Contenido del curso

Comprender la visión computarizada

Dimensionamiento de proyecto de visión computarizada

Obtención y procesamiento de los datos

Entrena, testea y optimiza tus modelos

Producto con visión computarizada en producción

Siguientes pasos en inteligencia artificial

Tomar examen

Seguimiento de centroides con OpenCV

Comentarios

Henry Mendiburu Díaz

student•

Creo que en un proyecto real el dataset tendría que ser extraído de un video donde se este utilizando la misma cámara, ángulo, posición e iluminación que se utilizarán en el entorno de producción.

Carlos Isael Ramírez González

student•

Si quieren probar el modelo en su computador les paso el codigo:

import cv2
import tensorflow as tf
from object_detection.utils import visualization_utils as viz_utils


# Carga del modelo
model_path = 'C:/Users/Lenovo/Documents/Proyectos_Jupyter_Notebooks/Functions/Dataset/Perros_Gatos_personas/fine_tuned_model/saved_model'
model = tf.saved_model.load(model_path)
detect_fn = model.signatures['serving_default']

# Category_index
category_index = {1:{'name': 'Perro',
           'id': 1},
          2:{'name': 'Gato',
           'id': 2},
         3: {'name': 'Persona',
           'id': 3}}


# Configuración de la cámara web
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
        
    # Convertir la imagen a un tensor y ejecutar la detección de objetos
    input_tensor = tf.convert_to_tensor(frame)
    input_tensor = input_tensor[tf.newaxis, ...]
    detections = detect_fn(input_tensor)
    
    # Extraer los resultados de la detección
    num_detections = int(detections.pop('num_detections'))
    detections = {key: value[0,:num_detections].numpy()
                  for key, value in detections.items()}
    detections['num_detections'] = num_detections
    detections['detection_classes'] = detections['detection_classes'].astype(int)
    
    # Visualización de los resultados
    viz_utils.visualize_boxes_and_labels_on_image_array(
        frame,
        detections['detection_boxes'],
        detections['detection_classes'],
        detections['detection_scores'],
        category_index,
        use_normalized_coordinates=True,
        max_boxes_to_draw=10,
        min_score_thresh=.5,
        agnostic_mode=False)
    
    try:
        cv2.imshow('object detection', cv2.resize(frame, (640, 480)))
    except cv2.error:
        break
    
    if cv2.waitKey(1) == ord('q'):
        break
        
cap.release()
cv2.destroyAllWindows()

Mario Alexander Vargas Celis

student•

El seguimiento de centroides en OpenCV generalmente se realiza utilizando algoritmos de procesamiento de imágenes para detectar objetos o regiones de interés en cada fotograma y luego calcular su centroide (un punto representativo del centro del objeto). A continuación, te doy un ejemplo básico de cómo realizar un seguimiento de centroides en un video utilizando OpenCV:

### 1. **Instalar OpenCV**

Si aún no has instalado OpenCV, puedes hacerlo con el siguiente comando:


pip install opencv-python

### 2. **Código para Seguimiento de Centroides:**

Este ejemplo detecta objetos en un video utilizando un umbral para detectar cambios en las áreas de la imagen y luego calcula y sigue el centroide de esos objetos a lo largo de los fotogramas.


import cv2

import numpy as np



\# Abre el video

cap = cv2.VideoCapture('video.mp4')



while True:

&#x20;   \# Lee el siguiente fotograma

&#x20;   ret, frame = cap.read()

&#x20;   if not ret:

&#x20;       break

&#x20;  &#x20;

&#x20;   \# Convierte el fotograma a escala de grises

&#x20;   gray = cv2.cvtColor(frame, cv2.COLOR\_BGR2GRAY)

&#x20;  &#x20;

&#x20;   \# Aplica un umbral para detectar las áreas de interés

&#x20;   \_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH\_BINARY)

&#x20;  &#x20;

&#x20;   \# Encuentra los contornos de las áreas detectadas

&#x20;   contours, \_ = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)

&#x20;  &#x20;

&#x20;   \# Dibuja los contornos y calcula los centroides

&#x20;   for contour in contours:

&#x20;       if cv2.contourArea(contour) > 500:  # Filtra contornos pequeños

&#x20;           \# Calcula el momento (centroide) del contorno

&#x20;           M = cv2.moments(contour)

&#x20;           if M\["m00"] != 0:  # Evita la división por cero

&#x20;               cX = int(M\["m10"] / M\["m00"])

&#x20;               cY = int(M\["m01"] / M\["m00"])

&#x20;              &#x20;

&#x20;               \# Dibuja el centroide en el fotograma

&#x20;               cv2.circle(frame, (cX, cY), 7, (0, 255, 0), -1)

&#x20;               cv2.putText(frame, f"({cX}, {cY})", (cX + 10, cY), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (0, 255, 0), 2)

&#x20;  &#x20;

&#x20;   \# Muestra el fotograma con los centroides

&#x20;   cv2.imshow("Centroides", frame)

&#x20;  &#x20;

&#x20;   \# Salir si se presiona 'q'

&#x20;   if cv2.waitKey(1) & 0xFF == ord('q'):

&#x20;       break



\# Libera los recursos

cap.release()

cv2.destroyAllWindows()

### Explicación del Código:

1. **Abrir Video**: Usamos cv2.VideoCapture para abrir un archivo de video (también puede ser una cámara en vivo).

2. **Conversión a Escala de Grises**: Convertimos cada fotograma a escala de grises para simplificar el procesamiento.

3. **Umbralización**: Aplicamos un umbral binario con cv2.threshold para separar las áreas del objeto del fondo. Esto genera una imagen en blanco y negro donde las áreas de interés (por ejemplo, los objetos) se destacan.

4. **Detección de Contornos**: Con cv2.findContours, detectamos los contornos de los objetos encontrados en el umbral.

5. **Cálculo del Centroide**: Para cada contorno detectado, calculamos los momentos con cv2.moments para obtener el centroide (usando las coordenadas del primer y segundo momento).

6. **Dibujo del Centroide**: Usamos cv2.circle para dibujar el centroide y cv2.putText para mostrar las coordenadas en el video.

7. **Salir del Bucle**: Se puede presionar 'q' para salir del bucle de video.

### 3. **Modificaciones adicionales**

- **Filtrado de objetos pequeños**: Usamos cv2.contourArea(contour) > 500 para descartar contornos pequeños, puedes ajustar este valor según las necesidades.

- **Seguimiento más avanzado**: Si deseas un seguimiento más avanzado y robusto, puedes usar técnicas como el filtro de Kalman o el algoritmo de seguimiento de objetos de OpenCV como cv2.Tracker.

Este código te proporciona una base para realizar el seguimiento de centroides en tiempo real en un video. Si quieres trabajar con diferentes tipos de objetos o mejorar la precisión, puedes modificar la segmentación (por ejemplo, usando técnicas como el umbral adaptativo o la segmentación por colores).

Felipe Sebastián Zepeda González

student•

No me queda clara la definición de POINT con sus cuatro argumentos…

Tampoco me queda claro si los valores de los argumentos dados en este caso tienen alguna razón de ser en particular... (Será por el posicionamiento de la cámara respecto de la calzada de vehículos??)

import cv2
import tensorflow as tf
from object_detection.utils import visualization_utils as viz_utils


# Carga del modelo
model_path = 'C:/Users/Lenovo/Documents/Proyectos_Jupyter_Notebooks/Functions/Dataset/Perros_Gatos_personas/fine_tuned_model/saved_model'
model = tf.saved_model.load(model_path)
detect_fn = model.signatures['serving_default']

# Category_index
category_index = {1:{'name': 'Perro',
           'id': 1},
          2:{'name': 'Gato',
           'id': 2},
         3: {'name': 'Persona',
           'id': 3}}


# Configuración de la cámara web
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
        
    # Convertir la imagen a un tensor y ejecutar la detección de objetos
    input_tensor = tf.convert_to_tensor(frame)
    input_tensor = input_tensor[tf.newaxis, ...]
    detections = detect_fn(input_tensor)
    
    # Extraer los resultados de la detección
    num_detections = int(detections.pop('num_detections'))
    detections = {key: value[0,:num_detections].numpy()
                  for key, value in detections.items()}
    detections['num_detections'] = num_detections
    detections['detection_classes'] = detections['detection_classes'].astype(int)
    
    # Visualización de los resultados
    viz_utils.visualize_boxes_and_labels_on_image_array(
        frame,
        detections['detection_boxes'],
        detections['detection_classes'],
        detections['detection_scores'],
        category_index,
        use_normalized_coordinates=True,
        max_boxes_to_draw=10,
        min_score_thresh=.5,
        agnostic_mode=False)
    
    try:
        cv2.imshow('object detection', cv2.resize(frame, (640, 480)))
    except cv2.error:
        break
    
    if cv2.waitKey(1) == ord('q'):
        break
        
cap.release()
cv2.destroyAllWindows()

import cv2

import numpy as np

\# Abre el video

cap = cv2.VideoCapture('video.mp4')

while True:

&#x20;   \# Lee el siguiente fotograma

&#x20;   ret, frame = cap.read()

&#x20;   if not ret:

&#x20;       break

&#x20;  &#x20;

&#x20;   \# Convierte el fotograma a escala de grises

&#x20;   gray = cv2.cvtColor(frame, cv2.COLOR\_BGR2GRAY)

&#x20;  &#x20;

&#x20;   \# Aplica un umbral para detectar las áreas de interés

&#x20;   \_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH\_BINARY)

&#x20;  &#x20;

&#x20;   \# Encuentra los contornos de las áreas detectadas

&#x20;   contours, \_ = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)

&#x20;  &#x20;

&#x20;   \# Dibuja los contornos y calcula los centroides

&#x20;   for contour in contours:

&#x20;       if cv2.contourArea(contour) > 500:  # Filtra contornos pequeños

&#x20;           \# Calcula el momento (centroide) del contorno

&#x20;           M = cv2.moments(contour)

&#x20;           if M\["m00"] != 0:  # Evita la división por cero

&#x20;               cX = int(M\["m10"] / M\["m00"])

&#x20;               cY = int(M\["m01"] / M\["m00"])

&#x20;              &#x20;

&#x20;               \# Dibuja el centroide en el fotograma

&#x20;               cv2.circle(frame, (cX, cY), 7, (0, 255, 0), -1)

&#x20;               cv2.putText(frame, f"({cX}, {cY})", (cX + 10, cY), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (0, 255, 0), 2)

&#x20;  &#x20;

&#x20;   \# Muestra el fotograma con los centroides

&#x20;   cv2.imshow("Centroides", frame)

&#x20;  &#x20;

&#x20;   \# Salir si se presiona 'q'

&#x20;   if cv2.waitKey(1) & 0xFF == ord('q'):

&#x20;       break

\# Libera los recursos

cap.release()

cv2.destroyAllWindows()

Comprender la visión computarizada

¿Por qué aprender computer vision?

¿Qué es la visión computarizada?

Tipos de visión computarizada

Introducción a object detection: clasificación + localización

Aprende a identificar problemas

Dimensionamiento de proyecto de visión computarizada

Cómo definir los tiempos de tu proyecto

Cómo costear tu proyecto

Cómo identificar los roles necesarios en el proyecto

Producto mínimo viable en computer vision

Obtención y procesamiento de los datos

Obtención de datos para tu proyecto

Limpieza de la base de datos

Distribución de datos en entrenamiento y testeo

Etiquetado de los datos de test

Etiquetado de los datos de train

Transforma tu base de datos a TFRecord

Transformar CSV a TFRecord

Entrena, testea y optimiza tus modelos

Librerías a importar durante fase de entrenamiento

Fase de entrenamiento del modelo

Balanceo de imágenes y data augmentation

Entrena, evalua y optimiza con TensorBoard

Validación de modelo en un entorno de ejecución

Re-entrenamiento del modelo para obtener mejores resultados