Suzzany 🦆🐓

Suzzany é um sistema inteligente para monitoramento de galinheiros, utilizando Visão Computacional e Redes Neurais para detectar codornas, identificar a postura de ovos e alertar sobre intrusos no local. O projeto foi inicialmente desenvolvido para reconhecer codornas em tempo real com base em um modelo YOLOv3 customizado e está em contínuo desenvolvimento.

A ideia deste projeto surgiu após a perda de algumas codornas devido à presença de intrusos no galinheiro, o que tornou necessária uma solução para evitar maiores prejuízos.

Funcionalidades

A detecção e reconhecimento inicial das codornas está em fase de treinamento, com melhorias futuras planejadas para integrar as demais funcionalidades:

• 🎥 Monitoramento em Tempo Real: Detecta codornas e postura de ovos no galinheiro usando visão computacional.
• 🐀 Detecção de Intrusos: Detectar a presença de outros animais, como ratos, no galinheiro (em desenvolvimento).
• 🔔 Alertas Automáticos: Receber alertas automáticos quando ovos forem detectados ou quando um intruso aparecer (em desenvolvimento).

Pré-requisitos

Para rodar o projeto localmente, você precisará das dependencias listadas no requirements.txt:

• Python 3.10+
• OpenCV: Para manipulação e processamento de vídeo e imagem.
• NumPy: Biblioteca essencial para operações numéricas em Python.
• Python-dotenv: Para carregar variáveis de ambiente do arquivo .env.
• Scikit-learn: Ferramenta de machine learning e manipulação de dados.
• Darknet: Framework open-source para redes neurais, usado para treinar e executar o YOLO.

Instalação

Clonando o repositório:

$ git clone git@github.com:rafittu/quail-detector.git
$ cd quail-detector

Crie um ambiente virtual e ative-o:

$ python3 -m venv .venv
$ source .venv/bin/activate

Instale as dependências:

$ pip install -r requirements.txt

Iniciando o app

Os arquivos de datasets de treinamento e pesos pré-treinados são necessários para rodar a detecção no projeto, mas não estão incluídos diretamente neste repositório devido ao tamanho e restrições de armazenamento. Para obter os arquivos necessários, entre em contato diretamente comigo aqui.

De posse do dataset e dos pesos pré-treinados, inclua-os na seguinte pasta:

QUAIL-DETECTOR/
├── .venv/
├── src/
├── utils/
├── yolo/
│   ├── dataset/            #Arquivos do dataset aqui
│   │   ├── annotations/
│   │   ├── images/
│   │   └── labels
│   ├── weights/             #Arquivos de peso aqui
├── .env
├── .env.example
├── .gitignore
├── requirements.txt
└── README.md

Crie um arquivo .env na raiz do projeto e preencha as informações de acordo com o arquivo .env.example disponível.

Para iniciar o monitoramento do galinheiro com a detecção de codornas, execute o arquivo main.py:

$ python3 src/main.py

Rafael Ribeiro 🚀