PPE Classification - Système de Classification et Comptage de Poissons

Ce projet propose une solution complète pour la détection, la classification et le comptage automatique de poissons dans des vidéos sous-marines, à l'aide de modèles d'intelligence artificielle (YOLOv8 pour la détection, ResNet18 pour la classification).

Fonctionnalités principales

• Détection et classification de poissons parmi 22 espèces méditerranéennes
• Comptage automatique et suivi des individus pour éviter le double comptage
• Interface graphique intuitive permettant :
  • Lancement/arrêt de l'analyse vidéo (webcam ou fichier)
  • Visualisation en temps réel des détections et classifications
  • Affichage du comptage par espèce
  • Réglage du seuil de confiance
  • Export des résultats au format CSV
  • Génération de rapports graphiques

Espèces supportées

Espèce	Nom scientifique	Famille
Anthias	Anthias anthias	Serranidae
Atherine	Atherina hepsetus	Atherinidae
Bar européen	Dicentrarchus labrax	Moronidae
Bogue	Boops boops	Sparidae
Carangue	Trachurus trachurus	Carangidae
Daurade Royale	Sparus aurata	Sparidae
Daurade rose	Pagellus bogaraveo	Sparidae
Éperlan	Osmerus eperlanus	Osmeridae
Girelle	Coris julis	Labridae
Gobie	Gobius niger	Gobiidae
Grande raie pastenague	Dasyatis pastinaca	Dasyatidae
Grande vive	Trachinus draco	Trachinidae
Grondin	Chelidonichthys lucerna	Triglidae
Maquereau	Scomber scombrus	Scombridae
Mérou	Epinephelus marginatus	Serranidae
Mostelle	Phycis phycis	Phycidae
Mulet cabot	Mugil cephalus	Mugilidae
Murène	Muraena helena	Muraenidae
Orphie	Belone belone	Belonidae
Poisson scorpion	Scorpaena scrofa	Scorpaenidae
Rouget	Mullus surmuletus	Mullidae
Sole commune	Solea solea	Soleidae

Installation

Prérequis

• Python 3.11 ou 3.12 (Python 3.13 n'est pas encore supporté)
• uv (gestionnaire de paquets Python moderne)
• Git pour cloner le dépôt

Installation d'uv

Si vous n'avez pas encore installé uv, suivez les instructions ci-dessous :

macOS et Linux

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows

powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

Installation du projet

1. Cloner le dépôt

   git clone <url-du-depot>
   cd PPE-Classification

2. Installer les dépendances

   uv sync

   Cette commande va :

   • Créer automatiquement un environnement virtuel
   • Installer toutes les dépendances nécessaires
   • Configurer Python 3.12 (requis pour la compatibilité tkinter)

3. Vérifier l'installation

   uv run python --version

   Vous devriez voir Python 3.12.x

Utilisation

Lancement de l'application

uv run run_app.py

Interface graphique

1. Choisir la source vidéo :

   • Webcam : Cliquez sur "Utiliser Webcam"
   • Fichier vidéo : Cliquez sur "Charger Vidéo" et sélectionnez votre fichier

2. Configurer les paramètres :

   • Ajustez le seuil de confiance avec le curseur (0.1 à 1.0)
   • Un seuil plus élevé = détections plus précises mais moins nombreuses

3. Démarrer l'analyse :

   • Cliquez sur "Démarrer" pour lancer la détection
   • Observez les détections en temps réel
   • Le comptage par espèce s'affiche dans l'onglet "Comptage"

4. Contrôler l'analyse :

   • Arrêter : Pause l'analyse
   • Réinitialiser Compteurs : Remet les compteurs à zéro
   • Effacer CSV : Supprime les données exportées
   • Générer rapport : Lance l'analyse des performances

Gestion des données

Les résultats sont automatiquement sauvegardés dans :

• data/fish_counts.csv : Comptage par espèce avec timestamps
• assets/ : Graphiques et visualisations générés

Architecture du projet

PPE-Classification/
├── src/
│   └── ppe_classification/
│       ├── __init__.py
│       ├── models/
│       │   ├── __init__.py
│       │   └── fish_classifier.py      # Modèle de classification
│       ├── ui/
│       │   ├── __init__.py
│       │   └── app.py                  # Interface graphique
│       └── utils/
│           ├── __init__.py
│           ├── fish_counter.py         # Comptage et suivi
│           ├── metrics.py              # Métriques et performances
│           └── performances.py         # Analyses de performance
├── models/
│   ├── fish_classifier.pt             # Modèle de classification PyTorch
│   ├── class_names.txt                # Noms des espèces
│   └── yolov8n.pt                     # Modèle de détection YOLOv8
├── data/
│   ├── fish_counts.csv                # Données de comptage
│   └── temp_video.mp4                 # Vidéos temporaires
├── config/
│   ├── dataset.yaml                   # Configuration du dataset
│   └── train_config.yaml              # Configuration d'entraînement
├── assets/
│   └── *.png                          # Graphiques et visualisations
├── docs/                              # Documentation
├── run_app.py                         # Script de lancement principal
├── pyproject.toml                     # Configuration du projet
├── uv.lock                            # Versions exactes des dépendances
└── README.md                          # Ce fichier

Développement

Commandes utiles

# Installer de nouvelles dépendances
uv add <package-name>

# Mettre à jour les dépendances
uv sync --upgrade

# Exécuter des scripts
uv run <script.py>

# Lancer l'application en mode développement
uv run --reload run_app.py

Personnalisation

• Ajouter de nouvelles espèces : Modifiez models/class_names.txt
• Changer les seuils : Ajustez les paramètres dans src/ppe_classification/models/fish_classifier.py
• Modifier l'interface : Éditez src/ppe_classification/ui/app.py

Démonstration

Une démonstration vidéo du système est disponible ici : Lien Google Drive

Résolution des problèmes

Problèmes courants

1. Erreur tkinter :

   # Sur macOS
   brew install python-tk@3.12
   
   # Recréer l'environnement
   rm -rf .venv
   uv sync

2. Webcam non détectée :

   • Vérifiez que la webcam n'est pas utilisée par une autre application
   • Accordez les permissions d'accès à la webcam

3. Modèles non trouvés :

   • Assurez-vous que les fichiers .pt sont dans le dossier models/
   • Vérifiez les chemins dans la configuration

4. Performances lentes :

   • Réduisez le seuil de confiance
   • Utilisez une résolution vidéo plus faible
   • Fermez les autres applications gourmandes en ressources

Support

Pour signaler un bug ou demander de l'aide :

1. Créez une nouvelle issue avec :
   • Description détaillée du problème
   • Version de Python (python --version)
   • Système d'exploitation
   • Logs d'erreur complets

Licence

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus de détails.

Auteurs

Projet réalisé par Nicolas Lambropoulos dans le cadre d'un projet scolaire (PPE) à l'ECE paris.

Remerciements

• YOLOv8 par Ultralytics pour la détection d'objets
• PyTorch pour le framework de deep learning
• OpenCV pour le traitement d'images
• Supervision pour les utilitaires de vision par ordinateur

---