MPMG: E04

Resultados

Planilha

Docker

Criar imagem docker usando Dockerfile (este comando precisa ser executado na mesma pasta do Dockerfile):

docker build -t mp/e04:latest .

-t é a tag da imagem

Exemplo de como rodar um comando python (para retrieval) dentro de container docker:

docker run --name mp_e04_t1 --gpus all --ipc=host --rm -it -v VOLUME_HOST:VOLUME_DOCKER mp/e04:latest python PATH/retrieval.py --feature_file PATH/features.mat --image_query PATH/IMAGE.jpg --model_name mobilefacenet --preprocessing_method sphereface --save_dir PATH/outputs/

Reconhecimento de pessoas

train.py

Algoritmo usado para treinar uma rede.

train(dataset_path, save_dir, resume_path=None, num_epoch=71)

onde:

1. dataset_path é caminho/path para o dataset. O dataset deve ser uma pasta com uma subpasta para cada pessoa (com o nome da pasta sendo o nome da pessoa). Dentro dessa pasta, podem haver várias imagens daquela pessoa.
2. save_dir é pasta onde será salvo o modelo treinado.
3. resume_path é um caminho para carregar um modelo pre-treinado.
   1. Default: None
   2. Se não for setado (ou seja, se ficar None), o algoritmo carrega um modelo já pré-treinado com o dataset CASIA Web-Face.
4. num_epoch, número de épocas que será usado para treinar o modelo
   1. Default: 71

OBS.: Esse função assuma que um GPU está disponível para o treino.

manipulate_dataset.py

Algoritmo usado para manipular (adicionar features) a um dataset.

manipulate_dataset(feature_file, dataset_path, model_name="mobilefacenet", model_path=None, 
                   preprocessing_method="sphereface", crop_size=(96, 112), gpu=True)

where:

1. feature_file é o caminho para um arquivo (.mat) de features. Se esse arquivo já existir, adiciona novas features extraídas nesse arquivo. Caso contrário, cria o arquivo com as novas features extraídas.
2. dataset_path caminho para o dataset. O formato do dataset é o mesmo já descrito anteriormente.
3. model_name é o nome do modelo a ser usado.
   1. Default: mobilefacenet
4. model_path é um caminho para carregar um modelo pre-treinado.
   1. Default: None
   2. Se não for setado (ou seja, se ficar None), o algoritmo carrega um modelo já pré-treinado com o dataset CASIA Web-Face.
5. preprocessing_method é o algoritmo de pre-processamento a ser usado para detectar as faces.
   1. Default: sphereface
6. crop_size é o tamanho do crop a ser feito em volta da face detectada.
   1. Default: (96, 112)
7. gpu flag que indica se GPU será usada no processamento.
   1. Default: True

retrieval.py

Algoritmo usado para fazer retrieval.

retrieval(image_path, feature_file, save_dir, output_method="image", model_name="mobilefacenet", model_path=None,
          preprocessing_method="sphereface", crop_size=(96, 112), gpu=True)

where:

1. image_path é o caminho para a imagem query.
   1. Esse arquivo pode ser uma imagem ou um json no formato base64 (exemplo).
2. feature_file é o caminho para um arquivo (.mat) de features já extraídas.
3. save_dir é pasta onde será salvo o ranking de saída.
4. output_method é o método que será usada para exportar a saída
   1. Duas opções: json (exemplo) ou image.
5. model_name é o nome do modelo a ser usado.
   1. Default: mobilefacenet
6. model_path é um caminho para carregar um modelo pre-treinado.
   1. Default: None
   2. Se não for setado (ou seja, se ficar None), o algoritmo carrega um modelo já pré-treinado com o dataset CASIA Web-Face.
7. preprocessing_method é o algoritmo de pre-processamento a ser usado para detectar as faces.
   1. Default: sphereface
8. crop_size é o tamanho do crop a ser feito em volta da face detectada.
   1. Default: (96, 112)
9. gpu flag que indica se GPU será usada no processamento.
   1. Default: True

Object Detection

train_light.py

Algoritmo usado para treinar um modelo.

train(hyp_path='hyp.scratch.yaml', data='dataset.yaml', output_path='runs/train/exp', 
      opt=defaultOptTrain())

onde:

1. hyp_path é o caminho para um arquivo yaml com a configuração de hiperparâmetros.
   1. Detault: hyp.scratch.yaml.
2. data é o caminho para um arquivo yaml com a configuração do dataset.
   1. Detault: dataset.yaml (usa o dataset OD-Weapon)
3. output_path é o caminho para salvar o modelo treinado.
4. opt é um arquivo que carrega as opções (flags) passadas para o algoritmo.
   1. use a flag --help para saber mais das opções

detect_obj.py

Algoritmo usado para detectar objetos.

retrieval(img_path, model_path, output_path, save_as, opt=defaultOpt(), output_file='detections.json')

onde:

1. img_path é o caminho para a imagem ou vídeo
   1. Pode ser uma pasta com arquivos de imagem/vídeo, um único arquivo (local ou url) ou um json com uma lista de arquivos. O url dos arquivos também pode ser links do YouTube.
2. model_path é um caminho para carregar um modelo pre-treinado.
   1. Default: yolov5s.pt
3. output_path é o caminho para salvar a saída do algoritmo.
4. save_as é o formato em que será salva a saída.
   1. Opções: img ou json
   2. Default: img
5. opt é um arquivo que carrega as opções (flags) passadas para o algoritmo.
   1. use a flag --help para saber mais das opções
6. output_file é o nome do arquivo de saída.
   1. Somente usado para o --save_as json
   2. Default: detections.json
   3. Exemplo