🐓 ChickensWantToLive 🐓

В этом проекте проводится исследование активности кур на птицеферме с дальнейшим анализом влияния стресса птицы на показатели их продуктивности

Структура

videos - в этой директирии находятся видео-файлы с камеры Hikvision. Необходимо скопировать видео-файлы с SD-карты и разместить их в директории с датой записи. Например videos/01.06.2023.
remuxed - в этой директории находятся преобразованные видео-файлы.
datasets - в эту директорию необходимо поместить набор данных для обучения нейросетевой модели. Набор можно скачать по ссылке. Выбрать последнюю доступную версию в формате YOLOv8 и скачать zip архив. После чего распаковать содержимое архива в эту директорию.
frames - в этой директории находятся извлеченные кадры из обработанных видео-файлов. Эти кадры используются для подготовки и дополнения набора данных.
training - в этой директории находятся файлы обучения нейросетевой модели, сохрененные контрольные точки, экспортированные веса модели.
processing - в этой директории находится результат обработки видео-файлов и графики активности птицы.
weights - в этой директории находятся файлы весов предобученных моделей YOLOv8.
utils - в этой директории находятся ключевые файлы запуска.

Этапы работы

1. Установка зависимостей

pip3 install -r requirements.txt

2. Обработка видео-файлов

В процессе записи видео-файлов на SD-карту камеры происходит нарушение целостности временных отметок. Необходимо предварительно обработать видео-файлы:

python3 utils/remux_video_files.py 01.06.2023

Файлы из директории videos/01.06.2023 будут обработаны и размещены в remuxed/01.06.2023.

3. Извлечение кадров из видео-файлов

После того как видео-файлы обработаны, можно извлечь необходимое количество кадров. Кадры извлекаются случайным образом.

python3 utils/extract_frames.py 01.06.2023 1000

Из видео-файлов в директории remuxed/01.06.2023 будут извлечены 1000 кадров и помещены в директорию frames/01.06.2023. Эти кадры можно выгрузить в Roboflow для разметки.

4. Обучение нейросетевой модели

После разметки кадров из видео-файлов и формирования набора данных необъодимо обучить нейросетевую модель YOLOv8. Предварительно нужно убедиться в наличии набора данных в директории datasets.

 python3 utils/train_network.py

При каждом новом запуске предыдущие обучения будут удалены. В результате обучения веса модели будут экспортированы в формате TensorRT в файл best.engine в директории training/take/weights.

5. Обработка видео-файлов для оценки активности птицы

Для того, чтобы проанализировать активность за определенное время, необходимо обработать видео-файлы нейронной сетью и получить количество детекций птицы для каждого кадра видео-файла.

На данный момент отсутствует возможность продолжить обработку видео-файлов после прерывания процесса обработки. Если повторно запустить обработку видео, то данные, полученные в результате предыдущей обработки, будут утеряны.

 python3 utils/process_video_files.py 01.06.2023

Данные обработанных видео будут хранится в файле detections.txt в директории processing/01.06.2023.

На данном этапе активность упрощенно расчитывается как медиана детекций за фиксированные интервалы времени.

6. Создание графиков активности

Для создания графика активности птицы необходимо обработать файл с данными detections.txt.

 python3 utils/plot_activity.py 01.06.2023

В директории processing/01.06.2023, которая содержит файл detections.txt будет создано изображение activity.png.

Ниже показаны примеры графиков активности птицы за сутки.

Шаблон интерфейса модели прогнозирования продукции.

lyftzeigen / ChickensWantToLive