Mini librería para registrar detecciones de objetos y proveer una interfaz para obtener información de las detecciones.
El proyecto requiere python 3 y la instalación de las dependencias de especificadas en el archivo requirements.txt
pip install -r requirements.txt
Para correr la aplicación de demostración se debe correr el siguiente comando.
streamlit run main.py
El archivo object_detector.py contiene una clase ObjectDetector que procesa los frames de video con una red neuronal (Darknet Neural Network) a través de los métodos stream_videofile y stream_webcam. El valor de retorno de estos es una colección de registros.
El archivo video_analysis.py contiene una clase VideoAnalysis que procesa un pandas DataFrame con los registros obtenidos de ObjectDetector.
Obtiene las clases encontradas en el video en el rango [start_time, end_time] del video.
| Nombre | Tipo | Descripción |
|---|---|---|
as_seconds |
booleano | indica si los rangos deben considerarse como segundos. Por defecto se usan milisegundos. |
star_time |
entero | El limite inferior de tiempo para buscar. |
end_time |
entero | El limite superior de tiempo para buscar. -1 indica que se buscará hasta el final del video. |
Obtiene una lista de rangos de tiempo en los que aparecen target_classes.
| Nombre | Tipo | Descripción |
|---|---|---|
target_classes |
string[] | Lista de clases de objetos a buscar en el video |
time_tolerance |
entero | Es la tolerancia en ms para que dos detecciones se consideren dentro de un mismo rango de tiempo. |
Obtiene una lista de rangos de tiempo en los que aparecen las clases en class_counts con su respectiva cantidad de repeticiones.
| Nombre | Tipo | Descripción |
|---|---|---|
class_counts |
dict | Diccionario con repeticiones de clases. Mapea nombres de clases a el número de instancias que se deben buscar de esa clase |
time_tolerance |
entero | Es la tolerancia en ms para que dos detecciones se consideren dentro de un mismo rango de tiempo. |