co2ncientes

Name	co2ncientes JSON
Version	0.0.2 JSON
	download
home_page
Summary	Una herramienta de detección de elementos peculiares
upload_time	2023-06-12 04:37:43
maintainer
docs_url	None
author	Co2ncientes (CODEFEST 2023)
requires_python
license
keywords	python codefest
VCS
bugtrack_url
requirements	No requirements were recorded.
Travis-CI	No Travis.
coveralls test coverage	No coveralls.

            
# CO2nscientes CODEFEST 2023



## Problema de detección de objetos



### Librerías necesarias



Para el desarrollo de este reto, la libreria core con la que se realizó la detección de objetos fue tensorflow



(Instalar las librerias requeridas en el requirements.txt)



### Proceso de trabajo



Primero hubo una etapa de creación de un modelo de detección de objetos:

- Basados en los videos que nos entregaron, con la herramienta v2 segmentamos el video en frames

- Los frames del video fueron examinados por una persona que se encargo de anotar cuando encontrara algo de interés (carros, barcos, zonas deforestadas, etc)

- Se creó un diccionario de imágenes, anotando elementos de interés con la herramienta labelImg.py

- tensorflow generó un modelo que podía identificar objetos en un frame



Luego hubo una segunda etapa que es la de creación de la herramienta

- Se registra cada 60 frames una imágen

- La imágen es pasada por una función que primero trata de identificar la hora y las coordenadas usando easyocr

- Luego la misma imágen es pasada por un proceso de detección de objetos usando el modelo anteriormente creado

- Finalmente si algún objeto es detectado en la imágen, esta pasa a guardarse y a ser registrado el valor en el csv



Imágen de una máquinaria identificada



![deteccion](assets/detección.png)


            

Raw data

            {
    "_id": null,
    "home_page": "",
    "name": "co2ncientes",
    "maintainer": "",
    "docs_url": null,
    "requires_python": "",
    "maintainer_email": "",
    "keywords": "python,CODEFEST",
    "author": "Co2ncientes (CODEFEST 2023)",
    "author_email": "ma.acostaw@uniandes.com",
    "download_url": "https://files.pythonhosted.org/packages/60/3a/1bf6e91997830d94079cc06217f927495bec2c79890e6140adf54578e734/co2ncientes-0.0.2.tar.gz",
    "platform": null,
    "description": "\r\n# CO2nscientes CODEFEST 2023\r\r\n\r\r\n## Problema de detecci\u00f3n de objetos\r\r\n\r\r\n### Librer\u00edas necesarias\r\r\n\r\r\nPara el desarrollo de este reto, la libreria core con la que se realiz\u00f3 la detecci\u00f3n de objetos fue tensorflow\r\r\n\r\r\n(Instalar las librerias requeridas en el requirements.txt)\r\r\n\r\r\n### Proceso de trabajo\r\r\n\r\r\nPrimero hubo una etapa de creaci\u00f3n de un modelo de detecci\u00f3n de objetos:\r\r\n- Basados en los videos que nos entregaron, con la herramienta v2 segmentamos el video en frames\r\r\n- Los frames del video fueron examinados por una persona que se encargo de anotar cuando encontrara algo de inter\u00e9s (carros, barcos, zonas deforestadas, etc)\r\r\n- Se cre\u00f3 un diccionario de im\u00e1genes, anotando elementos de inter\u00e9s con la herramienta labelImg.py\r\r\n- tensorflow gener\u00f3 un modelo que pod\u00eda identificar objetos en un frame\r\r\n\r\r\nLuego hubo una segunda etapa que es la de creaci\u00f3n de la herramienta\r\r\n- Se registra cada 60 frames una im\u00e1gen\r\r\n- La im\u00e1gen es pasada por una funci\u00f3n que primero trata de identificar la hora y las coordenadas usando easyocr\r\r\n- Luego la misma im\u00e1gen es pasada por un proceso de detecci\u00f3n de objetos usando el modelo anteriormente creado\r\r\n- Finalmente si alg\u00fan objeto es detectado en la im\u00e1gen, esta pasa a guardarse y a ser registrado el valor en el csv\r\r\n\r\r\nIm\u00e1gen de una m\u00e1quinaria identificada\r\r\n\r\r\n![deteccion](assets/detecci\u00f3n.png)\r\r\n",
    "bugtrack_url": null,
    "license": "",
    "summary": "Una herramienta de detecci\u00f3n de elementos peculiares",
    "version": "0.0.2",
    "project_urls": null,
    "split_keywords": [
        "python",
        "codefest"
    ],
    "urls": [
        {
            "comment_text": "",
            "digests": {
                "blake2b_256": "603a1bf6e91997830d94079cc06217f927495bec2c79890e6140adf54578e734",
                "md5": "20c92c6816a0a0508b6cb7cc7f70c4c8",
                "sha256": "07a0cb7b66680d483e0b2dbc8d4a9cc670d6341f0ef70157e365efe82145a6f8"
            },
            "downloads": -1,
            "filename": "co2ncientes-0.0.2.tar.gz",
            "has_sig": false,
            "md5_digest": "20c92c6816a0a0508b6cb7cc7f70c4c8",
            "packagetype": "sdist",
            "python_version": "source",
            "requires_python": null,
            "size": 2868,
            "upload_time": "2023-06-12T04:37:43",
            "upload_time_iso_8601": "2023-06-12T04:37:43.961204Z",
            "url": "https://files.pythonhosted.org/packages/60/3a/1bf6e91997830d94079cc06217f927495bec2c79890e6140adf54578e734/co2ncientes-0.0.2.tar.gz",
            "yanked": false,
            "yanked_reason": null
        }
    ],
    "upload_time": "2023-06-12 04:37:43",
    "github": false,
    "gitlab": false,
    "bitbucket": false,
    "codeberg": false,
    "lcname": "co2ncientes"
}