在庫管理のための検出画像ディレクトリと推論モデルのディレクトリ設定
モデルと
推論する画像を格納するディレクトリを
設定ファイルconfig.iniで指定しておき
切り替えを簡単にできるようにする
これはモデルを今後作成しなおすのと
画像の対象をwebカメラで撮影したものにするか
もしくはリアルタイムで監視したものにするかを切り替えるため
mkdir inventory_images
で画像ファイルの置き場所を作成
vim config.ini
で設定ファイルを作成
[Settings] model_path = inventory_model/best.pt image_directory = inventory_images
として保存
count_inventory.py
の中身を
import json
from ultralytics import YOLO
from collections import defaultdict
# JSONファイルからクラスラベルのマッピングを読み込み
with open('label_mapping.json', 'r', encoding='utf-8') as f:
label_mapping = json.load(f)
# YOLOv8モデルのロード
model = YOLO('inventory_model/best.pt') # ここで適切なモデルを選択
# 画像のロード
image_path = 'path_to_your_image.jpg'
image = cv2.imread(image_path)
# 画像の検出
results = model(image)
# 検出結果の取得
detections = results[0] # 最初の結果を取得
classes = detections.boxes.cls
# 検出物体のカウント
object_counts = defaultdict(int)
for cls in classes:
class_label = model.names[int(cls)]
if class_label in label_mapping:
label = label_mapping[class_label]
else:
label = class_label
object_counts[label] += 1
# 検出結果の表示
for label, count in object_counts.items():
print(f'{label}: {count}個')
から
import json
import cv2
import configparser
from ultralytics import YOLO
from collections import defaultdict
from line_notify import send_line_notify # インポートを追加
from datetime import datetime
from inventory_database_module
import save_detection_to_db # データベース保存用の関数をインポート
import os
# 設定ファイルの読み込み
config = configparser.ConfigParser()
config.read('config.ini')
# 設定ファイルからモデルパスと画像ディレクトリを取得
model_path = config['Settings']['model_path']
image_directory = config['Settings']['image_directory']
# ラベルマッピングファイルのパス
label_mapping_path = 'label_mapping.json'
# JSONファイルからクラスラベルのマッピングを読み込み
with open(label_mapping_path, 'r', encoding='utf-8') as f:
label_mapping = json.load(f)
# YOLOv8モデルのロード
model = YOLO(model_path) # 設定ファイルからモデルパスを使用
# 画像ディレクトリ内の全画像ファイルを処理
for image_filename in os.listdir(image_directory):
image_path = os.path.join(image_directory, image_filename)
if os.path.isfile(image_path) and image_path.lower().endswith(('.png', '.jpg', '.jpeg')):
# 画像のロード
image = cv2.imread(image_path)
# 画像の検出
results = model(image, save=True, conf=0.2, iou=0.5)
# 検出結果の取得
detections = results[0] # 最初の結果を取得
classes = detections.boxes.cls
# 検出物体のカウント
object_counts = defaultdict(int)
for cls in classes:
class_label = model.names[int(cls)]
if class_label in label_mapping:
label = label_mapping[class_label]
else:
label = class_label
object_counts[label] += 1
# 検出結果のフィルタリング（1以下のもの）
filtered_object_counts = {label: count for label, count in object_counts.items() if count <= 1}
# フィルタリングされた検出結果のメッセージ生成
message_lines = [f'{label}: {count}個' for label, count in filtered_object_counts.items()]
message = '\n'.join(message_lines)
# 現在の時刻を取得
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
message = f"{message}\n\nMessage sent at: {current_time}"
# 検出結果の表示
for line in message_lines:
print(line)
# LINE Notifyにメッセージを送信（フィルタリングされた結果のみ）
if message_lines:
send_line_notify(message)
save_detection_to_db(filtered_object_counts) # データベースに検出結果を保存
else:
print("No objects with counts of 1 or less detected in file:", image_filename)
へ変更
試しに
cp data_bak/Baskulin4.jpg inventory_images
でデータを写し
python count_inventory.py
を実行すると
0: 640x512 1 baskulin, 131.0ms
Speed: 5.6ms preprocess, 131.0ms inference, 6.6ms postprocess per image at shape (1, 3, 640, 512)
Results saved to runs/detect/predict22
バスクリン: 1個
File: runs/detect/predict22/image0.jpg
200
{"status":200,"message":"ok"}
というようにLINEへ送信される
とりあえずここまでできたので
githubで公開し
モデルは roboflowなどを使って改良して後々公開する