Руководство по обнаружению комаров

В этом руководстве показано, как использовать MosquitoDetector из библиотеки CulicidaeLab для выполнения обнаружения объектов на изображениях. Мы рассмотрим:

Загрузка модели детектора
Подготовка изображения
Запуск модели для получения ограничивающих рамок
Визуализация результатов
Оценка точности предсказания
Выполнение предсказаний на пакете изображений

1. Инициализация

Сначала мы получим глобальный экземпляр settings и используем его для инициализации нашего MosquitoDetector. Устанавливая load_model=True, мы указываем детектору немедленно загрузить веса модели в память. Если файл модели не существует локально, он будет загружен автоматически.

import re
import cv2
import matplotlib.pyplot as plt
from pathlib import Path

from culicidaelab import get_settings
from culicidaelab import MosquitoDetector

# Получить экземпляр настроек
settings = get_settings()

# Инициализировать детектор и загрузить модель
print("Инициализация MosquitoDetector и загрузка модели...")
detector = MosquitoDetector(settings=settings, load_model=True)
print("Модель успешно загружена.")

Out:

Инициализация MosquitoDetector и загрузка модели...
Weights file found at: /home/runner/.local/share/culicidaelab/models/weights/detection/culico-net-det-v1-nano.pt
Модель успешно загружена.

2. Обнаружение комаров на одном изображении

Теперь загрузим тестовое изображение и запустим на нем детектор.

Загрузка тестового изображения из локального каталога 'test_imgs'

image_path = Path("test_imgs") / "640px-Aedes_aegypti.jpg"
image = cv2.imread(str(image_path))
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # Преобразование в RGB для matplotlib

# Метод `predict` возвращает список обнаружений.
# Каждое обнаружение — это кортеж: (center_x, center_y, width, height, confidence_score)
detections = detector.predict(image_rgb)

# Метод `visualize` рисует ограничивающие рамки на изображении для удобного просмотра.
annotated_image = detector.visualize(image_rgb, detections)

# Отображение результата
plt.figure(figsize=(12, 8))
plt.imshow(annotated_image)
plt.axis("off")
plt.title("Обнаруженные комары")
plt.show()

# Вывод численных результатов обнаружения
print("\nРезультаты обнаружения:")
if detections:
    for i, (x, y, w, h, conf) in enumerate(detections):
        print(f"  - Комар {i+1}: Уверенность = {conf:.2f}, Рамка = (x={x:.1f}, y={y:.1f}, w={w:.1f}, h={h:.1f})")
else:
    print("  Комары не обнаружены.")

Обнаруженные комары

Out:

Результаты обнаружения:
  Комары не обнаружены.

3. Оценка предсказания

Метод evaluate позволяет сравнить предсказание с эталонными данными (ground truth). Это полезно для измерения точности модели. Метод возвращает несколько метрик, включая среднюю точность (Average Precision, AP), которая является стандартом для обнаружения объектов.

Здесь мы будем использовать только что найденное обнаружение в качестве имитации эталонных данных, чтобы продемонстрировать процесс.

Эталонные данные (ground truth) — это список рамок без оценки уверенности: [(x, y, w, h), ...]

if detections:
    test_ground_truth = [detections[0][:4]]  # Использовать первую обнаруженную рамку в качестве наших эталонных данных

    # Вы можете выполнить оценку, используя предварительно вычисленное предсказание
    print("--- Оценка с использованием предварительно вычисленного предсказания ---")
    evaluation = detector.evaluate(ground_truth=test_ground_truth, prediction=detections)
    print(evaluation)

    # Или вы можете позволить методу выполнить предсказание внутренне, передав необработанное изображение
    print("\n--- Оценка непосредственно из изображения ---")
    evaluation_from_raw = detector.evaluate(ground_truth=test_ground_truth, input_data=image_rgb)
    print(evaluation_from_raw)
else:
    print("Пропуск оценки, так как обнаружения не найдены.")

Out:

Пропуск оценки, так как обнаружения не найдены.

4. Выполнение пакетных предсказаний

Для эффективности вы можете обрабатывать несколько изображений одновременно, используя predict_batch. Это намного быстрее, чем перебирать в цикле и вызывать predict для каждого изображения по отдельности.

Найти все файлы изображений в каталоге 'test_imgs'

image_dir = Path("test_imgs")
pattern = re.compile(r"\.(jpg|jpeg|png)$", re.IGNORECASE)
image_paths = [path for path in image_dir.iterdir() if path.is_file() and pattern.search(str(path))]

# Загрузить все изображения в список (наш "пакет")
try:
    batch = [cv2.cvtColor(cv2.imread(str(path)), cv2.COLOR_BGR2RGB) for path in image_paths]
    print(f"\n--- Обработка пакета из {len(batch)} изображений ---")
except Exception as e:
    print(f"Произошла ошибка при чтении изображений: {e}")
    batch = []

# Запустить пакетное предсказание
detections_batch = detector.predict_batch(batch)
print("Пакетное предсказание завершено.")
for i, dets in enumerate(detections_batch):
    print(f"  - Изображение {i+1} ({image_paths[i].name}): Найдено {len(dets)} обнаружение(й).")

Out:

--- Обработка пакета из 3 изображений ---


Predicting detection batch:   0%|          | 0/3 [00:00<?, ?it/s]

Predicting detection batch:  33%|###3      | 1/3 [00:00<00:00,  4.63it/s]
Predicting detection batch: 100%|##########| 3/3 [00:00<00:00, 13.88it/s]
Пакетное предсказание завершено.
  - Изображение 1 (aedes-aegipy.png): Найдено 0 обнаружение(й).
  - Изображение 2 (9bd8bd325307035016959cb82376e09b.jpg): Найдено 0 обнаружение(й).
  - Изображение 3 (640px-Aedes_aegypti.jpg): Найдено 0 обнаружение(й).

5. Оценка пакета предсказаний

Аналогично, evaluate_batch можно использовать для получения агрегированных метрик по всему набору изображений.

Создать имитацию пакета эталонных данных из результатов нашего пакетного предсказания

batch_test_gt = [[(x, y, w, h) for (x, y, w, h, conf) in detections] for detections in detections_batch]

# Вызвать evaluate_batch. Мы предоставляем предсказания напрямую.
print("\n--- Оценка всего пакета ---")
batch_evaluation = detector.evaluate_batch(
    ground_truth_batch=batch_test_gt,
    predictions_batch=detections_batch,
    num_workers=1,
)

print("Агрегированные метрики оценки пакета:")
print(batch_evaluation)

Out:

--- Оценка всего пакета ---


Calculating metrics:   0%|          | 0/3 [00:00<?, ?it/s]
Calculating metrics: 100%|##########| 3/3 [00:00<00:00, 21183.35it/s]
Агрегированные метрики оценки пакета:
{'f1_mean': 1.0, 'f1_std': 0.0, 'ap_mean': 1.0, 'ap_std': 0.0, 'precision_mean': 1.0, 'precision_std': 0.0, 'mean_iou_mean': 0.0, 'mean_iou_std': 0.0, 'recall_mean': 1.0, 'recall_std': 0.0, 'count': 3}

Total running time of the script: ( 0 minutes 1.056 seconds)

Download Python source code: tutorial_part_2_mosquito_detection.py

Download Jupyter notebook: tutorial_part_2_mosquito_detection.ipynb

Gallery generated by mkdocs-gallery