Com os eventos propiciados pelas epidemias ocorridas desde a eclosão do vírus SARS-CoV-2, surgiu a ideia de produzir esta ferramenta destinada ao monitoramento e controle de ambientes fechados contra doenças transmissíveis via aérea.
Portanto, são utilizadas equações com base nas propostas por Wells-Riley para estimar a qualidade do ar no local e o risco de contaminação.
Essa ferramenta está dividida em 3 módulos, sendo 2 deles pertencentes a esse repositório, são eles:
-
Aplicação principal, contendo o modelo de estimação do risco de contaminação, detecção de objetos utilizando YOLOv5 e página WEB com informações acerca do local monitorado.
-
Redes neurais treinadas, armazenadas na pasta "wheight", contendo diversas subversões do YOLOv5 de acordo com o uso desejado.
-
Estrutura do YOLOv5, que fornece os arquivos e ferramentas necessárias para a detecção e classificação de pessoas por vídeo.
Aplicação principal, contendo o modelo de estimação do risco de contaminação, detecção de objetos utilizando YOLOv5 e página WEB com informações acerca do local monitorado.
Redes neurais treinadas, armazenadas na pasta "wheight", contendo diversas subversões do YOLOv5 de acordo com o uso desejado.
Estrutura do YOLOv5, que fornece os arquivos e ferramentas necessárias para a detecção e classificação de pessoas por vídeo.
Observação: para acessar o 3º módulo, é necesário baixá-la no github dos desenvolvedores do YOLO, disponível em:
1. Python (https://www.python.org)
2. Torch (https://pytorch.org)
3. Dash (https://dash.plotly.com)
4. Plotly (https://plotly.com/python/)
5. Streamlink (https://streamlink.github.io/install.html)
6. Numpy (https://numpy.org)
7. Matplotlib (matplotlib)
8. OpenCV-python (https://opencv.org)
9. Pillow (https://pillow.readthedocs.io/en/stable/)
10. PyYAML (https://pyyaml.org)
11. Torchvision (https://pytorch.org/vision/stable/index.html)
12. Cuda Toolkit (https://developer.nvidia.com/cuda-toolkit)
A aplicação principal apresenta diversas ferramentas em sua estrutura para a apresentação do dashboard final, disposta na seguinte forma:
- Imports do projeto
- Variáveis de dados
- Seleção do modelo do yolov5
- Carregamento do vídeo a ser monitorado
- Modelo para estimar o risco de contaminação
- Detecção de vídeo
- Stream da detecção de vídeo
- Gráficos do dashboard
- Site em servidor local
- Servidor local
- k-means subtractor
- KNN subtractor
- haar cascade
- MOG
- Meanshift
- Camshift
- HOG
- YoloV3