Skip to content

Commit

Permalink
Projeto 05 inserido
Browse files Browse the repository at this point in the history
  • Loading branch information
@carlosfab
carlosfab committed Nov 6, 2023
1 parent 4c9cdbf commit f23e1f5
Show file tree
Hide file tree
Showing 9 changed files with 228 additions and 184 deletions.
Binary file added data/c_cinza.png
View file
Loading
Sorry, something went wrong. Reload?
Sorry, we cannot display this file.
Sorry, this file is invalid so it cannot be displayed.
Binary file added data/c_cinza_roi.png
View file
Loading
Sorry, something went wrong. Reload?
Sorry, we cannot display this file.
Sorry, this file is invalid so it cannot be displayed.
Binary file added data/carlos.jpg
View file
Loading
Sorry, something went wrong. Reload?
Sorry, we cannot display this file.
Sorry, this file is invalid so it cannot be displayed.
188 changes: 22 additions & 166 deletions ...ooks/04_deteccao_facial_e_landmarks.ipynb → ...s/04_01_deteccao_facial_e_landmarks.ipynb
View file
Original file line number Diff line number Diff line change
Expand Up @@ -80,7 +80,21 @@
},
{
"cell_type": "code",
"execution_count": 2,
"execution_count": 21,
"metadata": {},
"outputs": [],
"source": [
"# Importando as bibliotecas necessárias\n",
"import cv2 \n",
"import numpy as np \n",
"import sigmoidal as sig\n",
"\n",
"%matplotlib inline"
]
},
{
"cell_type": "code",
"execution_count": 22,
"metadata": {},
"outputs": [
{
Expand All @@ -95,15 +109,8 @@
}
],
"source": [
"# Importando as bibliotecas necessárias\n",
"import cv2 \n",
"import numpy as np \n",
"import sigmoidal as sig\n",
"\n",
"%matplotlib inline\n",
"\n",
"# Carregando a imagem\n",
"img = cv2.imread('data/carlos.jpg')\n",
"img = cv2.imread('../data/carlos.jpg')\n",
"\n",
"# Exibindo a imagem usando a função plot_image da biblioteca sigmoidal\n",
"sig.plot_image(img)"
Expand Down Expand Up @@ -138,12 +145,12 @@
},
{
"cell_type": "code",
"execution_count": 3,
"execution_count": 23,
"metadata": {},
"outputs": [],
"source": [
"# Carrega o modelo\n",
"model = cv2.dnn.readNetFromCaffe('data/models/deploy.prototxt', 'data/models/res10_300x300_ssd_iter_140000.caffemodel')"
"model = cv2.dnn.readNetFromCaffe('../data/models/deploy.prototxt', '../data/models/res10_300x300_ssd_iter_140000.caffemodel')"
]
},
{
Expand Down Expand Up @@ -185,7 +192,7 @@
},
{
"cell_type": "code",
"execution_count": 7,
"execution_count": 24,
"metadata": {},
"outputs": [],
"source": [
Expand Down Expand Up @@ -229,7 +236,7 @@
},
{
"cell_type": "code",
"execution_count": 8,
"execution_count": 25,
"metadata": {},
"outputs": [],
"source": [
Expand Down Expand Up @@ -264,7 +271,7 @@
},
{
"cell_type": "code",
"execution_count": 9,
"execution_count": 26,
"metadata": {},
"outputs": [],
"source": [
Expand All @@ -283,7 +290,7 @@
},
{
"cell_type": "code",
"execution_count": 10,
"execution_count": 27,
"metadata": {},
"outputs": [
{
Expand Down Expand Up @@ -329,91 +336,6 @@
"sig.plot_image(img_copy)"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
},
{
"cell_type": "code",
"execution_count": 3,
"metadata": {},
"outputs": [],
"source": [
"def process_detections(\n",
" detections: np.ndarray,\n",
" frame: np.ndarray,\n",
" confidence_threshold: float = 0.5\n",
") -> np.ndarray:\n",
" \"\"\"\n",
" Processa as detecções retornadas pelo modelo de detecção de rostos, desenhando os retângulos\n",
" delimitadores e adicionando as informações de confiança.\n",
"\n",
" Parâmetros:\n",
" detections (np.ndarray): Matriz contendo as detecções, onde cada detecção é representada por uma linha \n",
" contendo informações como as coordenadas do retângulo delimitador e a \n",
" confiança da detecção.\n",
" frame (np.ndarray): Imagem de entrada onde os rostos foram detectados.\n",
" confidence_threshold (float): Limiar de confiança para considerar uma detecção válida.\n",
"\n",
" Retorno:\n",
" np.ndarray: Matriz contendo as detecções processadas, onde cada detecção é representada por uma linha \n",
" contendo informações como as coordenadas do retângulo delimitador e a \n",
" confiança da detecção.\n",
"\n",
" Exemplo:\n",
" detections = process_detections(detections, frame)\n",
" \"\"\"\n",
" # Obtém as dimensões da imagem\n",
" (h, w) = frame.shape[:2]\n",
"\n",
" # Itera sobre as detecções\n",
" for i in range(detections.shape[2]):\n",
" # Obtém a confiança da detecção\n",
" confidence = detections[0, 0, i, 2]\n",
"\n",
" # Verifica se a confiança é maior que o limiar\n",
" if confidence > confidence_threshold:\n",
" # Obtém as coordenadas do retângulo delimitador\n",
" box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])\n",
"\n",
" # Converte as coordenadas para inteiros\n",
" (startX, startY, endX, endY) = box.astype(\"int\")\n",
"\n",
" # Desenha o retângulo delimitador\n",
" cv2.rectangle(frame, (startX, startY), (endX, endY), (0, 255, 0), 2)\n",
"\n",
" # Adiciona a confiança da detecção\n",
" text = \"{:.2f}%\".format(confidence * 100)\n",
" cv2.putText(frame, text, (startX, startY - 10),\n",
" cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 255, 0), 2)\n",
"\n",
" return frame\n"
]
},
{
"cell_type": "code",
"execution_count": 7,
Expand Down Expand Up @@ -447,72 +369,6 @@
"cell_type": "markdown",
"metadata": {},
"source": []
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [],
"source": [
"def load_model(\n",
" model_path: str,\n",
" config_path: str\n",
") -> cv2.dnn_Net:\n",
" \"\"\"\n",
" Carrega um modelo de rede neural pré-treinado.\n",
"\n",
" Parâmetros:\n",
" model_path (str): Caminho para o arquivo contendo o modelo pré-treinado.\n",
"\n",
" Retorno:\n",
" cv2.dnn_Net: Modelo pré-treinado de detecção de rostos no formato Caffe.\n",
"\n",
" Exemplo:\n",
" model = load_model(model_path)\n",
" \"\"\"\n",
" # Carrega o modelo\n",
" model = cv2.dnn.readNetFromCaffe(config_path, model_path)\n",
"\n",
" return model"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": [
"def detect_faces(\n",
" model: cv2.dnn_Net,\n",
" frame: np.ndarray\n",
") -> np.ndarray:\n",
" \"\"\"\n",
" Detecta rostos em uma imagem utilizando um modelo de rede neural pré-treinado.\n",
"\n",
" Parâmetros:\n",
" model (cv2.dnn_Net): Modelo pré-treinado de detecção de rostos no formato Caffe.\n",
" frame (np.ndarray): Imagem de entrada onde os rostos serão detectados.\n",
"\n",
" Retorno:\n",
" np.ndarray: Matriz contendo as detecções, onde cada detecção é representada por uma linha \n",
" contendo informações como as coordenadas do retângulo delimitador e a \n",
" confiança da detecção.\n",
"\n",
" Exemplo:\n",
" detections = detect_faces(model, frame)\n",
" \"\"\"\n",
" # Cria um blob a partir da imagem\n",
" blob = cv2.dnn.blobFromImage(cv2.resize(\n",
" frame, (300, 300)), 1.0, (300, 300), (104.0, 177.0, 123.0))\n",
"\n",
" # Define o blob como entrada para o modelo\n",
" model.setInput(blob)\n",
"\n",
" # Executa uma passagem para frente (forward pass) através do modelo\n",
" detections = model.forward()\n",
"\n",
" return detections"
]
}
],
"metadata": {
Expand Down
Loading

0 comments on commit f23e1f5

Please sign in to comment.