Skip to content

docs_passo7.md

Latest commit

 

History

History
156 lines (107 loc) · 7.62 KB

docs_passo7.md

File metadata and controls

156 lines (107 loc) · 7.62 KB
Raw

Passo 7 — Ferramentas Auxiliares e Utilitários

Visão por Computador · MEEC / IPB 2025–2026 Caio Sant'Ana Oliveira (52963) · Mauro da Silva Leme (a52965)

Visão geral

O "Passo 7" não é um único passo linear — é um conjunto de ferramentas auxiliares criadas ao longo do projecto para resolver problemas específicos. Cada script tem um propósito distinto e a maioria só precisa de correr uma vez (ou foi usado apenas durante o desenvolvimento).

Todos os ficheiros passo7

Ficheiro Usado no pipeline final? Função resumida
passo7_crop_g100.py ✅ Uma vez Recorta as imagens G100 de 640×640 para 575×371 px
passo7_copiar_g28_g40.py ✅ Uma vez Copia G28+G40 para a pasta unificada G100 crop
passo7_anotador.py ✅ Usado Ferramenta de anotação semi-automática de vagas G100
passo7_canonico.py ✅ Usado Consolida CSVs de anotação → vagas_extra_g100_crop.json
passo7_pipeline_viz.py ✅ Integrado Visualizador de pipeline (botão 🔍 no passo6)
passo7_vagas_indefinidas.py ❌ Dev/análise Varreu áreas não anotadas para encontrar vagas em falta
passo7_gap_analise_v2.py ❌ Dev/análise Análise detalhada do gap entre vagas 15 e 16 do G100
passo7_row_analysis.py ❌ Dev/análise Análise de linhas de vagas numa imagem específica
passo7_auto_grid.py ❌ Dev/análise Teste de paralaxe e auto-grid de vagas não anotadas
passo7_anotador_check.py ❌ Dev only Verificador de sintaxe do passo7_anotador.py

Scripts do pipeline final (usados na entrega)

passo7_crop_g100.py — Recorte das imagens G100

Problema: As imagens G100 originais são 640×640 px mas as 100 vagas anotadas só ocupam uma zona central (x=11..586, y=146..517). A zona exterior tem relva, edifícios e outros elementos que introduzem ruído nas features sem trazer informação útil.

Solução: Cortar todas as imagens G100 para 575×371 px, centrado nas vagas. As coordenadas das bboxes no COCO JSON são actualizadas para reflectir o novo sistema de coordenadas.

Resultado: Pasta dataset_parkinglot_g100_crop/ com train/valid/test recortados.

Quando correr: Uma vez, antes de qualquer outro script.

passo7_copiar_g28_g40.py — Unificação do dataset

Problema: O passo6 tinha de gerir três pastas separadas (dataset_parkinglot para G28/G40, dataset_parkinglot_g100_crop para G100). Isso complicava o carregamento das imagens.

Solução: Copiar as imagens G28 e G40 para a pasta dataset_parkinglot_g100_crop/, actualizando os COCO JSON para incluir essas anotações com IDs não colisivos.

Resultado: Uma única pasta com todas as 12.142 imagens (G28 + G40 + G100). O passo6 só precisa de apontar para um sítio.

Quando correr: Uma vez, depois do passo7_crop_g100.py.

passo7_anotador.py — Ferramenta de anotação semi-automática

Problema: O dataset G100 original não tinha todas as vagas físicas anotadas no COCO JSON — algumas vagas visíveis na imagem não tinham bbox. Sem bbox, o passo6 não as classificava.

Solução: Ferramenta Tkinter interactiva que permite ao utilizador:

  1. Abrir uma imagem G100
  2. Activar o modo Linha (tecla L) e arrastar horizontalmente sobre uma fila de vagas
  3. O sistema usa o modelo de perspectiva do G100 para gerar bboxes automaticamente ao longo da linha
  4. Clicar em cada vaga para confirmar ou inverter o label (Livre/Ocupada)
  5. Exportar para CSV (Ctrl+S)

Resultado: Ficheiros CSV em vagas_indefinidas/ com as novas anotações.

Teclas:

Tecla Acção
L Modo Linha — clicar+arrastar para gerar vagas
C Modo Confirmar — clicar numa vaga para inverter label
Ctrl+Z Desfazer última linha
Ctrl+S Guardar CSV
+ / - Zoom
F Ajustar zoom

passo7_canonico.py — Consolidação das anotações extras

Problema: O passo7_anotador.py gerava um CSV por sessão de anotação. Havia múltiplos CSVs com sobreposições e duplicados.

Solução: Lê todos os CSVs de vagas_indefinidas/, agrupa por posição (y ±25px, x ±18px) para remover duplicados e gera um único vagas_extra_g100_crop.json com as 29 vagas extra confirmadas.

Resultado: vagas_indefinidas/vagas_extra_g100_crop.json — carregado pelo passo6 para complementar as anotações COCO originais.

passo7_pipeline_viz.py — Visualizador interactivo do pipeline

Problema: O passo5 gera imagens estáticas de pipeline. Durante a demo ao professor, é mais útil clicar numa vaga específica e ver o seu pipeline em tempo real.

Solução: Script matplotlib interactivo que:

  • Mostra uma imagem G100 com overlay de classificação
  • Ao clicar numa vaga, abre uma janela com 4 linhas (uma por feature): ROI original → ROI processada → mapa de resposta → voto
  • Linha de rodapé com os 4 votos e a decisão final

Integração: É chamado pelo passo6_app_parque.py como subprocess quando o utilizador clica em 🔍 Como foi avaliado?. A imagem e as coordenadas da ROI são passadas via ficheiro .npy temporário.

Pode correr standalone:

python passo7_pipeline_viz.py

Scripts de desenvolvimento (não entregues como parte do pipeline)

Estes scripts foram criados durante o processo de investigação. Não fazem parte do pipeline final mas estão no repositório porque documentam o raciocínio por trás de algumas decisões.

passo7_vagas_indefinidas.py

Varreu automaticamente zonas não anotadas das imagens G100 (acima e abaixo das filas conhecidas) para encontrar vagas em falta. Gerou uma lista de posições candidatas que foram depois confirmadas manualmente com o passo7_anotador.py.

passo7_gap_analise_v2.py

Análise detalhada de um gap específico entre as vagas 15 e 16 do G100 que estava a dar erros sistemáticos. Gerou mapas de features deslizantes (F1, F2+F3, votos) para perceber a causa do erro — concluiu-se que era uma zona de transição entre duas sub-filas com perspectiva diferente.

passo7_row_analysis.py

Análise rápida das filas de vagas numa imagem específica do G100. Agrupa vagas por Y (threshold 20px) e imprime estatísticas por fila. Usado para perceber a estrutura de linhas do parque antes de criar o modelo de perspectiva.

passo7_auto_grid.py

Dois experimentos: (1) teste de paralaxe — verificar se uma ROI de diferentes alturas da imagem tem features diferentes; (2) auto-grid — tentar detectar vagas em zonas não anotadas através de varrimento sistemático com o classificador. Alimentou a decisão de criar o passo7_anotador.py.

passo7_anotador_check.py

Script de verificação de sintaxe e imports do passo7_anotador.py. Criado para validar o código sem ter de abrir a interface gráfica durante o desenvolvimento.

Fluxo dos scripts passo7 na preparação do dataset

passo7_crop_g100.py
   → cria dataset_parkinglot_g100_crop/ com imagens G100 recortadas
          ↓
passo7_copiar_g28_g40.py
   → copia G28+G40 para a mesma pasta unificada
          ↓
passo7_vagas_indefinidas.py  (análise)
passo7_gap_analise_v2.py     (análise)
passo7_row_analysis.py       (análise)
passo7_auto_grid.py          (análise)
   → identificam vagas em falta no G100
          ↓
passo7_anotador.py
   → utilizador anota manualmente as 29 vagas em falta → CSVs
          ↓
passo7_canonico.py
   → consolida CSVs → vagas_extra_g100_crop.json
          ↓
passo6_app_parque.py
   → carrega vagas_extra_g100_crop.json como complemento ao COCO

O passo7_pipeline_viz.py é paralelo a este fluxo — não prepara dados, é chamado em runtime pelo passo6.