41 lines
1.5 KiB
Python
41 lines
1.5 KiB
Python
import cv2
|
|
|
|
# Carregar o modelo pré-treinado e os arquivos de configuração
|
|
model_path = 'C:/Zendion Inc/agrobot_base/Python/models/coco/faster_rcnn_inception_v2_coco_2018_01_28/frozen_inference_graph.pb'
|
|
config_path = 'C:/Zendion Inc/agrobot_base/Python/models/coco/faster_rcnn_inception_v2_coco_2018_01_28.pbtxt'
|
|
|
|
# Carregar o modelo
|
|
net = cv2.dnn_DetectionModel(model_path, config_path)
|
|
net.setInputSize(320, 320) # Definir o tamanho da entrada do modelo
|
|
|
|
# Definir as classes que o modelo pode detectar
|
|
classNames = []
|
|
with open('models/ssd_mobilenet_v3_large_coco/coco.names', 'rt') as f:
|
|
classNames = f.read().rstrip('\n').split('\n')
|
|
|
|
# Configurações adicionais
|
|
conf_threshold = 0.6 # Limiar de confiança para detecção
|
|
|
|
# Iniciar a captura de vídeo (altere o índice conforme necessário)
|
|
cap = cv2.VideoCapture(0)
|
|
|
|
while True:
|
|
ret, frame = cap.read()
|
|
if not ret:
|
|
break
|
|
|
|
# Detectar objetos no frame
|
|
classIds, confs, bbox = net.detect(frame, confThreshold=conf_threshold)
|
|
|
|
if len(classIds) > 0:
|
|
for classId, confidence, box in zip(classIds.flatten(), confs.flatten(), bbox):
|
|
cv2.rectangle(frame, box, color=(0, 255, 0), thickness=2)
|
|
cv2.putText(frame, classNames[classId - 1], (box[0] + 10, box[1] + 30),
|
|
cv2.FONT_HERSHEY_COMPLEX, 1, (0, 255, 0), 2)
|
|
|
|
cv2.imshow('Detecção de Objetos', frame)
|
|
if cv2.waitKey(1) & 0xFF == ord('q'):
|
|
break
|
|
|
|
cap.release()
|
|
cv2.destroyAllWindows() |