3.x
- Bibliotecas Python listadas no arquivo requirements.txt
- Modelos de detecção de objetos treinados, como yolov8n.pt
- Clone este repositório para o seu ambiente local.
- Instale as dependências do projeto executando o comando pip install -r requirements.txt.
- Baixe os modelos de detecção de objetos necessários, como yolov8n.pt, e coloque-os na pasta apropriada do projeto.
Para executar a detecção de carros, siga estas etapas:
- Execute o notebook detecção-de-automoveis.ipynb usando Jupyter ou outro ambiente compatível.
- Siga as instruções dentro do notebook para carregar o vídeo desejado e iniciar a detecção de carros.
- Se necessário, ajuste os parâmetros de detecção ou rastreamento no código do notebook.
Para ver exemplos de como usar este projeto, consulte o notebook detecção-de-automoveis.ipynb.