midusi / cctv_analysis Goto Github PK

https://github.com/midusi/cctv_analysis/blob/master/model/openCv/OpenCv.py#L19

agregar el archivo a gitignore

En el init.py de model, corroborar que están los archivos de los modelos con los pesos y si no están bajarlos. Si están no hacer nada.

Por ahora que indique:

1. Donde se guardan los videos cuando se suben
2. Modelo de detección por defecto

3 carpetas:

• Modelo de detección
• Servidor Web
• App web de prueba

• separar carga/ejecución

model = models.load("nombre")
...
results = model.evaluate(video)

• ordenar la carga de cfgs
• quitar archivos extra tipo train/train_bottleneck
• pasar debug a un script

Tener un client_example.py de prueba que utilice un request.

Probar en varias resoluciones cuantos FPS procesa cada modelo de OpenCV

Modelo/Resolución Tiny-Yolo Yolo ...
128x128
256x256
...

quitar lo viejo de como usar el modelo de YOLO

Hay un /home/...

Luego de automatizar descarga y hacer el setup.py

Carpetas:

• model
• models
• server

Archivos:

• client_request.py
• install.py
• run_server.py

Afuera queda run_client.py y client_request.py (pasarlos a una carpeta "examples")

• Como levantar el server
• Como hacer un request a la API

1. El cliente levanta un servidor para recibir los resultados en URL_RESPUESTA
2. El cliente hace un pedido de procesamiento asincrónico con una URL_RESPUESTA.
3. El servidor recibe el pedido, y el procesamiento pasa a un thread de background con un Process. Se retorna un UUID para identificar el pedido y ahí termina el request.
4. El servidor terminar de procesar el video. Hace un request de tipo GET a URL_RESPUESTA, con el resultado del procesamiento y el UUID para identificar el mismo.
5. El cliente procesa los resultados según sea necesario.

Automatizar la descarga de los modelos, posiblemente guardando ya los modelos convertidos a formato Keras

Si es necesario guardar archivos grandes (>100mb) vemos de armar un drive o equivalente para subirlo