DetectHumans - Projeto Integrador

Este repositorio faz parte de um projeto integrador com foco em Visao Computacional aplicada a seguranca e cuidado de pessoas. Nesta etapa, o objetivo principal e treinar um modelo YOLO (YOLOv8) para detectar pessoas em imagens. Essa base sera utilizada em etapas futuras para construir funcionalidades de maior impacto, como:

• detectar quando um idoso caiu;
• identificar situacoes de risco ou acidentes;
• gerar alertas para apoio rapido.

Objetivo do Projeto

Desenvolver um pipeline de deteccao de pessoas que sirva como fundacao para um sistema de monitoramento inteligente.

Neste momento, o projeto esta concentrado em:

• organizacao do dataset;
• treinamento supervisionado de deteccao;
• validacao inicial das metricas do modelo;
• salvamento de pesos para uso posterior em inferencia.

Estrutura do Projeto

detectHumans/
|- main.py
|- yolov8n.pt
|- dataset/
|  |- data.yaml
|  |- train.txt
|  |- images/
|  |  |- train/
|  |  |- val/
|  |- labels/
|     |- train/
|     |- val/
|- runs/
|  |- detect/
|     |- detect_human/
|        |- ex1/
|           |- args.yaml
|           |- results.csv
|           |- weights/
|              |- best.pt
|              |- last.pt

Dataset

O dataset esta configurado em dataset/data.yaml com:

• nc: 1 (uma classe);
• names: ['pessoa'];
• imagens de treino listadas em dataset/train.txt;
• conjunto de validacao em dataset/images/val. As anotacoes estao no padrao YOLO (.txt) em dataset/labels/.

Treinamento Atual

O treinamento esta implementado em main.py usando ultralytics:

• modelo base: yolov8n.pt;
• epocas: 100;
• tamanho de imagem: 640;
• batch: 8;
• dispositivo: cpu;
• augmentacao habilitada.

Os resultados do experimento atual estao em runs/detect/detect_human/ex1/. Exemplo de metrica observada ao final do treinamento (arquivo results.csv):

• mAP50(B) em torno de 0.995;
• mAP50-95(B) em torno de 0.88.

Como Executar

1. Instale o Python (recomendado 3.10+).
2. Instale as dependencias:

pip install ultralytics

3. Execute o treinamento:

python main.py

Ao final, os pesos treinados serao salvos em:

• runs/detect/detect_human/ex1/weights/best.pt
• runs/detect/detect_human/ex1/weights/last.pt

Proximas Etapas

• aumentar e balancear o dataset;
• melhorar robustez em diferentes ambientes (iluminacao, angulos, oclusao);
• criar logica temporal para diferenciar postura normal de queda;
• integrar alertas para cenarios reais de monitoramento de idosos.

Observacoes

Este repositorio representa uma etapa importante de base tecnica. O foco futuro e transformar a deteccao de pessoas em uma solucao pratica para prevencao e resposta a acidentes, especialmente no contexto de cuidado com idosos.