Skip to content

Latest commit

 

History

History
99 lines (59 loc) · 4.52 KB

README.md

File metadata and controls

99 lines (59 loc) · 4.52 KB
Raw

Search & Rescue - TFG

Descripción

Este repositorio contiene el código desarrollado para el Trabajo Fin de Grado:

"Sistema de visión artificial para detección de personas en entornos naturales a partir de imágenes tomadas desde un dron"

Está organizado en tres subproyectos: preparación de imágenes, entrenamiento de redes neuronales convolucionales (CNNs) y una aplicación web (WebApp). Se incluyen además scripts en utils que se usan desde varios subproyectos. Cada subproyecto está cuidadosamente estructurado para facilitar su comprensión y reproducibilidad.

Tecnologías Utilizadas

Python TensorFlow Keras Streamlit YAML GitHub Codacy Badge

Estructura de Directorios

La estructura general del proyecto es la siguiente:

Directorio Raíz

En el directorio raíz se encuentran las siguientes carpetas y archivos:

  • __init__.py: Añade el directorio utils al path para permitir la importación de módulos.
  • pytest.ini: Configura el framework de pruebas pytest, para la ejecución automática de pruebas.
  • .gitignore: Especifica los archivos que Git debe ignorar.

Subproyecto de Preparación de Imágenes

Este subproyecto se divide en:

  • config: Contiene un archivo de configuración .yaml con parámetros del recorte, rutas y extensiones.
  • informes: Almacena los análisis estadísticos del dataset antes y después del procesado.
  • src: Scripts de recorte, reetiquetado y creación de CSVs para la validación cruzada. Incluye un archivo settings para configurar y añadir rutas al sys.path.

Subproyecto de Entrenamiento de CNNs

Este subproyecto se organiza en:

  • codigo: Script de entrenamiento de CNNs y archivo de configuración .yaml.
  • imagenes: Subimágenes recortadas y CSVs para la validación cruzada.

Tras ejecutar el script de entrenamiento, se crea automáticamente una carpeta adicional:

  • resultados: Almacena los resultados de los entrenamientos, métricas en cada época, métricas por umbrales, modelo entrenado .h5 y parametrización elegida en .yaml.

Durante la ejecución, se crean y borran automáticamente dos carpetas:

  • datos_entreno: Separa las imágenes en entrenamiento, validación y prueba.
  • tmp: Guarda archivos temporales durante el entrenamiento.

Subproyecto de WebApp

La WebApp se divide en:

  • coleccionesImagenes: Contiene colecciones de imágenes de ejemplo.
  • config: Contiene un archivo de configuración .yaml con parámetros de solapamiento, márgenes y extensiones.
  • src: Scripts principales de la lógica de la WebApp, un archivo requirements.txt para desplegar la aplicación y una carpeta .streamlit con un archivo .toml para personalizar la apariencia de la web.
  • static: Almacena archivos estáticos, como el logo de la app.

Carpeta de Utilidades

La carpeta utils contiene scripts .py de utilidad para los subproyectos de preparación y WebApp.

Entorno de Desarrollo

Se recomienda tener instaladas las siguientes herramientas para reproducir completamente el proyecto:

  • Anaconda
  • Visual Studio Code
  • Pulse Secure
  • WinSCP
  • Putty

Licencia

Este proyecto está licenciado bajo la Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0).

Autores

  • Félix de Miguel Villalba - Desarrollador Principal
  • Daniel Urda Muñoz - Tutor

Dataset

El dataset utilizado para el desarrollo del proyecto es HERIDAL y se puede descargar desde la web de los creadores.