Hugging Face's logo

Spaces:
marcuscanhaco
/
weapon-detection-app
Running

App Files Community
weapon-detection-app / README.md
Marcus Vinicius Zerbini Canhaço
feat: versão inicial limpa
8fb6272
preview code
|
raw
history blame
2.42 kB
metadata
title: Weapon Detection App
emoji: 🚨
colorFrom: red
colorTo: yellow
sdk: gradio
sdk_version: 5.15.0
app_file: app.py
pinned: false
license: mit
hardware: true
resources:
  accelerator: T4
  gpu: true

Sistema de Detecção de Riscos em Vídeo

Este projeto implementa um sistema de detecção de riscos em vídeo utilizando YOLOv8 e Clean Architecture.

Pré-requisitos

  • Python 3.9 ou superior
  • pip (gerenciador de pacotes Python)
  • Ambiente virtual Python (recomendado)

Configuração do Ambiente

  1. Clone o repositório:
git clone [URL_DO_REPOSITORIO]
cd [NOME_DO_DIRETORIO]
  1. Crie e ative um ambiente virtual:
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# OU
.venv\Scripts\activate  # Windows
  1. Instale as dependências:
pip install -r requirements.txt
  1. Configure as variáveis de ambiente: Crie um arquivo .env na raiz do projeto com as seguintes variáveis:
NOTIFICATION_API_KEY=sua_chave_api

Executando o Projeto

  1. Ative o ambiente virtual (se ainda não estiver ativo)

  2. Execute o aplicativo:

python src/main.py
  1. Acesse a interface web através do navegador no endereço mostrado no terminal (geralmente http://localhost:7860)

Funcionalidades

  • Upload de vídeos para análise
  • Detecção de objetos em tempo real
  • Configuração de parâmetros de detecção
  • Sistema de notificações
  • Monitoramento de recursos do sistema

Estrutura do Projeto

O projeto segue os princípios da Clean Architecture:

  • domain/: Regras de negócio e entidades
  • application/: Casos de uso e interfaces
  • infrastructure/: Implementações concretas
  • presentation/: Interface com usuário (Gradio)

Contribuindo

  1. Fork o projeto
  2. Crie uma branch para sua feature (git checkout -b feature/AmazingFeature)
  3. Commit suas mudanças (git commit -m 'Add some AmazingFeature')
  4. Push para a branch (git push origin feature/AmazingFeature)
  5. Abra um Pull Request

Tecnologias

  • Python 3.8+
  • PyTorch com CUDA
  • OWL-ViT
  • Gradio
  • FFmpeg

Requisitos de Hardware

  • GPU NVIDIA T4 (fornecida pelo Hugging Face)
  • 16GB de RAM
  • Armazenamento para cache de modelos

Limitações

  • Processamento pode ser lento em CPUs menos potentes
  • Requer GPU para melhor performance
  • Alguns falsos positivos em condições de baixa luz

Desenvolvido com ❤️ para o Hackathon FIAP