90AnimalClassification / src /img_processing.py
arturevs's picture
repo
526a74f
Raw History Blame Contribute Delete
3.79 kB
import os
import cv2
import pandas as pd
import torch
import torch.nn as nn
import torchvision.transforms as transforms
from torchvision.models import resnet18 # Usaremos uma CNN pré-treinada (ResNet18)
# Configurações
DATASET_PATH = "./animals/" # Pasta principal com as subpastas de animais
CSV_FOLDER = "./csv_folder" # Pasta para salvar os CSVs
IMAGE_SIZE = (224, 224) # Tamanho das imagens para a CNN
# Criar a pasta csv_folder se não existir
if not os.path.exists(CSV_FOLDER):
os.makedirs(CSV_FOLDER)
# Carregar uma CNN pré-treinada (ResNet18) e remover a camada final (fully connected)
cnn_model = resnet18(pretrained=True)
cnn_model = nn.Sequential(*list(cnn_model.children())[:-1]) # Remove a última camada
cnn_model.eval() # Colocar o modelo em modo de avaliação
# Transformações para a imagem
transform = transforms.Compose([
transforms.ToPILImage(),
transforms.Resize(IMAGE_SIZE),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # Normalização para o modelo pré-treinado
])
# Função para extrair características de uma imagem usando a CNN
def extract_features(image):
with torch.no_grad(): # Desativar cálculo de gradientes
image_tensor = transform(image).unsqueeze(0) # Adicionar dimensão do batch
features = cnn_model(image_tensor) # Extrair características
return features.flatten().numpy() # Achatar e converter para numpy array
# Função para processar uma subpasta (espécie) e salvar em um DataFrame
def process_animal_folder(animal_class, class_path):
# Lista para armazenar os dados da subpasta
data = []
# Percorrer as imagens da subpasta
for image_name in os.listdir(class_path):
image_path = os.path.join(class_path, image_name)
try:
# Verificar se o arquivo é uma imagem válida
if not image_name.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
print(f"Ignorando arquivo não suportado: {image_path}")
continue
# Carregar a imagem
image = cv2.imread(image_path)
if image is None:
raise ValueError(f"Falha ao carregar a imagem: {image_path}")
# Extrair características usando a CNN
features = extract_features(image)
# Adicionar ao dataset com o label sendo o nome da subpasta
data.append([animal_class] + list(features))
except Exception as e:
print(f"Erro ao processar {image_path}: {e}")
# Verificar se há dados antes de criar o DataFrame
if not data:
print(f"Nenhuma imagem válida encontrada na pasta: {class_path}")
return None
# Criar DataFrame
columns = ["label"] + [f"feature_{i}" for i in range(len(data[0]) - 1)]
df = pd.DataFrame(data, columns=columns)
return df
# Percorrer as subpastas
for animal_class in os.listdir(DATASET_PATH):
class_path = os.path.join(DATASET_PATH, animal_class)
# Verificar se é uma pasta
if os.path.isdir(class_path):
print(f"Processando imagens da classe: {animal_class}")
# Processar a subpasta e obter o DataFrame
df = process_animal_folder(animal_class, class_path)
if df is not None:
# Salvar CSV com o nome do animal
csv_filename = os.path.join(CSV_FOLDER, f"{animal_class}_dataset.csv")
try:
df.to_csv(csv_filename, index=False)
print(f"Dataset salvo como '{csv_filename}'")
except Exception as e:
print(f"Erro ao salvar o dataset {csv_filename}: {e}")
print("Processamento concluído!")