Detecção e monitoramento de objetos em tempo real com YOLOv8 e Streamlit

Este repositório é um fork de "yolov8-streamlit-detection-tracking", disponível em [https://github.com/CodingMantras/yolov8-streamlit-detection-tracking], detalhado em uma série de 3 episódios escrita por RS Punia, que se inicia com [https://medium.com/@mycodingmantras/building-a-real-time-object-detection-and-tracking-app-with-yolov8-and-streamlit-part-1-30c56f5eb956]. O projeto busca integrar a detecção e monitoramento de objetos, com uso de YOLOv8 - considerado o estado da arte em termos de algoritmo para visão computacional - e Streamlit, framework escrito em python para desenvolver aplicativos web interativos.

Demo WebApp

Este aplicativo está armazenado e roda em servidor virtual, hospedado na nuvem. Avalie o demo no link a seguir:

yolov8-streamlit-detection-tracking-webapp

Tracking With Object Detection Demo

Tracking-With_object-Detection-MOV.mov

Demo Pics

Home page

Page after uploading an image and object detection

Segmentation task on image

Requisitos

Python 3.6+ YOLOv8 Streamlit

pip install ultralytics streamlit pytube

Installação

• Clone o repositório: git clone https://github.com/CodingMantras/yolov8-streamlit-detection-tracking.git
• Mude o diretório: cd yolov8-streamlit-detection-tracking
• Crie os diretórios: weights, videos, and images.
• Faça Download dos pesos pré-trainados YOLOv8 em (https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt) e salve-os no diretório weights recém criado.

Instruções de use

• Execute o aplicativo com o seguinte comando: streamlit run app.py
• O aplicativo deve abrir em uma nova janela do navegador.

ML Model Config

• Select task (Detection, Segmentation)
• Select model confidence
• Use the slider to adjust the confidence threshold (25-100) for the model.

One the model config is done, select a source.

Detection on images

• The default image with its objects-detected image is displayed on the main page.
• Select a source. (radio button selection Image).
• Upload an image by clicking on the "Browse files" button.
• Click the "Detect Objects" button to run the object detection algorithm on the uploaded image with the selected confidence threshold.
• The resulting image with objects detected will be displayed on the page. Click the "Download Image" button to download the image.("If save image to download" is selected)

Detection in Videos

• Create a folder with name videos in the same directory
• Dump your videos in this folder
• In settings.py edit the following lines.

# video
VIDEO_DIR = ROOT / 'videos' # After creating the videos folder

# Suppose you have four videos inside videos folder
# Edit the name of video_1, 2, 3, 4 (with the names of your video files) 
VIDEO_1_PATH = VIDEO_DIR / 'video_1.mp4' 
VIDEO_2_PATH = VIDEO_DIR / 'video_2.mp4'
VIDEO_3_PATH = VIDEO_DIR / 'video_3.mp4'
VIDEO_4_PATH = VIDEO_DIR / 'video_4.mp4'

# Edit the same names here also.
VIDEOS_DICT = {
    'video_1': VIDEO_1_PATH,
    'video_2': VIDEO_2_PATH,
    'video_3': VIDEO_3_PATH,
    'video_4': VIDEO_4_PATH,
}

# Your videos will start appearing inside streamlit webapp 'Choose a video'.

• Click on Detect Video Objects button and the selected task (detection/segmentation) will start on the selected video.

Detection on RTSP

• Select the RTSP stream button
• Enter the rtsp url inside the textbox and hit Detect Objects button

Detection on YouTube Video URL

• Select the source as YouTube
• Copy paste the url inside the text box.
• The detection/segmentation task will start on the YouTube video url

movobjdetyoutubeurl.mov

Reconhecimento

O aplicativo foi desenvolvido com o uso do algoritmo de detecção de objetos YOLOv8(https://github.com/ultralytics/ultralytics), bem como com o uso da biblioteca Streamlit(https://github.com/streamlit/streamlit) para interface com o usuário.

Disclaimer

Deve ser utilizado apenas para propósitos educacionais.