add AI

24-AI/yoloV10/a.py

@@ -0,0 +1,59 @@
+from ultralytics import YOLOv10
+import cv2
+import os
+
+# YOLOv10 modelini yükle
+model = YOLOv10('C:\\Users\\DoganPc\\Desktop\\Yolo\\runs\\detect\\train3\\weights\\best.pt')
+
+# Giriş resmi ve boyutları
+input_image_path = 'C:\\Users\\DoganPc\\Desktop\\Yolo\\test\\202.JPG'
+input_image = cv2.imread(input_image_path)
+input_image_height, input_image_width, _ = input_image.shape
+
+# Çerçeve boyutları
+frame_size = 128
+overlap = 0  # Örtüşme miktarı olmadığı için 0
+
+# Kayıt klasörünü oluştur
+output_dir = './result'
+os.makedirs(output_dir, exist_ok=True)
+
+# Toplam soğan sayısını saklamak için değişkeni tanımla
+total_onion_count = 0
+
+# Her bir çerçeve için tespit sonuçlarını al ve soğan sayılarını topla
+for i in range(0, input_image_height, frame_size):
+    for j in range(0, input_image_width, frame_size):
+        # Çerçeve başlangıç ve bitiş koordinatları
+        start_x = j
+        start_y = i
+        end_x = min(start_x + frame_size, input_image_width)
+        end_y = min(start_y + frame_size, input_image_height)
+
+        # Çerçeve resmini al
+        frame = input_image[start_y:end_y, start_x:end_x]
+
+        # Tahminlerde bulun
+        results = model(frame, conf=0.2)
+
+        # results değişkeninin tipini kontrol et
+        if isinstance(results, list):
+            # Listenin ilk elemanını al
+            results = results[0]
+
+        # Çerçeve numarasını hesapla
+        cerceve_numarasi = (i // frame_size) * (input_image_width // frame_size) + (j // frame_size) + 1
+
+        # Çerçeve numarasını ve tespit edilen soğan sayısını yazdır
+        onion_count = len(results.boxes)
+        print(f"Çerçeve {cerceve_numarasi}: {onion_count} soğan")
+
+        # Soğan sayısını topla
+        total_onion_count += onion_count
+
+        # Tespit edilen nesnelerle birlikte çerçeveyi kaydet
+        annotated_frame = results.plot()
+        cv2.imwrite(os.path.join(output_dir, f'cerceve{cerceve_numarasi}.jpg'), annotated_frame)
+
+# Toplam soğan sayısını yazdır
+print("Toplam soğan sayısı:", total_onion_count)

24-AI/yoloV10/b.py

@@ -0,0 +1,70 @@
+from ultralytics import YOLOv10
+import cv2
+import os
+
+# YOLOv10 modelini yükle
+model = YOLOv10('C:\\Users\\DoganPc\\Desktop\\Yolo\\runs\\detect\\train3\\weights\\best.pt')
+
+# Giriş resmi ve boyutları
+input_image_path = 'C:\\Users\\DoganPc\\Desktop\\Yolo\\test\\202.JPG'
+input_image = cv2.imread(input_image_path)
+input_image_height, input_image_width, _ = input_image.shape
+
+# Çerçeve boyutları
+frame_size = 128
+overlap = 0  # Örtüşme miktarı olmadığı için 0
+
+# Klasör adı ve oluşturulması
+output_folder = "result"
+if not os.path.exists(output_folder):
+    os.makedirs(output_folder)
+
+# Her bir çerçeve için tespit sonuçlarını al, çerçeveyi etiketlenmiş olarak kaydet ve nesne sayısını yazdır
+frame_number = 1
+total_onion_count = 0  # Toplam soğan sayısını saklamak için değişken
+for i in range(0, input_image_height, frame_size):
+    for j in range(0, input_image_width, frame_size):
+        # Çerçeve başlangıç ve bitiş koordinatları
+        start_x = j
+        start_y = i
+        end_x = min(start_x + frame_size, input_image_width)
+        end_y = min(start_y + frame_size, input_image_height)
+
+        # Çerçeve resmini al
+        frame = input_image[start_y:end_y, start_x:end_x]
+
+        # Tahminlerde bulun
+        results = model(frame,conf=0.2)
+
+        # results değişkeninin tipini kontrol et
+        if isinstance(results, list):
+            # Listenin ilk elemanını al
+            results = results[0]
+
+        # Nesne sayısını al
+        num_objects = len(results.boxes)
+
+        # Toplam soğan sayısını güncelle
+        total_onion_count += num_objects
+
+        # Nesne sayısını çerçevenin sol üst köşesine yazdır
+        text = f"Nesne Sayisi: {num_objects}"
+        font_scale = min(frame_size, frame_size) / 300  # Yazı boyutunu ayarla
+        thickness = max(int(font_scale), 1)  # Yazı kalınlığını ayarla
+        text_size = cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, font_scale, thickness)[0]  # Yazı boyutunu al
+        text_x = int((frame_size - text_size[0]) / 2)  # Yazının x konumunu ayarla
+        text_y = int((frame_size + text_size[1]) / 2)  # Yazının y konumunu ayarla
+        cv2.putText(frame, text, (text_x, text_y), cv2.FONT_HERSHEY_SIMPLEX, font_scale, (255, 255, 255), thickness)
+
+        # Çerçevenin etiketlenmiş halini kaydet
+        output_image_path = os.path.join(output_folder, "frame_{}.jpg".format(frame_number))
+        cv2.imwrite(output_image_path, frame)  # Etiketlenmiş çerçeveyi kaydet
+
+        # Çerçevenin numarasını ve nesne sayısını yazdır
+        print("Çerçeve", frame_number, "- Nesne Sayısı:", num_objects)
+
+        # Sonraki çerçeve için numarayı artır
+        frame_number += 1
+
+# Toplam soğan sayısını yazdır
+print("Toplam soğan sayısı:", total_onion_count)

24-AI/yoloV10/c.py

@@ -0,0 +1,77 @@
+from ultralytics import YOLOv10
+import cv2
+import os
+
+# YOLOv10 modelini yükle
+model = YOLOv10('C:\\Users\\DoganPc\\Desktop\\Yolo\\runs\\detect\\train3\\weights\\best.pt')
+
+# Giriş resmi ve boyutları
+input_image_path = 'C:\\Users\\DoganPc\\Desktop\\Yolo\\test\\202.JPG'
+input_image = cv2.imread(input_image_path)
+input_image_height, input_image_width, _ = input_image.shape
+
+# Çerçeve boyutları
+frame_size = 128
+overlap = 0  # Örtüşme miktarı olmadığı için 0
+
+# Klasör adı ve oluşturulması
+output_folder = "result"
+if not os.path.exists(output_folder):
+    os.makedirs(output_folder)
+
+# Her bir çerçeve için tespit sonuçlarını al, çerçeveyi etiketlenmiş olarak kaydet ve nesne sayısını yazdır
+frame_number = 1
+total_onion_count = 0  # Toplam soğan sayısını saklamak için değişken
+for i in range(0, input_image_height, frame_size):
+    for j in range(0, input_image_width, frame_size):
+        # Çerçeve başlangıç ve bitiş koordinatları
+        start_x = j
+        start_y = i
+        end_x = min(start_x + frame_size, input_image_width)
+        end_y = min(start_y + frame_size, input_image_height)
+
+        # Çerçeve resmini al
+        frame = input_image[start_y:end_y, start_x:end_x]
+
+        # Tahminlerde bulun
+        results = model(frame, conf=0.2)
+
+        # results değişkeninin tipini kontrol et
+        if isinstance(results, list):
+            # Listenin ilk elemanını al
+            results = results[0]
+
+        # Nesne sayısını al
+        num_objects = len(results.boxes)
+
+        # Toplam soğan sayısını güncelle
+        total_onion_count += num_objects
+
+        # Tespit edilen nesneleri çerçevele ve etiketle
+        for box in results.boxes:
+            x1, y1, x2, y2 = box.xyxy[0].cpu().numpy().astype(int)  # Tensörü numpy arrayine çevirip int'e dönüştür
+            label = f"onion {box.conf[0].item():.2f}"  # box.cls'yi stringe ve box.conf'u float'a dönüştür
+            cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 0, 255), 2)  # Kırmızı çerçeve
+            cv2.putText(frame, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0), 2)  # Siyah yazı
+
+        # Nesne sayısını çerçevenin sol üst köşesine yazdır
+        text = f"Nesne Sayisi: {num_objects}"
+        font_scale = min(frame_size, frame_size) / 300  # Yazı boyutunu ayarla
+        thickness = max(int(font_scale), 2)  # Yazı kalınlığını ayarla
+        text_size = cv2.getTextSize(text, cv2.FONT_HERSHEY_SIMPLEX, font_scale, thickness)[0]  # Yazı boyutunu al
+        text_x = 10  # Yazının x konumunu ayarla (10 piksel sağa)
+        text_y = 30  # Yazının y konumunu ayarla (30 piksel aşağıya)
+        cv2.putText(frame, text, (text_x, text_y), cv2.FONT_HERSHEY_SIMPLEX, font_scale, (255, 255, 255), thickness)  # Beyaz yazı
+
+        # Çerçevenin etiketlenmiş halini kaydet
+        output_image_path = os.path.join(output_folder, f"frame_{frame_number}.jpg")
+        cv2.imwrite(output_image_path, frame)  # Etiketlenmiş çerçeveyi kaydet
+
+        # Çerçevenin numarasını ve nesne sayısını yazdır
+        print(f"Çerçeve {frame_number} - Nesne Sayısı: {num_objects}")
+
+        # Sonraki çerçeve için numarayı artır
+        frame_number += 1
+
+# Toplam soğan sayısını yazdır
+print("Toplam soğan sayısı:", total_onion_count)

24-AI/yoloV10/d.py

@@ -0,0 +1,106 @@
+from ultralytics import YOLOv10
+import cv2
+import os
+import numpy as np
+
+# YOLOv10 modelini yükle
+model = YOLOv10('C:\\Users\\DoganPc\\Desktop\\Yolo\\runs\\detect\\train3\\weights\\best.pt')
+
+# Giriş resmi ve boyutları
+input_image_path = 'C:\\Users\\DoganPc\\Desktop\\Yolo\\test\\202.JPG'
+input_image = cv2.imread(input_image_path)
+input_image_height, input_image_width, _ = input_image.shape
+
+# Çerçeve boyutları ve çakışma oranı
+frame_size = 128
+overlap = 64  # %50 çakışma
+
+# Klasör adı ve oluşturulması
+output_folder = "result"
+if not os.path.exists(output_folder):
+    os.makedirs(output_folder)
+
+def non_max_suppression(boxes, overlap_thresh):
+    if len(boxes) == 0:
+        return []
+
+    if boxes.dtype.kind == "i":
+        boxes = boxes.astype("float")
+
+    pick = []
+    x1 = boxes[:, 0]
+    y1 = boxes[:, 1]
+    x2 = boxes[:, 2]
+    y2 = boxes[:, 3]
+    conf = boxes[:, 4]
+    area = (x2 - x1 + 1) * (y2 - y1 + 1)
+    idxs = np.argsort(conf)[::-1]
+
+    while len(idxs) > 0:
+        i = idxs[0]
+        pick.append(i)
+        xx1 = np.maximum(x1[i], x1[idxs[1:]])
+        yy1 = np.maximum(y1[i], y1[idxs[1:]])
+        xx2 = np.minimum(x2[i], x2[idxs[1:]])
+        yy2 = np.minimum(y2[i], y2[idxs[1:]])
+        w = np.maximum(0, xx2 - xx1 + 1)
+        h = np.maximum(0, yy2 - yy1 + 1)
+        overlap = (w * h) / area[idxs[1:]]
+
+        idxs = np.delete(idxs, np.concatenate(([0], np.where(overlap > overlap_thresh)[0] + 1)))
+
+    return boxes[pick].astype("int")
+
+# Her bir çerçeve için tespit sonuçlarını al, çerçeveyi etiketlenmiş olarak kaydet ve nesne sayısını yazdır
+all_detections = []
+
+for i in range(0, input_image_height - frame_size + overlap, overlap):
+    for j in range(0, input_image_width - frame_size + overlap, overlap):
+        # Çerçeve başlangıç ve bitiş koordinatları
+        start_x = j
+        start_y = i
+        end_x = min(start_x + frame_size, input_image_width)
+        end_y = min(start_y + frame_size, input_image_height)
+
+        # Çerçeve resmini al
+        frame = input_image[start_y:end_y, start_x:end_x]
+
+        # Tahminlerde bulun
+        results = model(frame, conf=0.18)
+
+        # results değişkeninin tipini kontrol et
+        if isinstance(results, list):
+            # Listenin ilk elemanını al
+            results = results[0]
+
+        # Tespit edilen nesneleri çerçevele ve etiketle
+        for box in results.boxes:
+            x1, y1, x2, y2 = box.xyxy[0].cpu().numpy().astype(int)  # Tensörü numpy arrayine çevirip int'e dönüştür
+            x1 += start_x
+            y1 += start_y
+            x2 += start_x
+            y2 += start_y
+            conf = box.conf.item()  # Güven skorunu al
+
+            all_detections.append([x1, y1, x2, y2, conf])
+
+# Toplam tespit edilen nesne sayısı
+total_detections = len(all_detections)
+
+# NMS uygulama
+all_detections = np.array(all_detections)
+nms_detections = non_max_suppression(all_detections, 0.25)
+
+# Tespit edilen nesneleri orijinal resimde işaretleme ve etiketleme
+for (x1, y1, x2, y2, conf) in nms_detections:
+    confidence_percentage = conf * 100  # Güveni yüzdeye çevir
+    label = f"onion {confidence_percentage:.2f}%"  # Yüzdeyi etiket olarak kullan
+    cv2.rectangle(input_image, (x1, y1), (x2, y2), (0, 0, 255), 2)  # Kırmızı çerçeve
+
+# Toplam soğan sayısını yazdır
+total_onion_count = len(nms_detections)
+print("Toplam soğan sayısı:", total_onion_count)
+
+# Etiketlenmiş resmi kaydet
+output_image_path = os.path.join(output_folder, "annotated_image.jpg")
+cv2.imwrite(output_image_path, input_image)  # Etiketlenmiş resmi kaydet

24-AI/yoloV10/denenecek.txt

@@ -0,0 +1,60 @@
+
+from ultralytics import YOLOv10
+import cv2
+import os
+
+# YOLOv10 modelini yükle
+model = YOLOv10(f'{HOME}/runs/detect/train2/weights/best.pt')
+
+# Giriş resmi ve boyutları
+input_image_path = f'{HOME}/test/202.JPG'
+input_image = cv2.imread(input_image_path)
+input_image_height, input_image_width, _ = input_image.shape
+
+# Çerçeve boyutları
+frame_size = 128
+overlap = 0  # Örtüşme miktarı olmadığı için 0
+
+# Kayıt klasörünü oluştur
+output_dir = f'{HOME}/result'
+os.makedirs(output_dir, exist_ok=True)
+
+# Toplam soğan sayısını saklamak için değişkeni tanımla
+total_onion_count = 0
+
+# Her bir çerçeve için tespit sonuçlarını al ve soğan sayılarını topla
+for i in range(0, input_image_height, frame_size):
+    for j in range(0, input_image_width, frame_size):
+        # Çerçeve başlangıç ve bitiş koordinatları
+        start_x = j
+        start_y = i
+        end_x = min(start_x + frame_size, input_image_width)
+        end_y = min(start_y + frame_size, input_image_height)
+
+        # Çerçeve resmini al
+        frame = input_image[start_y:end_y, start_x:end_x]
+
+        # Tahminlerde bulun
+        results = model(frame, conf=0.2)
+
+        # results değişkeninin tipini kontrol et
+        if isinstance(results, list):
+            # Listenin ilk elemanını al
+            results = results[0]
+
+        # Çerçeve numarasını hesapla
+        cerceve_numarasi = (i // frame_size) * (input_image_width // frame_size) + (j // frame_size) + 1
+
+        # Çerçeve numarasını ve tespit edilen soğan sayısını yazdır
+        onion_count = len(results.boxes)
+        print(f"Çerçeve {cerceve_numarasi}: {onion_count} soğan")
+
+        # Soğan sayısını topla
+        total_onion_count += onion_count
+
+        # Tespit edilen nesnelerle birlikte çerçeveyi kaydet
+        annotated_frame = results.plot()
+        cv2.imwrite(os.path.join(output_dir, f'cerceve{cerceve_numarasi}.jpg'), annotated_frame)
+
+# Toplam soğan sayısını yazdır
+print("Toplam soğan sayısı:", total_onion_count)