웹캠 신호 받기 ✨
* 웹캠 신호 받기
- 어떤 카메라를 사용할지 채널 선택
- 여러개의 카메라가 있으면, 카메라 별로 번호가 부여됩니다.
- 내 PC에 1개만 연결되어 있다면, 0번 카메라 번호가 부여됩니다.
실행 코드✨
사용할 라이브러리
import cv2
import numpy as np
데이터 읽어들이기 - 웹캠 신호 받기(0번채널)
- VideoCapture() : OpenCV라이브러리에서 제공하는 함수 중 하나로, 비디오 캡처(Video Capture) 기능을 사용하여 비디오 파일이나 카메라로부터 프레임을 읽어오는 데 사용
VideoSignal = cv2.VideoCapture(0)
VideoSignal
< cv2.VideoCapture 000002933E9E34F0>
Yolo 모델 생성하기
YOLO_net = cv2.dnn.readNet("./yolo/config/yolov2-tiny.weights",
"./yolo/config/yolov2-tiny.cfg")
YOLO_net
< cv2.dnn.Net 000002934023B7D0>
라벨링 명칭(이름) 데이터 읽어들이기 - coco.names
classes = []
with open("./yolo/config/coco.names", "r") as f :
classes = [line.strip() for line in f.readlines()]
classes
출력 계층 이름 추출하기
"""YOLO 레이어 전체 추출"""
layer_names = YOLO_net.getLayerNames()
"""YOLO 출력 레이어(계층)만 추출"""
output_layer = [ layer_names[i-1] for i in YOLO_net.getUnconnectedOutLayers() ]
* 전체계층
* 출력계층
['detection_out']
윈도우 창 관리 영역 ✨
* 대표 윈도우 설정
- namedWindow() 함수 사용
- OpenCV에서 윈도우를 생성하기 위해 사용되는 함수
- imshow() 함수를 사용하여 해당 윈도우에 이미지를 표시할 수 있다.
* 카메라에서 영상 읽어 들이기
- read() 함수 사용
- 영상파일 또는 카메라로부터 프레임을 읽어오는 역할 수행
→ ret : 읽어 들이는 프레임이 있는지 여부 판단(True or False)
: 더 이상 읽어들일 프레임이 없으면 False가 됨
→ frame : 실제로 읽어들인 프레임(이미지) 자체
: 더 이상 읽어들일 프레임이 없으면 None이 됨
: 우리가 사용할 변수...
* 정지 옵션(윈도우 창 닫기)
- waitKey(0) , destroyAllWindows() 함수 사용
- waitKey(0) : 사용자가 키보드 입력을 기다리는 함수로, 0은 무한정 대기하라는 의미.
- destroyAllWindows() : 키 입력을 받으면 함수를 사용하여 모든 윈도우를 닫음.
* BLOB 데이터 구조화
- blobFromImage() 함수 사용
- cv2.dnn.blobFromImage(image = frame, scalerfactor = 1/255.0, size = (416, 416), swapRB = True, crop = False)
- image : 카메라에서 읽어들인 frame(이미지) 데이터
- scalerfactor : 이미지 픽셀 값 정규화(스케일링)
- size : Yolo 모델이 사용할 크기로 조정
- swapRB : BGR, RGB 선택 ( True이면 : OpenCV의 기본 BGR 색상 순서를 RGB로 변경 )
- crop : 위에 size로 조정 후 어떻게 할지 결정 (True이면 : 잘라내기, False이면 : size로 전체 조정하기)
윈도우 창 관리 영역 : 카메라 영상 처리 영역
[대표 윈도우 설정]
- 윈도우 창 관리는 이름으로 합니다.
cv2.namedWindow("YOLO3_CM_01")
[카메라를 통한 영상처리 시에는 윈도우 창 실행을 유지]
- 정지 옵션(윈도우 창 닫기)은 필수!
while True:
"""카메라에서 영상 읽어 들이기 : read() 함수 사용 """
ret, frame = VideoSignal.read()
"""frame 정보에서 높이, 너비, 채널(흑백 또는 컬러) 추출하기"""
h, w, c = frame.shape
"""------------------------------------------------------"""
"""BLOB 데이터 구조화"""
blob = cv2.dnn.blobFromImage(
image = frame,
scalefactor = 1/255.0,
size = (416, 416),
swapRB = True,
crop = False
)
"""YOLO 입력 데이터로 넣어주기"""
YOLO_net.setInput(blob)
"""YOLO모델에 출력계층 이름을 알려주고, 출력 결과 받아오기"""
outs = YOLO_net.forward(output_layer)
"""라벨(명칭, 이름) 담을 리스트 변수"""
class_ids = []
"""인식률(정확도) 담을 리스트 변수"""
confidences = []
"""바운딩 박스의 좌표를 담을 리스트 변수"""
boxes = []
"""출력 결과 여러개(인식된 객체 여러개)"""
for out in outs:
"""실제 객체 인식 데이터 처리"""
for detection in out :
"""인식 데이터의 인식률(정밀도)"""
scores = detection[5:]
"""인식률(정밀도)가 가장 높은 인덱스 위치 얻기 : 라벨(명칭, 이름)의 위치값"""
class_id = np.argmax(scores)
"""인식률(정밀도) 값 추출하기 : class_id의 인덱스 번호 위치값이 정밀도"""
confidence = scores[class_id]
"""정밀도가 50% 이상인 경우만 처리 : 기준은 자유롭게 정의"""
if confidence > 0.5 :
"""중앙값의 좌표 비율 추출(실제 너비로 연산하여 중앙 x값 추출)"""
center_x = int(detection[0] * w)
"""중앙값의 좌표 비율 추출(실제 높이로 연산하여 중앙 y값 추출)"""
center_y = int(detection[1] * h)
"""바운딩 박스의 실제 너비와 높이 계산하기"""
dw = int(detection[2] * w)
dh = int(detection[3] * h)
"""바운딩 박스의 시작 좌표(x, y) 계산하기"""
x = int(center_x - dw / 2)
y = int(center_y - dh / 2)
"""리스트 변수에 값 담기"""
boxes.append([x, y, dw, dh])
confidences.append(float(confidence))
class_ids.append(class_id)
"""중복된 바운딩 박스 제거하기 - 정확도가 0.45보다 작으면 제거하기"""
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.45, 0.4)
"""바운딩 박스 처리하기"""
for i in range(len(boxes)) :
"""중복 제거 이후 남은 바운딩 박스의 정보만 이용"""
if i in indexes :
"""해당 객체에 대한 좌표값"""
x, y, w, h = boxes[i]
"""해당 객체에 대한 라벨값"""
label = str(classes[class_ids[i]])
"""해당 객체에 대한 정확도"""
score = confidences[i]
"""바운딩 박스 그리기"""
cv2.rectangle(
### 원본 이미지(frame)
frame,
### 시작좌표
(x, y),
### 종료좌표
(x+w, y+h),
### 선 색상
(255, 0, 0),
### 선 굵기
5
)
"""라벨 이미지에 텍스트 그리기"""
cv2.putText(
### 지금까지 그려진 frame 이미지
img = frame,
### 추가할 텍스트(문자열 타입으로)
text = label,
### 텍스트 시작 위치 지정
org = (x, y-20),
### 텍스트 font 스타일
fontFace = cv2.FONT_ITALIC,
### font 크기
fontScale = 0.5,
### font 색상
color = (255, 255, 255),
### font 굵기
thickness = 1
)
"""윈도우 창 open하기"""
cv2.imshow("YOLO3_CM_01", frame)
"""윈도우 창 크기 조절 하기"""
cv2.resizeWindow("YOLO3_CM_01", 650, 500)
"""키보드에서 아무키 누르면, while문 종료하기"""
if cv2.waitKey(100) > 0 :
"""윈도우 무조건 종료"""
cv2.destroyAllWindows()
break
"""키보드에서 q 입력 시 종료시키기"""
if cv2.waitKey(1) & 0xFF == ord("q") :
"""윈도우 무조건 종료"""
cv2.destroyAllWindows()
break
""" 윈도우 종료 후 재실행 시 안되는 경우가 발생할 수 있음
- 이때는 주피터가 실행된 프롬프트 창에서 [CTRL + C] 정지 후, 다시 주피터 실행하면 됨.
"""
윈도우 창 관리 영역 : 카메라 인식 실행
[하나의 셀 안에 다 입력해두기]
import cv2
import numpy as np
VideoSignal = cv2.VideoCapture(0)
YOLO_net = cv2.dnn.readNet("./yolo/config/yolov2-tiny.weights",
"./yolo/config/yolov2-tiny.cfg")
classes = []
with open("./yolo/config/coco.names", "r") as f :
classes = [line.strip() for line in f.readlines()]
"""YOLO 레이어 전체 추출"""
layer_names = YOLO_net.getLayerNames()
"""YOLO 출력 레이어(계층)만 추출"""
output_layer = [ layer_names[i-1] for i in YOLO_net.getUnconnectedOutLayers() ]
"""대표 윈도우 설정"""
cv2.namedWindow("YOLO3_CM_01")
"""카메라를 통한 영상처리 시에는 윈도우 창을 계속 띄어 놓아야 합니다.
- 정지 옵션(윈도우 창 닫기)은 필수!
"""
while True:
"""카메라에서 영상 읽어 들이기 : read() 함수 사용 """
ret, frame = VideoSignal.read()
"""frame 정보에서 높이, 너비, 채널(흑백 또는 컬러) 추출하기"""
h, w, c = frame.shape
"""------------------------------------------------------"""
"""BLOB 데이터 구조화"""
blob = cv2.dnn.blobFromImage(
image = frame,
scalefactor = 1/255.0,
size = (416, 416),
swapRB = True,
crop = False
)
"""YOLO 입력 데이터로 넣어주기"""
YOLO_net.setInput(blob)
"""YOLO모델에 출력계층 이름을 알려주고, 출력 결과 받아오기"""
outs = YOLO_net.forward(output_layer)
"""라벨(명칭, 이름) 담을 리스트 변수"""
class_ids = []
"""인식률(정확도) 담을 리스트 변수"""
confidences = []
"""바운딩 박스의 좌표를 담을 리스트 변수"""
boxes = []
"""출력 결과 여러개(인식된 객체 여러개)"""
for out in outs:
"""실제 객체 인식 데이터 처리"""
for detection in out :
"""인식 데이터의 인식률(정밀도)"""
scores = detection[5:]
"""인식률(정밀도)가 가장 높은 인덱스 위치 얻기 : 라벨(명칭, 이름)의 위치값"""
class_id = np.argmax(scores)
"""인식률(정밀도) 값 추출하기 : class_id의 인덱스 번호 위치값이 정밀도"""
confidence = scores[class_id]
"""정밀도가 50% 이상인 경우만 처리 : 기준은 자유롭게 정의"""
if confidence > 0.5 :
"""중앙값의 좌표 비율 추출(실제 너비로 연산하여 중앙 x값 추출)"""
center_x = int(detection[0] * w)
"""중앙값의 좌표 비율 추출(실제 높이로 연산하여 중앙 y값 추출)"""
center_y = int(detection[1] * h)
"""바운딩 박스의 실제 너비와 높이 계산하기"""
dw = int(detection[2] * w)
dh = int(detection[3] * h)
"""바운딩 박스의 시작 좌표(x, y) 계산하기"""
x = int(center_x - dw / 2)
y = int(center_y - dh / 2)
"""리스트 변수에 값 담기"""
boxes.append([x, y, dw, dh])
confidences.append(float(confidence))
class_ids.append(class_id)
"""중복된 바운딩 박스 제거하기 - 정확도가 0.45보다 작으면 제거하기"""
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.45, 0.4)
"""바운딩 박스 처리하기"""
for i in range(len(boxes)) :
"""중복 제거 이후 남은 바운딩 박스의 정보만 이용"""
if i in indexes :
"""해당 객체에 대한 좌표값"""
x, y, w, h = boxes[i]
"""해당 객체에 대한 라벨값"""
label = str(classes[class_ids[i]])
"""해당 객체에 대한 정확도"""
score = confidences[i]
"""바운딩 박스 그리기"""
cv2.rectangle(
### 원본 이미지(frame)
frame,
### 시작좌표
(x, y),
### 종료좌표
(x+w, y+h),
### 선 색상
(255, 0, 0),
### 선 굵기
5
)
"""라벨 이미지에 텍스트 그리기"""
cv2.putText(
### 지금까지 그려진 frame 이미지
img = frame,
### 추가할 텍스트(문자열 타입으로)
text = label,
### 텍스트 시작 위치 지정
org = (x, y-20),
### 텍스트 font 스타일
fontFace = cv2.FONT_ITALIC,
### font 크기
fontScale = 0.5,
### font 색상
color = (255, 255, 255),
### font 굵기
thickness = 1
)
"""윈도우 창 open하기"""
cv2.imshow("YOLO3_CM_01", frame)
"""윈도우 창 크기 조절 하기"""
cv2.resizeWindow("YOLO3_CM_01", 650, 500)
"""키보드에서 아무키 누르면, while문 종료하기"""
if cv2.waitKey(100) > 0 :
"""윈도우 무조건 종료"""
cv2.destroyAllWindows()
break
"""키보드에서 q 입력 시 종료시키기"""
if cv2.waitKey(1) & 0xFF == ord("q") :
"""윈도우 무조건 종료"""
cv2.destroyAllWindows()
break
""" 윈도우 종료 후 재실행 시 안되는 경우가 발생할 수 있음
- 이때는 주피터가 실행된 프롬프트 창에서 [CTRL + C] 정지 후, 다시 주피터 실행하면 됨.
"""
YOLO Camera 객체탐지 이미지로 추출하기 ✨
* 이미지 파일 번호 생성
- 이미지 파일 저장 시 파일명에 번호 붙이기(저장 후 +1 해주기)
- img_cnt = 1
* 인식된 객체 이미지로 저장하기
- 정확도 평균 출력
print(f">>>>>>>정확도 평균 : {np.mean(confidences)}")
- imwrite() : 이미지 저장함수
- 정확도 평균이 0.85이상인 경우만 저장시키기
("C:\Users\user\gj_202311\09_딥러닝\08_YOLO_객체탐지_네트워크(모델)\yolo\images_new\img_3.jpg")
if np.mean(confidences) >= 0.85 :
cv2.imwrite(f"./yolo/images_new/img_{img_cnt}.jpg", frame)
img_cnt = img_cnt + 1
import cv2
import numpy as np
VideoSignal = cv2.VideoCapture(0)
YOLO_net = cv2.dnn.readNet("./yolo/config/yolov2-tiny.weights",
"./yolo/config/yolov2-tiny.cfg")
classes = []
with open("./yolo/config/coco.names", "r") as f :
classes = [line.strip() for line in f.readlines()]
"""YOLO 레이어 전체 추출"""
layer_names = YOLO_net.getLayerNames()
"""YOLO 출력 레이어(계층)만 추출"""
output_layer = [ layer_names[i-1] for i in YOLO_net.getUnconnectedOutLayers() ]
"""대표 윈도우 설정"""
cv2.namedWindow("YOLO3_CM_01")
#############################################
### 인식된 객체 이미지로 저장하기기
# - 이미지 파일 저장 시 파일명에 번호 붙이기
img_cnt = 1
#############################################
"""카메라를 통한 영상처리 시에는 윈도우 창을 계속 띄어 놓아야 합니다.
- 정지 옵션(윈도우 창 닫기)은 필수!
"""
while True:
"""카메라에서 영상 읽어 들이기 : read() 함수 사용 """
ret, frame = VideoSignal.read()
"""frame 정보에서 높이, 너비, 채널(흑백 또는 컬러) 추출하기"""
h, w, c = frame.shape
"""------------------------------------------------------"""
"""BLOB 데이터 구조화"""
blob = cv2.dnn.blobFromImage(
image = frame,
scalefactor = 1/255.0,
size = (416, 416),
swapRB = True,
crop = False
)
"""YOLO 입력 데이터로 넣어주기"""
YOLO_net.setInput(blob)
"""YOLO모델에 출력계층 이름을 알려주고, 출력 결과 받아오기"""
outs = YOLO_net.forward(output_layer)
"""라벨(명칭, 이름) 담을 리스트 변수"""
class_ids = []
"""인식률(정확도) 담을 리스트 변수"""
confidences = []
"""바운딩 박스의 좌표를 담을 리스트 변수"""
boxes = []
"""출력 결과 여러개(인식된 객체 여러개)"""
for out in outs:
"""실제 객체 인식 데이터 처리"""
for detection in out :
"""인식 데이터의 인식률(정밀도)"""
scores = detection[5:]
"""인식률(정밀도)가 가장 높은 인덱스 위치 얻기 : 라벨(명칭, 이름)의 위치값"""
class_id = np.argmax(scores)
"""인식률(정밀도) 값 추출하기 : class_id의 인덱스 번호 위치값이 정밀도"""
confidence = scores[class_id]
"""정밀도가 50% 이상인 경우만 처리 : 기준은 자유롭게 정의"""
if confidence > 0.5 :
"""중앙값의 좌표 비율 추출(실제 너비로 연산하여 중앙 x값 추출)"""
center_x = int(detection[0] * w)
"""중앙값의 좌표 비율 추출(실제 높이로 연산하여 중앙 y값 추출)"""
center_y = int(detection[1] * h)
"""바운딩 박스의 실제 너비와 높이 계산하기"""
dw = int(detection[2] * w)
dh = int(detection[3] * h)
"""바운딩 박스의 시작 좌표(x, y) 계산하기"""
x = int(center_x - dw / 2)
y = int(center_y - dh / 2)
"""리스트 변수에 값 담기"""
boxes.append([x, y, dw, dh])
confidences.append(float(confidence))
class_ids.append(class_id)
"""중복된 바운딩 박스 제거하기 - 정확도가 0.45보다 작으면 제거하기"""
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.45, 0.4)
"""바운딩 박스 처리하기"""
for i in range(len(boxes)) :
"""중복 제거 이후 남은 바운딩 박스의 정보만 이용"""
if i in indexes :
"""해당 객체에 대한 좌표값"""
x, y, w, h = boxes[i]
"""해당 객체에 대한 라벨값"""
label = str(classes[class_ids[i]])
"""해당 객체에 대한 정확도"""
score = confidences[i]
"""바운딩 박스 그리기"""
cv2.rectangle(
### 원본 이미지(frame)
frame,
### 시작좌표
(x, y),
### 종료좌표
(x+w, y+h),
### 선 색상
(255, 0, 0),
### 선 굵기
5
)
"""라벨 이미지에 텍스트 그리기"""
cv2.putText(
### 지금까지 그려진 frame 이미지
img = frame,
### 추가할 텍스트(문자열 타입으로)
text = label,
### 텍스트 시작 위치 지정
org = (x, y-20),
### 텍스트 font 스타일
fontFace = cv2.FONT_ITALIC,
### font 크기
fontScale = 0.5,
### font 색상
color = (255, 255, 255),
### font 굵기
thickness = 1
)
"""윈도우 창 open하기"""
cv2.imshow("YOLO3_CM_01", frame)
"""윈도우 창 크기 조절 하기"""
cv2.resizeWindow("YOLO3_CM_01", 650, 500)
#############################################
### 인식된 객체 이미지로 저장하기
# - 정확도 평균 출력
print(f">>>>>>>정확도 평균 : {np.mean(confidences)}")
# - 정확도 평균이 0.85이상인 경우만 저장시키기
if np.mean(confidences) >= 0.85 :
# 이미지 저장함수 : imwrite() 함수 사용
cv2.imwrite(f"./yolo/images_new/img_{img_cnt}.jpg", frame)
img_cnt = img_cnt + 1
#############################################
"""키보드에서 아무키 누르면, while문 종료하기"""
if cv2.waitKey(100) > 0 :
"""윈도우 무조건 종료"""
cv2.destroyAllWindows()
break
"""키보드에서 q 입력 시 종료시키기"""
if cv2.waitKey(1) & 0xFF == ord("q") :
"""윈도우 무조건 종료"""
cv2.destroyAllWindows()
break
""" 윈도우 종료 후 재실행 시 안되는 경우가 발생할 수 있음
- 이때는 주피터가 실행된 프롬프트 창에서 [CTRL + C] 정지 후, 다시 주피터 실행하면 됨.
"""
'인공지능 > 딥러닝' 카테고리의 다른 글
| [시계열 분석] 주식데이터 주가예측 - 주식흐름( 롤링rolling ), ARIMA 모델, AR(자기상관), MA(이동평균), 정상성/비정상성(차분), ADF 테스트(adfuller), ACF plot/PACF plot, ndiffs/auto_arima 함수 (4) | 2024.01.15 |
|---|---|
| [YOLO] 이미지 증식 테스트 + 사람이미지 증식 및 4차원 독립변수와 종속변수(라벨링) 생성하기 + (응용)비프음 출력 (41) | 2024.01.11 |
| [YOLO] YOLO 설치 및 객체탐지 Image사용 (1) | 2024.01.10 |
| [머신러닝 + 딥러닝] 에너지 사용 패턴 확인을 통한 부하 타입 분류 실습해보기 (0) | 2024.01.10 |
| [딥러닝DL]합성곱신경망(CNN)을 이용한 이미지 분류 (1) | 2024.01.08 |
