detect_image.py

from tensorflow.keras.applications.mobilenet_v2 import preprocess_input
from tensorflow.keras.preprocessing.image import img_to_array
from tensorflow.keras.models import load_model
import numpy as np
import cv2
import os
import sys


# carrega modelo de detector de rosto serializado a partir do disco
print("[INFO] carregando modelo detector de faces...")
prototxtPath = os.path.sep.join(["classificadores/deploy.prototxt"])
weightsPath = os.path.sep.join(
    ["classificadores/res10_300x300_ssd_iter_140000.caffemodel"]
)
net = cv2.dnn.readNet(prototxtPath, weightsPath)

# carregar o modelo do detector de máscara facial a partir do disco
print("[INFO] carregando modelo...")
modelo = load_model("classificadores/mask_detector.model")

# carrega a imagem

print("[INFO] carregando imagem...")

if len(sys.argv) > 1:
    if sys.argv[1] == "-i":
        path = sys.argv[2]
    else:
        print("Insira um argumento valido")
else:
    path = "exemplos/3.png"
imagem = cv2.imread(path)
# copiando imagem
origem = imagem.copy()
(h, w) = imagem.shape[:2]

# construir um blob a partir da imagem
blob = cv2.dnn.blobFromImage(imagem, 1.0, (300, 300), (104.0, 177.0, 123.0))
# passe o blob pela rede e obtenha as detecções de rosto

print("[INFO] computando deteccoes faciais...")
net.setInput(blob)
deteccoes = net.forward()


# loop sobre as detecçoes
for i in range(0, deteccoes.shape[2]):
    # extrair a confiança (ou seja, probabilidade) associada à detecção
    confianca = deteccoes[0, 0, i, 2]
    # filtrar detecções fracas, garantindo que a confiança seja maior que a confiança mínima
    if confianca > 0.5:
        # calcular as coordenadas (x, y) da caixa delimitadora para o objeto
        box = deteccoes[0, 0, i, 3:7] * np.array([w, h, w, h])
        (startX, startY, endX, endY) = box.astype("int")
        # verifique se as caixas delimitadoras estão dentro das dimensões do

        (startX, startY) = (max(0, startX), max(0, startY))
        (endX, endY) = (min(w - 1, endX), min(h - 1, endY))

        # extrai o ROI da face, converte-o de pedido de canal BGR para RGB, redimensione-o para 224x224 e pré-processe
        face = imagem[startY:endY, startX:endX]
        face = cv2.cvtColor(face, cv2.COLOR_BGR2RGB)
        face = cv2.resize(face, (224, 224))
        face = img_to_array(face)
        face = preprocess_input(face)
        face = np.expand_dims(face, axis=0)

        # passa a iamgem no modelo, para verificar a exixtencia de uma mascara ou não
        (mask, withoutMask) = modelo.predict(face)[0]

        # determinado a label e a cor do quadrado
        label = "Com mascara" if mask > withoutMask else "Sem mascara"
        color = (0, 255, 0) if label == "Com mascara" else (0, 0, 255)

        # inclui a probabilidade na label
        label = "{}: {:.2f}%".format(label, max(mask, withoutMask) * 100)
        # exibir a label e o retângulo da caixa delimitadora no quadro de saída

        cv2.putText(
            imagem,
            label,
            (startX, startY - 10),
            cv2.FONT_HERSHEY_SIMPLEX,
            0.45,
            color,
            2,
        )
        cv2.rectangle(imagem, (startX, startY), (endX, endY), color, 2)

# Mostra a imagem final
cv2.imshow("Janela", imagem)
cv2.waitKey(0)