.gitignore

@@ -252,4 +252,4 @@ cython_debug/
 #.idea/
 
 # End of https://www.toptal.com/developers/gitignore/api/python,pycharm+all
-yolov5s.pt
+yolov8s.pt

main.py

@@ -2,9 +2,7 @@ import os
 import sys
 
 import cv2 as cv
-import numpy as np
 import requests
-import torch
 
 import imageWorking
 import neuralNetwork
@@ -25,18 +23,19 @@ def analyze_file(uid: str, image_path: str) -> None:
         raise Exception(f'Онтология с uid {uid} не существует')
     if not os.path.isfile(image_path):
         raise Exception(f'Изображение {image_path} не существует')
-    model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
+    model = neuralNetwork.load_model()
-    model.names = neuralNetwork.rename_entity(model.names)
 
     # Распознавание изображения.
-    results = model(imageWorking.get_image_as_array(image_path))
+    results = model.predict(source=imageWorking.get_image_as_array(image_path))
     
     # Создание аксиом онтологии на основе результатов распознавания.
     object_properties = list()
     data_properties = list()
-    for i, res in enumerate(results.pred):
+    for res in results:
-        results_ndarray = np.array(res)
+        classes = res.boxes.cls.int()
-        request = ontologyWorking.get_request_data(model.names, results_ndarray)
+        conf = res.boxes.conf
+        boxes = res.boxes.xywh
+        request = ontologyWorking.get_request_data(model.names, classes, conf, boxes)
         object_properties += request[0]
         data_properties += request[1]
 
@@ -76,7 +75,7 @@ def analyze_file(uid: str, image_path: str) -> None:
         print('Неизвестное состояние')
 
     # Вывод изображения.
-    cv.imshow('result', results.render()[0][:, :, ::-1])
+    cv.imshow('result', results[0].plot())
     cv.waitKey(0)
     cv.destroyAllWindows()
 

neuralNetwork.py

@@ -1,10 +1,9 @@
-def rename_entity(list_names: dict) -> dict:
+from ultralytics import YOLO
+
+def load_model(name: str = 'yolov8s.pt') -> YOLO:
     '''
-    Нормализация названий объектов.
+    Загрузка предварительно натренированной модели.
-    @param list_names: Список названий объектов.
+    @param name: Название модели.
     '''
-    temp_list = list()
+    model = YOLO(name);
-    for entity in list_names.values():
+    return model
-        entity: str
-        temp_list.append(entity.title().replace(' ', ''))
-    return temp_list

ontologyWorking.py

@@ -15,41 +15,49 @@ def is_ontology_exists(uid: str, url: str) -> bool:
     return False
 
 
-def get_entity_square(results_ndarray_i: np.ndarray) -> float:
+def rename_entity(list_names: dict) -> dict:
+    '''
+    Нормализация названий объектов.
+    @param list_names: Список названий объектов.
+    '''
+    temp_list = list()
+    for entity in list_names.values():
+        entity: str
+        temp_list.append(entity.title().replace(' ', ''))
+    return temp_list
+
+
+def get_entity_square(width: float, height: float) -> float:
     '''
     Получение площади занимаемой области.
-    @param results_ndarray_i: Описание местоположения объекта.
+    @param width: Ширина области в px.
+    @param height: Высота области в px.
     '''
-    square = float((results_ndarray_i[2] - results_ndarray_i[0]) *
+    return abs(width * height)
-                   (results_ndarray_i[3] - results_ndarray_i[1]))
-    return abs(square)
 
 
-def get_request_data(entities: dict, results_ndarray: np.ndarray) -> tuple[list, list]:
+def get_request_data(entities: dict, objects: np.ndarray, confs: np.ndarray, boxes: np.ndarray) -> tuple[list, list]:
     '''
     Формирование данных для сервиса онтологий.
     @param entities: Список имён объектов.
     @param results_ndarray: Результат распознавания объектов.
     '''
     classroom = 'classroom'
+    entities = rename_entity(entities)
     object_properties = list()
     data_properties = list()
-    for i, entity in enumerate(entities):  # запись в лист имен объектов и присутствие
-        if (results_ndarray[:, -1] == i).sum() > 0:  # если объект найден
-            object_properties.append({'domain': entity,
-                                      'property': 'locatedIn',
-                                      'range': classroom})
-        else:
-            object_properties.append({'domain': entity,
-                                      'property': 'notLocatedIn',
-                                      'range': classroom})
 
-    for i in range(results_ndarray.shape[0]):
+    for entity_idx, entity in enumerate(entities):
-        data_properties.append({'domain': entities[int(results_ndarray[i, 5])],
+        if (entity_idx in objects):
-                                'property': 'hasArea',
+            object_properties.append({'domain': entity, 'property': 'locatedIn', 'range': classroom})
-                                'value': get_entity_square(results_ndarray[i])})
+        else:
-        data_properties.append({'domain': entities[int(results_ndarray[i, 5])],
+            object_properties.append({'domain': entity, 'property': 'notLocatedIn', 'range': classroom})
-                                'property': 'hasConfidence',
+
-                                'value': float(results_ndarray[i, 4])})
+    for object_idx, object in enumerate(objects):
+        conf = confs[object_idx]
+        box = boxes[object_idx]
+        entity = entities[object.item()]
+        data_properties.append({'domain': entity, 'property': 'hasArea', 'value': get_entity_square(float(box[2]), float(box[3]))})
+        data_properties.append({'domain': entity, 'property': 'hasConfidence', 'value': float(conf)})
 
     return object_properties, data_properties