Este repositório contém os códigos utilizados para um mini curso apresentado no Ada Lovelace Day, com foco na detecção de objetos e detecção facial utilizando diferentes algoritmos e técnicas, como Haar Cascade, HOG + SVM, MTCNN, e YOLOv8.

O repositório está organizado da seguinte forma:

├── src
│   └── detectors.py   # Implementação de detectores de face (Haarcascade, HOG, MTCNN, YOLOv8)
│   └── utils.py       # Funções auxiliares para manipulação de imagens e desenho de bounding boxes
├── notebooks/         # Laboratório Jupyter mostrando o funcionamento dos detectores
│   └── detectors_lab.ipynb
├── images/            # Imagens utilizadas nos exemplos e testes
├── weights/           # Diretório para armazenar os arquivos de pesos YOLOv8 (yolov8n.pt e yolov8n-face.pt)
├── demo_video.py      # Script principal que permite selecionar o algoritmo de detecção via linha de comando
├── requirements.txt   # Arquivo com as bibliotecas necessárias 
├── README.md          # Arquivo de documentação (este arquivo)

• Python 3.7+
• Bibliotecas necessárias:
  • opencv-python
  • dlib
  • torch
  • facenet-pytorch
  • ultralytics
  • matplotlib
  • jupyter

Você pode instalar as dependências usando o seguinte comando:

pip install -r requirements.txt

O arquivo detectors.py contém implementações para diferentes abordagens de detecção facial, incluindo:

1. Haar Cascade (via OpenCV)

   • Baseado no artigo "Rapid Object Detection using a Boosted Cascade of Simple Features" de Viola e Jones (2001).
   • Referência: OpenCV Haar Cascade

2. HOG + SVM (via dlib e face_recognition)

   • Baseado no uso de Histogram of Oriented Gradients (HOG) combinado com um classificador de Suporte Vetorial (SVM).
   • Utiliza a biblioteca face_recognition para simplificar a aplicação.
   • Referência: Dlib HOG + SVM e Face Recognition

3. MTCNN (via facenet-pytorch)

   • Baseado na Multi-task Cascaded Convolutional Neural Networks (MTCNN) para detecção de faces.
   • Referência: MTCNN

4. YOLOv8 (via ultralytics)

   • You Only Look Once (YOLO) é uma abordagem baseada em redes neurais convolucionais para detecção de objetos em tempo real.
   • Referência: Ultralytics YOLO

Você pode escolher o algoritmo de detecção passando-o como argumento para o script principal demo_video.py. O script permite também selecionar qual webcam utilizar.

Exemplo de uso:

python demo_video.py --algorithm haarcascade --webcam_index 0

Onde:

• --algorithm: Define o algoritmo de detecção a ser usado. Pode ser:
  • haarcascade
  • hog
  • mtcnn
  • yolo
  • yolo_object
• --webcam_index: Define qual webcam será usada (padrão é 0).

A pasta notebooks/ contém um notebook Jupyter chamado detectors_lab.ipynb, que demonstra a aplicação prática dos detectores implementados.

Para rodar o notebook, siga estes passos:

1. Certifique-se de ter o Jupyter Notebook instalado. Se necessário, instale-o com:

   pip install jupyter

2. No diretório raiz do projeto, rode o seguinte comando para abrir o notebook:

   jupyter notebook notebooks/detectors_lab.ipynb

O notebook contém exemplos interativos de como utilizar os detectores e aplicar bounding boxes em imagens fornecidas na pasta images/.

O arquivo utils.py contém funções utilitárias para manipulação de imagens, como:

• plot_image(image): Exibe uma imagem usando matplotlib após convertê-la de BGR para RGB.
• insert_boundingboxes(boxes, image, method=None): Insere bounding boxes em uma imagem, podendo utilizar dois formatos diferentes de coordenadas.
• yolo_bounding_boxes(image, boxes, confidences, class_ids): Desenha as bounding boxes, classes e confidências para detecções YOLO.

from utils import plot_image, insert_boundingboxes, yolo_bounding_boxes

# Exibir uma imagem
plot_image(image)

# Inserir bounding boxes em uma imagem
frame_with_boxes = insert_boundingboxes(boundingboxes, image)

# Inserir bounding boxes, classes e confidências YOLO
frame_with_yolo_boxes = yolo_bounding_boxes(image, boxes, confidences, class_ids)

Os arquivos de pesos para o YOLOv8 devem ser colocados na pasta weights/. Por padrão, o código está configurado para usar o arquivo yolov8n-face.pt para detecção de faces e yolov8n.pt para detecção de objetos. Esses arquivos podem ser baixados diretamente do repositório oficial do YOLO.

Este repositório foi desenvolvido para um mini curso no Ada Lovelace Day.