Команда 220volt представляет программный модуль автоматизированного мониторинга объектов животного мира по изображениям с фотоловушек с использованием искусственного интеллекта.

• детектировать животных на фотографиях, производить подсчёт их количества, а также классифицировать их
• определять продолжительность нахождения животных при множественной регистрации для определённой локации
• выводить полученные данные в пользовательский интерфейс для контроля, а также формировать таблицу в файл отчёта

Программный модуль представляет собой полезный инструмент интеллектуального наблюдения и контроля, позволяющий экономить время научных сотрудников и специалистов на классификацию и оценку времени пребывания животных на охраняемых территориях. Технические особенности: Java, FlatLAF, Py4J, Python, Yolo v8, PyTorch, OpenCV.

1. Скачайте Java 8 с официального сайта.
2. Следуйте инструкциям по установке на вашем устройстве.

1. Скачайте Python 11 с официального сайта.
2. Следуйте инструкциям по установке на вашем устройстве.
3. Убедитесь, что Python добавлен в переменные окружения PATH.

1. Скачайте проект с GitHub на устройство с доступом к интернету.

2. Убедитесь, что все зависимости для проекта загружены. Для этого выполните следующие команды на устройстве с доступом к интернету:

   pip download -r requirements.txt -d /path/to/save/packages

3. Перенесите проект и загруженные пакеты на целевое устройство.

4. На целевом устройстве выполните команду для установки зависимостей:

   pip install --no-index --find-links=/path/to/save/packages -r requirements.txt

1. Клонируйте проект с GitHub:

   git clone https://github.com/Zuzokin/Hack_photo_trap

2. Исполните скрипт createvenv.bat для установки всех зависимостей:

   createvenv.bat

   Или в папке с baseline введите следующие команды

   python3 -m venv venv
   venv/bin/activate
   python3 -m pip install --upgrade pip
   pip install -r requirements.txt

3. Откройте файл Animals.jar.

1. Выберите необходимую директорию в поле выбора папки с датасетом.

2. Выберите папку с проектом на Python, содержащую нейросетевую модель.

3. Выберите на панели управления путь, в который будет сохранен отчет с регистрациями в формате CSV.

4. Нажмите кнопку "Запустить" и дождитесь завершения обработки датасета. По указанному ранее пути найдите сгенерированный CSV файл.

• Все регистрации, включая имена файлов, из которых они были построены, можно найти в таблице.
• Для удобного поиска по таблице можно воспользоваться поиском по ключевым словам на панели управления.
• Введите, например, интересующий класс животного. В таблице все соответствующие результаты будут подсвечены зеленым цветом.
• Для снятия выделения используйте кнопку "Отменить".

• В качестве модели нейронной сети использовался baseline с детектором YOLOv8 размера nano и классификатором efficientnet_b0. При анализе изображения применяются этапы адаптивной локальной предобработки, такие как LACC (Locally Adaptive Color Correction) и LACE (Locally Adaptive Contrast Enhancement). Код предобработки представлен в файлах LACC.py и LACE.py.
• Код формирования csv таблицы представлен в файле Frame.java в функции processCSV
• Для предотвращения учета ложных распознаваний при регистрации используются данные с предыдущих фотографий, где учитывается время и уверенность распознаного класса.

Ознакомиться с подробным роликом тестирования демонстрационного приложения можно по ссылке

(Вернуться наверх)