Skip to content

Latest commit

 

History

History
154 lines (99 loc) · 4.49 KB

README.md

File metadata and controls

154 lines (99 loc) · 4.49 KB
Raw

Documentação do Projeto de Detecção de Placas e Leitura OCR

Este documento fornece uma visão geral e uma documentação passo a passo para o projeto de Detecção de Placas, que utiliza várias bibliotecas populares, como OpenCV, YOLOv8, Python 3.10, MQTT Cliente e EasyOCR. O objetivo do projeto é detectar placas de veículos em imagens enviadas por um microcontrolador ESP32 Cam através do protocolo MQTT.

Pré-requisitos

Certifique-se de ter os seguintes componentes e software instalados em seu sistema:

  • Python 3.10
  • OpenCV
  • YOLOv8
  • MQTT Cliente
  • EasyOCR
  • Bibliotecas nativas (se necessário para o seu ambiente)
  • Docker
  • Ubuntu
  • build-essential

Passos para Renomear o Arquivo

Siga os passos abaixo para renomear o arquivo .env.example para .env:

  1. Navegue até o diretório raiz do seu projeto.

  2. Localize o arquivo chamado .env.example. Esse arquivo geralmente está na raiz do projeto.

  3. Renomeie o arquivo .env.example para .env. Você pode fazer isso usando o comando mv no terminal ou por meio de um gerenciador de arquivos.

    mv .env.example .env

Configuração do Ambiente - Ubuntu

Antes de iniciar o projeto, verifique se você configurou corretamente o ambiente.

  1. Certifique-se de que o Python 3.10 está instalado em seu sistema. Você pode verificar a versão do Python digitando o seguinte comando no terminal:

    python --version

  2. Instale as dependências necessárias executando o seguinte comando:

    Make

  3. Baixe e instale as bibliotecas nativas necessárias para o seu ambiente específico. Certifique-se de seguir as instruções fornecidas pela biblioteca, especialmente se você estiver usando um sistema operacional diferente do Ubuntu.

    build-essential, python3 e pip3

Estrutura do Projeto

O projeto está organizado da seguinte forma:

src/
training/
test/
./ (best.onnx, last.pt, best.pt)
  • src: Aplicação cli que assi
  • traning: Script reponsável por organizar o dataset para fazer o treinamento.
  • test: Utilizado para fazer teste em imagem dectecção de placas e OCR.
  • (best.onnx, last.pt, best.pt): Modelos YoloV8 treinandos para classe de Placas

Uso do Script de Detecção de Placa

Existem duas partes neste projeto: detecção de placa em uma imagem local e detecção de placa em uma imagem recebida via MQTT. Siga as instruções abaixo para executar cada uma das partes.

Detecção de Placa em uma Imagem Local

Para executar a detecção de placa em uma imagem local, siga os passos abaixo:

  1. Navegue até a pasta raiz do projeto.

  2. Execute o seguinte comando no terminal:

    make client

Detecção de Placa em um Tópico MQTT

Para executar a detecção de placa em uma imagem local, siga os passos abaixo:

  1. Navegue até a pasta raiz do projeto.

  2. Execute o seguinte comando no terminal:

    make start

  3. Agora o Micro Serviço irá aguardar uma imagem para processar

  4. Execute um publish para testar

    make publish

Treino YOLOv8

Para executar a detecção de placa em uma imagem local, siga os passos abaixo:

  1. Navegue até a pasta raiz do projeto.

  2. Execute o seguinte comando no terminal:

    chmod +x setup.sh
make train

  3. Os resultados são salvos em runs/detect/train#

Criando um Servidor Local MQTT

Dockerfile mosquito-eclipse

Certifique-se de ter o Docker e Make instalado em seu sistema antes de prosseguir.

  1. Navegue até o diretório que contém o Dockerfile.

  2. Para instalar o servidor MQTT, execute o seguinte comando:

    make mqtt-server-install

    Isso instalará o servidor MQTT necessário para o projeto.

  3. Para executar o contêiner MQTT, execute o seguinte comando:

    make mqtt-start

    make mqtt-stop

    Isso iniciará o contêiner MQTT com base nas configurações fornecidas.

Certifique-se de ler a documentação completa para obter informações detalhadas sobre as opções disponíveis e as configurações necessárias para o projeto.

Provaveis erros

Altere o datasets_dir contido em .config/ultralytics/settings.yaml para /home/{$user_project_path}/AutoPark/PlateDetection/training/datasets

README Criado com ajuda do chat GPT

Kaggle dataset