<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Simony Cantanhede on Medium]]></title>
        <description><![CDATA[Stories by Simony Cantanhede on Medium]]></description>
        <link>https://medium.com/@simonycanunes?source=rss-88dba9664c84------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*C3nlti-72DhNm69zLufmEA.jpeg</url>
            <title>Stories by Simony Cantanhede on Medium</title>
            <link>https://medium.com/@simonycanunes?source=rss-88dba9664c84------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 12:19:58 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@simonycanunes/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Construindo uma App para Reconhecimento de Objetos em Tempo Real com Tensorflow e OpenCV]]></title>
            <link>https://medium.com/machina-sapiens/construindo-um-app-para-reconhecimento-de-objetos-em-tempo-real-com-tensorflow-e-opencv-1e311f3e85c6?source=rss-88dba9664c84------2</link>
            <guid isPermaLink="false">https://medium.com/p/1e311f3e85c6</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[aprendizagem-de-máquina]]></category>
            <category><![CDATA[tensorflow]]></category>
            <dc:creator><![CDATA[Simony Cantanhede]]></dc:creator>
            <pubDate>Sat, 04 Nov 2017 00:52:42 GMT</pubDate>
            <atom:updated>2017-11-04T02:15:23.227Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Artigo traduzido do original </strong><a href="https://medium.com/towards-data-science/building-a-real-time-object-recognition-app-with-tensorflow-and-opencv-b7a2b4ebdc32"><strong>“Building a Real-Time Object Recognition App with Tensorflow and OpenCV”</strong></a><strong> de autoria do </strong><a href="https://medium.com/u/4ff6d2f67626"><strong>Dat Tran</strong></a><strong>.</strong></p><p><em>Tradução: Simony Cantanhede</em></p><p>Nesta matéria demonstrarei, de forma simples, o passo-a-passo para a construção de uma aplicação capaz de reconhecer objetos em tempo real utilizando a <a href="https://github.com/tensorflow/models/tree/master/research/object_detection">nova API de detecção de objetos da Tensorflow</a> e o <a href="http://opencv.org/">OpenCV</a> em Python 3 (mais especificamente, com a versão 3.5 do Python).</p><p>Me concentrarei na descrição dos desafios que tive de superar quando estava tentando construir a minha própria aplicação, para que você, leitor, fique esperto quando estiver colocando a mão na massa.</p><p>Você pode encontrar o código completo aqui no <a href="https://github.com/datitran/Object-Detector-App">meu repositório</a>.</p><p>E aqui está uma demonstração da app em execução:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*rTBusA7OnoqL_6tBoN_tWA.gif" /></figure><h3>Motivação</h3><p>Há pouco tempo a Google lançou sua nova <a href="https://research.googleblog.com/2017/06/supercharge-your-computer-vision-models.html">API de detecção de objetos TensorFlow</a>. Esta primeira versão contém:</p><ul><li>Alguns <a href="https://github.com/tensorflow/models/blob/477ed41e7e4e8a8443bc633846eb01e2182dc68a/object_detection/g3doc/detection_model_zoo.md">modelos pré-treinados</a> (é preciso ressaltar que houve um cuidado especial em fornecer modelos leves, que podem rodar sem problemas em dispositivos móveis);</li><li>Um exemplo de como montar um <a href="https://github.com/tensorflow/models/blob/master/research/object_detection/object_detection_tutorial.ipynb">“Jupyter Notebook”</a>[1] de um destes modelos disponíveis;</li><li>E alguns <a href="https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/running_locally.md">scripts</a> bem práticos que podem ser utilizados para re-treinar os modelos disponíveis usando um <em>dataset</em> de sua própria autoria, caso você deseje fazê-lo.</li></ul><p>Tendo em vista todas essas possibilidades, eu não via a hora de colocar minhas mãos em todo esse material incrível e dedicar alguma parte de meu tempo para construir algum tipo de aplicação capaz de reconhecer objetos em tempo real.</p><h3>Aplicação</h3><p>Primeiro, eu baixei o<a href="https://github.com/tensorflow/models"> repositório de modelos do TensorFlow</a> e então dei uma boa olhada no <a href="https://github.com/tensorflow/models/blob/master/research/object_detection/object_detection_tutorial.ipynb">“jupyter notebook” que o acompanha</a>: basicamente, ele descreve todas as etapas para o uso de um modelo pré-treinado. Neste exemplo, em específico, eles usaram o modelo “<a href="https://arxiv.org/abs/1512.02325">SSD com Mobilenet</a>”, mas há muitos outros modelos disponíveis para download em um repositório que eles chamaram de “Tensorflow detection model zoo”. Os modelos deste repositório são treinados com o <em>dataset</em> <a href="http://cocodataset.org/#home">COCO</a> e variam dependendo da velocidade do modelo (lento, médio e rápido) e de sua performance (mAP — baseada na precisão média).</p><p>Em seguida, eu executei o exemplo. Vale ressaltar o quão bem documentado é o exemplo disponibilizado, tanto que, é bem fácil entender logo de cara suas principais funções:</p><p>1. Importar os pacotes necessários como o TensorFlow, PIL, etc. ;</p><p>2. Definir algumas variáveis, por exemplo: número de classe, nome do modelo, etc. ;</p><p>3. Baixar o modelo pré-computado (extensão .pb — “<a href="https://developers.google.com/protocol-buffers/">protobuf</a>” [2]) e carregá-lo na memória ;</p><p>4. Carregar códigos auxiliares, por exemplo um índice para rotular o tradutor ;</p><p>5. O próprio código de detecção já contendo duas imagens para teste.</p><p><strong>OBS: </strong>Antes de executar o exemplo, dê uma olhada nas <a href="https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/installation.md">observações de configuração</a>, especialmente, naquelas que se referem à compilação do “protobuf”. Se você não rodar este comando aqui embaixo, o exemplo não vai funcionar:</p><pre># From tensorflow/models/research/<br>protoc object_detection/protos/*.proto --python_out=.</pre><p>Depois de ter executado o exemplo e começar a ter alguma de noção de como ele funcionava, eu modifiquei o código original da seguinte maneira:</p><ul><li>Excluí a seção de download do modelo;</li><li>Excluí também a dependência da biblioteca PIL, pois os fluxos de vídeo no OpenCV já estão no formato de <em>arrays numpy.</em> Além disso, PIL também é uma sobrecarga muito grande, especificamente ao usá-lo para leitura de imagens nos <em>streams </em>de vídeo;</li><li>Nenhuma declaração “com” para a sessão TensorFlow, pois esta é uma sobrecarga enorme, principalmente quando é necessário reiniciar a sessão depois de cada <em>stream</em>.</li></ul><p>Daí eu utilizei o OpenCV para fazer a conexão entre o exemplo modificado e minha webcam. Há vários tutoriais disponíveis em vários cantos da internet que explicam direitinho como fazer essa conexão, além da documentação oficial no próprio site do <a href="https://docs.opencv.org/3.0-last-rst/doc/py_tutorials/py_gui/py_video_display/py_video_display.html">OpenCV</a>.</p><p>Geralmente, a implementação básica de exemplos OpenCV não é otimizada, por exemplo, algumas funções em OpenCV estão fortemente vinculadas à entrada e saída de dados. Por causa disso, eu tive que buscar algumas soluções para contornar este problema:</p><ul><li>A leitura de <em>frames</em> através da <em>webcam</em> provoca um intenso fluxo de entrada e saída de dados. Minha ideia foi transferir essa responsabilidade para um novo processo Python que utilizasse uma <a href="https://docs.python.org/3.5/library/multiprocessing.html">biblioteca de multiprocessamento</a>. Mas, infelizmente, isto não funcionou. Havia algumas explicações no Stackoverflow sobre o porque uma solução como esta não funcionaria, mas não consegui me aprofundar muito no assunto. Felizmente, encontrei um exemplo muito bom do <a href="https://www.pyimagesearch.com/2015/12/21/increasing-webcam-fps-with-python-and-opencv/">Adrian Rosebrock em seu site “pyimagesearch”</a> usando<a href="https://docs.python.org/3.5/library/threading.html"> <em>threading</em></a> em vez de multiprocessamento, o que melhorou bastante o meu fps. Por sinal, se você quiser saber a diferença entre multiprocessamento e <em>threading, </em><a href="https://stackoverflow.com/questions/3044580/multiprocessing-vs-threading-python">no Stackoverflow você vai encontrar ótimas explicações</a>.</li><li>O carregamento do modelo pré-computado na memória a cada vez que a aplicação inicializa provoca uma enorme sobrecarga. Primeiro eu tentei solucionar utilizando uma sessão TensorFlow para cada execução, mas o carregamento continuou muito lento. Então o que eu fiz para solucionar de vez o problema? A solução é bastante simples. Neste caso, usei a biblioteca de multiprocessamento para dividir a pesada carga de trabalho da detecção de objetos em múltiplos processos. O gatilho inicial da aplicação continuará lento, pois cada um desses processos precisa carregar o modelo na memória e iniciar a sessão do TensorFlow, mas, depois disso, o paralelismo nos ajudará.</li><li>Reduzir a largura e a altura dos <em>frames</em> no stream de vídeo também ajudou a melhorar bastante o fps.</li></ul><p><strong>OBS:</strong> Se você estiver em um Mac OSX como eu e estiver usando o OpenCV 3.1, pode haver uma chance de o VideoCapture da OpenCV falhar depois de um tempo. Voltar ao OpenCV 3.0 resolverá o problema.</p><h3><strong>Conclusão e considerações futuras</strong></h3><p>Me dê um 👏 se você gostou desta matéria :) Faça o download do código e experimente você mesmo. E definitivamente dê uma olhada na API Tensorflow Object Detection. É muito prático e simples desde o primeiro contato. A próxima coisa que eu quero tentar é treinar meu próprio conjunto de dados com a API e também usar os modelos pré-treinados para outras aplicações que tenho em mente. Eu também não estou totalmente satisfeito com o desempenho desta aplicação ainda. A taxa de fps ainda não está otimizada. Há muitos gargalos no OpenCV que ainda não consegui contornar, mas há alternativas que eu posso experimentar, tais como usar o<a href="https://webrtc.org/"> WebRTC</a>. Entretanto, esta alteração precisaria ser baseada em web. Além disso, estou pensando em usar chamadas de método assíncronas (async) para melhorar minha taxa de fps. Fique ligado nas possíveis atualizações!</p><p>[1] “Jupyter Notebook” é uma aplicação web open-source integrante do Projeto Jupyter cujo objetivo é permitir a criação e o compartilhamento de documentos que contenham a um só tempo código-fonte, equações, visualizações e textos narrativos. Um “jupyter notebook” suporta mais de 40 linguagens de programação; pode ser compartilhado por meio de e-mail, dropbox e GitHub; pode gerar saídas interativas em diversos formatos, desde HTML até imagens e vídeos; e também suporta ferramentas de big data como o Apache Spark, R e Scala, além do TensorFlow. Para saber mais sobre o projeto <a href="https://jupyter.org/">clique aqui</a>.</p><p>[2] Um “protobuffer” (ou “protocol buffer”) é um mecanismo extensível criado pela Google capaz de executar em várias plataformas e em várias linguagens com o objetivo de serializar dados estruturados — algo como o XML, porém mais rápido, leve e simples. Saiba mais em:<a href="https://developers.google.com/protocol-buffers/"> https://developers.google.com/protocol-buffers/</a> .</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1e311f3e85c6" width="1" height="1" alt=""><hr><p><a href="https://medium.com/machina-sapiens/construindo-um-app-para-reconhecimento-de-objetos-em-tempo-real-com-tensorflow-e-opencv-1e311f3e85c6">Construindo uma App para Reconhecimento de Objetos em Tempo Real com Tensorflow e OpenCV</a> was originally published in <a href="https://medium.com/machina-sapiens">Machina Sapiens</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>