Computer Vision

Классификация цветов, детекция животных и детекция объектов.

Репозиторий собран как портфолио-проект: самостоятельные Jupyter-ноутбуки, воспроизводимый запуск и явные инструкции по данным.

Задача	Модель	Данные	Результат
Классификация цветов	MobileNetV2 + свой классификатор (Keras)	TensorFlow Flowers (flower_photos)	85.56% accuracy на тесте
Детекция животных	YOLOv8n (Ultralytics)	Animals-10	bounding boxes + подсчёт объектов
Детекция объектов	Haar Cascade (OpenCV)	номера авто, морды котов, настенные часы	bounding boxes на тестовых фото

Python 3.11.

---

Содержание

• Что внутри
• Структура
• Быстрый старт
• Ноутбук 1. Классификация цветов
• Ноутбук 2. Детекция животных
• Ноутбук 3. Детекция объектов
• Зависимости

Что внутри

Классификация цветов. Transfer learning на MobileNetV2: веса backbone заморожены, сверху — полносвязная голова. Датасет делится 80/20, обучение 20 эпох, затем оценка и инференс на отдельных фото.

Детекция животных. Предобученный YOLOv8n на изображении из Animals-10: визуализация боксов, подсчёт объектов по классам и обёртка ImageDetectionYOLO для прогона по папке.

Детекция объектов. Классические Haar-каскады OpenCV: автомобильные номера, морды котов и настенные часы.

Структура

cv_detection/
├── README.md
├── LICENSE
├── requirements.txt
├── .gitignore
├── .github/workflows/validate.yml
├── images/                   # тестовые JPEG (номера, коты, часы; test_1…3 для цветов)
├── xml/                      # Haar-каскады OpenCV
├── flower_photos/            # датасет цветов (скачать отдельно)
├── model/                    # веса MobileNetV2 (скачать отдельно)
└── notebooks/
    ├── cv_flowers.ipynb
    ├── cv_detection.ipynb
    └── object_detection.ipynb

В notebooks/ лежат только .ipynb. Запускайте ячейки из каталога notebooks/: пути к данным идут на уровень выше (../images, ../xml, ../flower_photos, ../model).

Быстрый старт

git clone https://github.com/mishafoniakov/cv_detection.git
cd cv_detection

python3.11 -m venv .venv
source .venv/bin/activate   # Windows: .venv\Scripts\activate
pip install -r requirements.txt

jupyter notebook notebooks/

Данные для классификации цветов

Ноутбук cv_flowers.ipynb читает три локальных пути из корня репозитория:

1. Датасет TensorFlow Flowers — flower_photos/<класс>/*.jpg (daisy, dandelion, roses, sunflowers, tulips)
2. Веса MobileNetV2 — model/mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_128_no_top.h5
3. Три тестовых JPEG — images/test_1.jpg, images/test_2.jpg, images/test_3.jpg

Из корня репозитория:

curl -L http://download.tensorflow.org/example_images/flower_photos.tgz -o /tmp/flower_photos.tgz
tar -xzf /tmp/flower_photos.tgz -C .

mkdir -p model
curl -L "https://storage.googleapis.com/tensorflow/keras-applications/mobilenet_v2/mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_128_no_top.h5" \
  -o model/mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_128_no_top.h5

Затем положите test_1.jpg, test_2.jpg, test_3.jpg в images/. Сами датасет и веса .h5 в git не входят.

Данные для детекции животных

Animals-10 скачивается из ячейки через kagglehub (alessiocorrado99/animals10). Веса yolov8n.pt подтягивает Ultralytics при первом запуске. Для Kaggle может понадобиться API-токен.

Данные для детекции объектов

Для object_detection.ipynb уже лежат:

• фото в images/ — number_*.jpg, cat_*.jpg, clock*.jpg
• каскады в xml/ — haarcascade_russian_plate_number.xml, haarcascade_frontalcatface.xml, haarcascade_wallclock.xml

Дополнительно ничего скачивать не нужно.

Ноутбук 1. Классификация цветов

Файл: notebooks/cv_flowers.ipynb

Пайплайн:

1. Загрузка изображений по папкам-классам из ../flower_photos
2. Нормализация пикселей в [0, 1], split 80/20 (random_state=42)
3. MobileNetV2 без головы, trainable=False, веса из ../model
4. Sequential: Flatten → Dense(64) → Dense(128) → Dense(64) → Dropout(0.5) → softmax
5. Adam, sparse_categorical_crossentropy, 20 эпох, batch_size=32, вход 128×128
6. Оценка на тесте, графики accuracy/loss, инференс на ../images/test_1.jpg … test_3.jpg

Зафиксированный результат прогона: точность на тестовой выборке 85.56%.

Ноутбук 2. Детекция животных

Файл: notebooks/cv_detection.ipynb

Пайплайн:

1. YOLOv8n (yolov8n.pt)
2. Пример из raw-img/elefante
3. Детекция, отрисовка боксов, подсчёт объектов по классам COCO
4. Класс ImageDetectionYOLO: подготовка кадра, инференс, визуализация
5. Прогон по первым 10 изображениям папки

Ноутбук 3. Детекция объектов

Файл: notebooks/object_detection.ipynb

Пайплайн:

1. Haar Cascade для российских автомобильных номеров
2. Haar Cascade для морды кота
3. Предобработка кадра и детекция настенных часов
4. Отрисовка bounding boxes на фото из ../images, каскады из ../xml

Зависимости

Список пакетов — в requirements.txt. Основные:

• классификация цветов: TensorFlow / Keras, scikit-learn, NumPy, pandas, Matplotlib
• детекция животных: Ultralytics, OpenCV, kagglehub
• детекция объектов: OpenCV, Matplotlib

Датасеты и веса в git не входят (см. .gitignore). Фото для Haar-детекции и XML-каскады — входят.

Лицензия

MIT