Contagem Volumétrica de Veículos

🏗️ Em Desenvolvimento - (Not Workin Now)

Bem-vindo ao Contagem Volumétrica, um framework dedicado à contagem volumétrica de veículos utilizando técnicas avançadas de visão computacional e deep learning. Nosso objetivo é facilitar a análise e monitoramento de tráfego, integrando o Label Studio para anotação e validação dos dados.

---

📋 Visão Geral

Este projeto foi desenvolvido para criar uma solução completa para a contagem volumétrica de veículos, combinando:

• Detecção de objetos (YOLO) para identificar veículos.
• Integração com Label Studio para gerenciamento e anotação dos dados.
• Uso de CUDA e PyTorch para acelerar o processamento com GPU.

---

🚀 Requisitos

Antes de iniciar, certifique-se de que os seguintes componentes estão instalados:

• CUDA e PyTorch
  Consulte PyTorch Get Started para as instruções de instalação e configuração de acordo com sua GPU.

• Docker
  Certifique-se de ter o Docker instalado para rodar os serviços do projeto.

---

🛠️ Configuração do Projeto

1. Estrutura do Projeto

O projeto está organizado da seguinte forma:

Contagem-Volumetrica/
├── docker-compose.yml         # Arquivo de configuração do Docker Compose para levantar os serviços
├── README.md                  # Este arquivo de documentação
├── requirements.txt           # Dependências específicas para rodar frame-work
└── src/
    └── label-image/
        ├── studio/            # Configurações e dados para o Label Studio
        └── ml/
            └── yolo/          # Scripts, modelos e arquivos relacionados ao YOLO
                ├── data/      # Dados utilizados pelo modelo (ex: imagens, vídeos, caches)
                ├── models/    # Arquivos de modelos YOLO (ex: yolov8n.pt, etc.)
                └── ...        # Outros scripts e arquivos de suporte

2. Configuração do Label Studio

• Navegue até o diretório src/label-image/ml/yolo.

• Adicione as variáveis de ambiente LABEL_STUDIO_URL e LABEL_STUDIO_API_KEY no arquivo docker-compose.yml.

• Construa a imagem Docker:

  docker build -t contagem-volumetrica .

• Volte para a raiz do projeto e atualize o arquivo docker-compose.yml com as mesmas variáveis de ambiente.

• Inicie os serviços:

  docker compose up -d

---

🎨 Configuração do Label Studio

Após iniciar o serviço, siga estes passos:

1. Crie um novo projeto no Label Studio com a seguinte configuração de anotação:

    <View>
      <Image name="image" value="$image"/>
      <RectangleLabels name="label" toName="image" model_score_threshold="0.1">
        <Label value="person" background="#9effa5" predicted_values="person"/>
        <Label value="car" background="#FFA39E" predicted_values="limousine,minivan,jeep,sports_car,passenger_car,police_van,car"/>
        <Label value="bus" background="#d0d30d" predicted_values="bus"/>
        <Label value="motorcycle" background="#FFC069" predicted_values="motorcycle"/>
        <Label value="van" background="#AD8B00"	predicted_values="van"/>
        <Label value="truck" background="#D3F261" predicted_values="truck"/>
      </RectangleLabels>
    </View>

2. Conecte o modelo na página de Model do projeto. Utilize a URL padrão:
   http://yolo:9090

3. Adicione as imagens ou vídeos (dependendo das tarefas que deseja resolver) no Label Studio.

4. Visualize as predições dos modelos YOLO nos dados anotados através do Data Manager.

---

📚 Recursos Adicionais

Para mais detalhes sobre a integração do YOLO com o Label Studio, consulte:

• Exemplo no repositório Label Studio ML Backend

---

🤝 Contribuições

Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou enviar pull requests com melhorias.

---

⚠️ Observações Finais

• Garanta que as variáveis de ambiente LABEL_STUDIO_URL e LABEL_STUDIO_API_KEY estejam configuradas corretamente.
• Certifique-se de utilizar as versões compatíveis de CUDA e PyTorch para aproveitar a aceleração por GPU.

---

Esperamos que este framework auxilie na criação de soluções robustas para análise de tráfego. Bom trabalho!