Détection de Plaques d'Immatriculation pour la RDC

Ce projet utilise YOLOv5 et TensorFlow.js pour entrainer des models pouvant servir à détecter les plaques d'immatriculation spécifiques de la République Démocratique du Congo (RDC).

Echantillons

Table des Matières

• Installation
• Structure du Projet
• Entraînement du Modèle
• Conversion du Modèle
• Déploiement de l'Application Web
• Utilisation
• Contribuer
• Licence

Installation

1. Clonez le référentiel YOLOv5 dans le répertoire du projet :

   git clone https://github.com/ultralytics/yolov5.git

2. Accédez au répertoire yolov5 et installez les dépendances :

   cd yolov5
   pip install -r requirements.txt

3. Installez les dépendances supplémentaires nécessaires pour ONNX et TensorFlow.js :

   pip install onnx onnx-tf tensorflowjs

Entraînement du Modèle

1. Préparez vos données et annotations dans le dossier datasets/.

2. Créez un fichier de configuration data.yaml dans le dossier yolov5/data/ :

   train: ../datasets/images/train
   val: ../datasets/images/val
   nc: 1  # Nombre de classes (1 pour les plaques d'immatriculation)
   names: ['license_plate']

3. Entraînez le modèle YOLOv5 :

   cd yolov5
   python train.py --img 640 --batch 16 --epochs 50 --data data/data.yaml --weights yolov5s.pt

Conversion du Modèle

1. Exportez le modèle YOLOv5 entraîné au format ONNX :

   python export.py --weights runs/train/exp/weights/best.pt --include onnx

2. Convertissez le modèle ONNX en TensorFlow, puis en TensorFlow.js :

   onnx-tf convert -i best_model/best.onnx -o best_model/best_tf
   tensorflowjs_converter --input_format=tf_saved_model best_model/best_tf best_model/web_model

Contribuer

Les contributions sont les bienvenues ! Veuillez soumettre des pull requests et signaler les problèmes via GitHub.

Auteur

Joe Monkila - Créateur et Développeur Principal