Dorim să rulăm un server web pe ESP32-CAM pe care îl vom folosi pentru a obține imaginile.

• În Arduino IDE 2, mergeți la File > Examples > ESP32 > Camera și deschide exemplul CameraWebServer.
• Decomentați linia #define CAMERA_MODEL_AI_THINKER, pentru a selecta modelul de placă. Comentați linia #define CAMERA_MODEL_ESP_EYE.
• Completați SSID-ul și parola Wi-Fi-ului.
• La Tools > Board selectați AI-Thinker ESP32-CAM.
• La Tools > Port selectați portul COM la care este conectat ESP32.
• Apăsați butonul de upload pentru a încărca codul.
• Deschideți Serial Monitor la o viteză de transfer de 115200 baud.
• Apăsați butonul de Reset de pe placa ESP32-CAM.
• Adresa IP a ESP32 ar trebui să fie afișată în Serial Monitor.
• Deschideți un browser și introduceți adresa IP a plăcii ESP32-CAM.
• Puteți descărca o fotografie folosind butonul Save. De asemenea se poate accesa URL-ul adr_IP/capture pentru a obține o imagine instant.

Puteți găsi un tutorial similar aici.

În acest exercițiu vom folosi TensorFlow pentru a detecta obiectele dintr-o imagine. Imaginea se va da sub forma unui URL. Vom prelua o imagine de la ESP32-CAM și o vom trece prin model pentru a obține obiectele detectate.

Setup:

• Asigurați-vă că aveți Python 3.9–3.12.
• Instalați modulul venv/virtualenv.

• Creați un nou director: mkdir env_new
• Creați un nou environment în acel director: python3 -m venv env_new
• Activați noul environment: source env_new/bin/activate
• Actualizați pip: pip install –upgrade pip
• Instalați TensorFlow: python3 -m pip install tensorflow
• Instalați TensorFlow Hub: pip install –upgrade tensorflow-hub
• Instalați matplotlib: pip install matplotlib

1. Urmăriți acest tutorial pas cu pas pentru a implementa detecția obiectelor dintr-o anumită imagine. Salvați codul într-un fișier Python object_detection.py.

2. Modificați codul din tutorial în modul următor:

2.1. Modificați funcția display_image în modul următor pentru a salva pe disc și afișa imaginea rezultată:

def display_image(image):
  fig = plt.figure(figsize=(12, 8))
  plt.grid(False)
  plt.imshow(image)
  plt.savefig('result.jpg')
  plt.show()

2.2. Comentați linia pil_image = ImageOps.fit(pil_image, (new_width, new_height), Image.LANCZOS) din funcția download_and_resize_image pentru a nu face redimensionarea imaginii. Scoateți parametri suplimentari atunci când este apelată funcția download_and_resize_image: downloaded_image_path = download_and_resize_image(image_url).

3. Rulați codul folosind comanda: python3 object_detection.py.

4. Pentru a analiza imaginea produsă de ESP32-CAM folosiți URL-ul: adr_IP/capture. De exemplu:

 image_url = "http://192.168.142.118/capture"

5. Se pot folosi 2 module de detecție:

• FasterRCNN+InceptionResNet V2: acuratețe ridicată. Folosiți:

  module_handle = "https://tfhub.dev/google/faster_rcnn/openimages_v4/inception_resnet_v2/1"

• ssd+mobilenet V2: mic și rapid. Folosiți:

  module_handle = "https://tfhub.dev/google/openimages_v4/ssd/mobilenet_v2/1"

În exercițiul 2, variabila result din funcția run_detector() include toate rezultatele numerice produse de model în urma analizei imaginii. Acestea pot fi folosite mai departe pentru a efectua alte acțiuni în funcție de obiectele detectate.

Variabila result conține următoarele:

• 'detection_class_labels' = o listă de etichete numerice, unde fiecare etichetă numerică corespunde clasei unui obiect detectat în imagine.
• 'detection_class_names' = o listă de nume codificate sau identificatori pentru fiecare clasă detectată.
• 'detection_class_entities' = o listă de nume lizibile ale claselor detectate.
• 'detection_boxes' = o listă de coordonate ale casetelor de delimitare (boxes) pentru fiecare obiect detectat.
• 'detection_scores' = o listă de numere între 0 și 1, unde fiecare număr corespunde scorului de încredere al detectării modelului pentru obiectul corespunzător din imagine. Un scor de 1 indică faptul că modelul este foarte încrezător în detectarea sa, în timp ce un scor mai aproape de 0 sugerează o încredere mai scăzută. Elementul 'detection_scores' este crucial pentru filtrarea detectărilor potențial inexacte. Puteți seta un prag (de exemplu: 0,5) și puteți lua în considerare doar obiectele cu scoruri peste acel prag pentru procesarea ulterioară.

Modificați scriptul pentru a afișa în terminal conținutul variabilei result și observați listele descrise mai sus.

Rulați scriptul în timp ce camera este îndreptată către o persoană. Observați că lista 'detection_class_entities' include clasele 'Person', 'Human face' și altele. În lista 'detection_scores' sunt incluse scorurile pentru fiecare clasă din 'detection_class_entities'. De exemplu un scor mare pentru 'Human face' indică faptul că este detectată o față umană în poză.

Dacă detectați o persoană folosind camera de pe ESP32-CAM atunci generați o alertă către utilizator (un mesaj in terminal).

Modificați codul anterior pentru a trimite către utilizator un email cu poza inițială și cea produsă de model.

În acest exercițiu dorim să detectăm automat obiecte/persoane dintr-un stream video produs de ESP32-CAM. Pe placă va rula un server web care folosește TensorFlow.js pentru detecție.

Pași:

• Descărcați acest repo.
• Deschideți ObjectDetection_ESP32cam.ino în Arduino IDE 2.
• Completați SSID-ul și parola Wi-Fi-ului în cod.
• La Tools > Board selectați AI-Thinker ESP32-CAM.
• La Tools > Port selectați portul COM la care este conectat ESP32.
• Apăsați butonul de upload pentru a încărca codul.
• Deschideți Serial Monitor la o viteză de transfer de 115200 baud.
• Apăsați butonul de Reset de pe placa ESP32-CAM.
• Adresa IP a ESP32 ar trebui să fie afișată în Serial Monitor.
• Deschideți un browser și introduceți adresa IP a plăcii ESP32-CAM.
• Puteți observa cum sunt detectate obiecte/persoane în timp real din stream-ul video produs de ESP32-CAM.