Thực hành xử lí ảnh

Code Python va Code MikroC Code python: Bai 1 Mytrain mô-đun dùng đê “thực hiện phát hiện đôí tượng sư dụng mô hình YOLO # Khởi tạo một mô hình Y0L0 từ một tệp trọng sô đã được huâñ tuy

BO CONG THUONG TRUONG DAI HOC CONG NGHIEP TP HO CHi MINH

A

INDUSTRIAL

J [= UNIVERSITY OF

THUC HANH XU Li ANH

Giảng viên hướng dẫn : Phan Vinh Hiếu

Lớp: DHDTMTI7A

DANH SÁCH THÀNH VIÊN NHÓM

1|Page

I Code Python va Code MikroC

Code python: Bai 1

Mytrain

mô-đun dùng đê “thực hiện phát hiện đôí tượng sư dụng mô hình YOLO

# Khởi tạo một mô hình Y0L0 từ một tệp trọng sô đã được huâñ tuyện trước model = YOLO’'C:\\XLA\YOLO\\runs\\detect\\train2\\weights\\last.pt')

# Nêú đoạn mã được chạy như mệt chương trình chính “không import vào mệt

module khác)

1Í _ name == '_ main_':

# Băt đâù quá trình huâñ tuyện mô hình

model.train data='dataset.yaml', epochs=40, imgsz=640, batch=16, optimizer='Adam', workers=1)

# Danh gia hiéu suat cia mô hình sau khi huâñá tuyện

metrics = model.val’) \

Cutvideo.py

# Đinh nghĩa mệt hàm đê chụp các frame từ video và Lưu thành các file anh def FrameCapture Path):

# Khởi tạo một đôi tượng video capture từ đường daW toi video vid0b] = cv2.VideoCapture Path)

white success:

# Đọc frame từ video

Success, image = vid0b] read “)

# Chỉ Lưu ảnh môÝ 10 frame

Lưu ảnh với tén file "frame’d.jpg"

# “oi ham FrameCapture với đường dâW tới video

~9~

Detect.py

mô-đun dùng đê thực hiện phát hiện đôi tượng sư dụng mô hình Y0L0

# Khởi tạo mô hình Y0L0 sự dụng mô hình đã được huâñ luyén duoc Lưu trữ trong tệp 'best.pt'

model = YOLO’'C:\\XLA\\YOLO\\runs\\detect\\train4\\weights\\best.pt')

# Khởi tạo một đôi tượng video capture đê đọc video từ webcam “hoặc đường dâN

vid

tới tệp video nêú sư dụng từ tệp)

# Vong lap chinh dé’xu’ly m6W frame từ video

while “True):

tai

# Đọc frame mới nhât từ video

ret, frame = vid.read’)

# Lat anh ngang “mirror) đê hiêñ thị đúng hướng trái-phải

frame = cv2.flip’ frame, 1)

# Sư dụng mô hình Y0L0 dé’phat hiện các đôi tượng trong frame hién results = model’ frame)

# Tạo ảnh với các hộp giới hạn được vẽ trên frame gôé

annotated_image = results[0].plot’)

# Duyệt qua các kêf quả phát hiện đê Lâý thông tin vê`tớp, độ tin cậy

và tọa độ của các hộp giới hạn

for r in results:

acls = r.boxes.cls

aconf = r.boxes.conf

axyxy = r.boxes.xyxy

~3~

cv2.1mshow“"Y0L0v8 Tnference", annotated_image)

# Nêú nhâñ phím 'q', thoát khỏi vòng lap

if cv2.waitKey’1) & OxFF == ord’'q'):

break

# `iải phóng tài nguyên bộ nhớ và đóng cưả sô hiêñ thi

vid release’)

Code python: Bai 2 co Protues

import ev2 ⁄ khai báo thư viện oppenCV ( đề làm việc với video , anh )

import serial ⁄⁄ khai báo thư viện serial, dùng đề giao tiếp và kết nói vơi thiết bị thông qua COM

from ultralytics import YOLO //Import YOLO tir thu vién ultralytics, duoc str dung dé

nhận diện đối tượng trong hình ảnh

# Cấu hình kết nối Serial

ser = serial.SerialCOM2), 9600) # Thay 'COM+' băng số công COM thích hợp và

9600 là tốc độ baud

model = YOLO(r'C:\Users\jojil\OneDrive\Tai liéw\yoloKLD\runs\detect\train3\ weights\best.pt') 72o một đối tượng YOLO với model được load từ đường dẫn đã cung cap

vid = cv2 VideoCapture(0) /Dong nay mo video capture tte webcam hodc thiét bị được chỉ định (ở đây là Ú, tức là webcam mặc định)

~4~

while True: / Vong lap lién tục đề xử lý từng khung hình

ret, rame =vid.read()_ 4 Láu một khung hình từ camera và lưu vào biển ##ame frame = cv2.flip(frame, 1) ⁄⁄Lật ánh theo chiều ngang (tạo hiệu ứng gương)

khung hinh frame

annotated_image = results[0].plot() / Tao ảnh với các khung và nhãn cho các đối tượng được nhận diện trong kết quả đầu tiên (results[0])

# Khởi tạo biến kiểm tra nhận diện các lớp

detected_ classes = {Minh Thien: False, 'Minh Khoi: Ealse, 'Helmet RED': False}

4 Khoi tao I thie vién detected classes dé theo doi việc nhận diện từng đối tượng Ban đâu, tat ca duoc dat thanh False

for r in results: // Lap qua ting két qua nhan dién

acls = r.boxes.cls // Lay danh sách các lớp được nhận diện trong kết quả hiện tại

for ain acls: ⁄⁄ lặp? qua tung lop trong danh sách

cls_value = int(a.item()) # Lay gia tri cua lop tir tensor

if cls_value == 0:

detected_classes['Minh Thien'] = True // Cap nhdt trang thai nhận điện Minh

Thien thanh True

elif cls_value == 1:

Minh Khoi thành True

elif cls_value == 3:

detected_ classes[' Helmet RED'] = True ⁄ Cáp nhật trạng thái nhận điện HehnetRED thỒnh True

# Gửi dữ liệu qua công COM

if cls_value == 0: //Néu cls value la '0' bien gia tri cua doi tuong

ser.write(b'l') // givi ma b’]’ qua cong COM

⁄⁄được truyền đưới dạng đữ liệu bytes thông qua kết nối serial

/yêu cầu đầu vào là một đối tượng bytes

elif cls_value == 1: //Néu cls value la']'

ser.write(b'2") // gizi ma b’2’ qua cong COM

elif cls_value == 3: //Néu cls value la '3'

ser.write(b'4') // gizi md b’4’ qua cong COM

# Kiểm tra và gửi mã tương ứng nếu không có đối tượng được nhận diện for cls name, defected in detected_ classes.items():

if not detected: // Kiém tra nếu giá tri cua detected là False, tức là đối tượng không

được nhận diện

if cls name == 'Minh Thien'; /⁄Véz¿ eš nưme là 'Mđinh Thien!

ser.write(b'5') // giti ma b’5’ qua cong COM

elif cls name == 'Minh Khoi': //Néu cls_name la ‘Minh Khoi'

ser.write(b'6') gửi mã b'6' qua công COÀ4

elif cls name == 'Helmet RED': = //Néu e% nưøe là 'lebnet RED!

ser.write(b'8') gửi mã b'9' qua công COÀ4

# Kiểm tra nếu không có bất kỳ đối tượng nhận diện nào thì gửi mã số ký tự là 0

if all(not detected for detected in detected_classes.values()): //Kiém tra néu tat cả

các gid tri trong detected classes déu la False

ser.write(b'0") /Guzi ma b'0 qua cng COM

cv2.imshow("YOLOv8 Inference", annotated_image) // Hién thi anh voi cdc khung va nhan

if cv2.waitKey(1) & OxFF == ord(qÐ:- ⁄ Thoát chương trình khi người dùng nhấn phím ạ

break

vid.release() ⁄4 Giải phóng tài nguyên video

~7~

cv2.destroyAllWindows() / Dong tat ca các cửa số hiển thị

code MikroC:

char TransmitData, ReceiveData; // Khai bdo hai bién kiéu char dé luu trit dit liéu nhận và gui qua UART

void main() {

ADCONI |= 0x0F; / Thiét lap cdc chan 1O của vì điều khiến là chân kỹ thuật số

CMCON |=7; // V6 hiéu hoa các bộ so sánh

PORTD =0x00; LA'TD = 0x00; ⁄ Xóa gid tr trên các chân PORTT)

TRISD0_ bit = 0;

TRISD1_bit = 0; / Thiét lap các chân PORTDO, PORTD1, PORTD2 la output TRISD2_bit = 0;

LATD0_ bit = 0;

LATDI_bit=0; ⁄ 7š các đèn LED ở các chân PORTD0, PORTDI, PORTD2 LATD2_ bit = 0;

UARTI_Init(9600); // Khởi tạo module UARTI ở tốc độ baud 9600

delay_ms(100); ⁄⁄ 2o đclay 700m3

while(1)

{

if(UART1_Data_Ready() == 1) // Kiém tra xem dit liéu da duoc nhan qua DANTI chua

ReceiveData = UARTI_ ReadQ;

PORTDO

LATDO_bit=1; //

else if(ReceiveData = 'Ã*) ⁄ Nếu dữ liệu nhận được là '5', tắt đèn LED ở chân

PORTDO

LATD0_ bit = 0;

}

If(ReceiveData == '2') ⁄ Nếu dữ liệu nhận được là '2', bật đèn LED ở chân

PORTDI

{

LATD1_bit = 1;

}

else if (ReceiveData == '6*) ⁄ Nếu dữ liệu nhận được là '6', tắt đèn LED ở

chân PORTDI

LATDI_ bit = 0;

}

PORTD2

LATD2_ bit = 1;

~ 10~

else if (ReceiveData ==

chán PORTD2

'§8') ⁄ Nếu dữ liệu nhận được là '%, tắt đèn LED ở

LATD2_bit= 0;

}

else if (ReceiveData == '9") // Néu di¢ liéu nhdn duoc la '9', tắt các LED

{

LATDO_bit = 0;

LATD1_ bit = 0;

LATD2_bit = 0;

}

II Kết Quả Thực Hành

1.Mô Phỏng Protues

~11~

Trong protues Minh Thien, Minh Khoi, Helmet REDIan lyot tong img voi 3 led Yellow, Green, Red

~12~

2.Nhận Diện Người-Vật Thể

® Nhận diện từng người — vật thể trong khung hình

Khi nhận diện được Minh Khoi: Led Green sáng

3 À+ - Proteus 8 Professional - Schematic Capture: - D x | he

> » Eee t XPLORER - * © © detectonietson (py X [>x

Schematic Capture 3,

Minh Khoi 0.28

Ad Tạ Minh Khoi 0.36

Minh Khoi 0.29

©: 480x649 4 Minh Khois, 285.3

*pr 295.ams inference image at shape (1,

ams pes

te

RESET

i oom

ii ©@ 7 Meseage(s) ANINATING 01:01 950000 (CPU losd 2%) TIMIEUNE ũ

10 y 520000 Ao wo

Nhận diện được Minh Thien: Led Yellow sáng

~ 13~

I6RR ATOMgEs= D0 I2Ïfll+i4-4 q & (2| đệ 722” ~ : 8

RE #2 À:: %2 (Ear 3B aa A 1) YOLOW inference =a x

E2

6: 488x640 4 Minh Thiens, 283.05

Speed: 4.385 preprocess, 289.0ms inference

„ 3.ÔNS rocess per image at shape (1,

3, 480, 640)

8: 480x640 4 Minh Th

aS prep tội ) san bai Nhóm: DỰ ÁN KĨ THUẬT NHÓM O

@oAo0 wo

241.7nS 241.7ms inference

Nhan dién duoc Helmet RED: Led red sang

* <

2® xRE SN eS::? 2 5a | DP ME) YOUN Inference = g x

$F Schemati Copure X<

@ testcudapy @: 490x649 3 Minh Thiens, 4 Helmet REDS, 2

° : 240320_13_34_31_Promp4 42.ms Speed: 4.8ns preprocess, 242.3ms Ìnference

‘le „ 3.2 postpr per image at shape (1

Pa t aml 3, 480, 649)

a œ @: 490x643 3 Minh Thiens, 4 Helmet REDS, 2

® 36,645

gms inference

at shape (1, Speed: 4.1ms preprocess,

» 1.@ns postprocess per imay 648)

5, Col27 Spaces 4 UTF-8 CRƯ {3 Python 312.2 64-bit

rPPHE oO 2Messsgsis| ANHAATING 000503890500 (CPU los44)%) me