Reconnaissance objet

Description du projet

Le but du projet est de détecter un objet (dans notre cas, un chariot élévateur) dans une image provenant d'une caméra à l'aide d'un modèle de reconnaissance d'objets préentraîné. Lorsque le programme détecte un chariot élévateur, un gyrophare s'active afin d'avertir les travailleurs de sa présence. Le programme s'exécute sur un Raspberry Pi 5, un micro-ordinateur doté d'entrées et de sorties programmables. La caméra y est connectée directement par USB. Étant donné que les sorties du Raspberry Pi fonctionnent en 3,3 V CC, un relais est utilisé pour commander l'alimentation d'un gyrophare fonctionnant en 120 V CA.

---

Fonctionnement global

Le projet repose sur un seul fichier Python principal (main.py) qui gère simultanément la détection YOLO et le contrôle des sorties GPIO grâce à un système de thread séparé.

---

Structure des fichiers

Le dossier de projet est organisé en trois catégories selon leur utilisation.

Fichier	Rôle	Catégorie
main.py	Fichier principal — lance la détection YOLO et contrôle les GPIO	Exécution
modelv1_ncnn_model/	Modèle YOLO converti au format NCNN (dossier)	Exécution
record.py	Enregistre une vidéo depuis la caméra USB	Création du dataset
extract_frames.py	Extrait des images d'une vidéo pour créer un dataset	Création du dataset
convert_ncnn.py	Convertit un modèle .pt au format NCNN	Conversion
modelv1.pt	Modèle YOLO original (format PyTorch)	Conversion

---

Fichier Python principal (main.py)

Le fichier main.py gère l'image de la caméra en appliquant le modèle pré-entraîné sur chaque frame. Il affiche le nombre d'objets détectés, les FPS, le pourcentage de certitude et la boîte de détection de classe. La classe cible, le seuil de confiance et tous les paramètres sont configurables directement en haut du fichier.

Le programme supporte deux types de sources : une caméra USB ou un fichier vidéo, sélectionnable via la variable SOURCE en haut du fichier.

Paramètres configurables en haut du fichier :

Paramètre	Description	Valeur par défaut
MODEL_PATH	Chemin vers le modèle YOLO (.pt ou dossier NCNN)	'modelv1_ncnn_model'
SOURCE	Source vidéo — 'usb0' pour caméra, 'video.mp4' pour fichier	'usb0'
CONFIANCE_MIN	Seuil de confiance minimum (0.0 à 1.0)	0.5
CLASSE_CIBLE	Classe à détecter, ou 'any' pour toutes les classes	'Forklift'
GPIO_PIN	Broche BCM de la sortie principale	17
PIN_LUMIERE_DETECTION	Lumière qui suit le GPIO principal	27
PIN_LUMIERE_STATUT	Lumière allumée au démarrage, éteinte à la fermeture	22
DUREE_DETECTION	Secondes que la condition doit être maintenue avant activation	2.0
DUREE_ACTIVATION	Secondes que le GPIO reste actif	3.0
RESOLUTION	Résolution caméra et inférence	(640, 640)

Note : La valeur de CLASSE_CIBLE est insensible à la casse. Écrire 'forklift', 'Forklift' ou 'FORKLIFT' donnera le même résultat.

---

Contrôle GPIO

La logique GPIO tourne dans un thread séparé en parallèle de la détection YOLO, ce qui évite tout ralentissement. Trois sorties sont disponibles :

• GPIO principal (GPIO_PIN) — activé lorsque la classe cible est détectée pendant DUREE_DETECTION secondes.
• Lumière de détection (PIN_LUMIERE_DETECTION) — suit exactement le même comportement que le GPIO principal.
• Lumière de statut (PIN_LUMIERE_STATUT) — s'allume au démarrage du programme et s'éteint à la fermeture.

Si la condition est toujours vraie à la fin de DUREE_ACTIVATION, le GPIO se renouvelle automatiquement sans coupure. À la fermeture du programme (touche q ou Ctrl+C), toutes les sorties sont éteintes proprement.

---

Création du modèle pré-entraîné

Un modèle YOLO pré-entraîné (.pt) est une intelligence artificielle qui a appris à reconnaître certains objets grâce à un entraînement préalable sur une grande quantité d'images. C'est le cerveau du projet.

1. Choisir le bon dataset

Nous conseillons d'utiliser la plateforme Roboflow Universe pour trouver un dataset public.

Rechercher avec des mots-clés précis (ex : "forklift", "helmet detection", etc.).

Vérifier le nombre d'images, la diversité des photos et la qualité des annotations.

Choisir un dataset avec plusieurs centaines ou milliers d'images bien étiquetées.

Une fois le bon dataset trouvé, le télécharger en format ZIP.

Attention : Vérifier que le dataset contient des images nulles (images sans l'objet à détecter). Ces images sont essentielles pour éviter les faux positifs.

Une fois extrait, vérifier que le dossier contient les 3 éléments importants : data.yaml, train/ et valid/.

2. Ajouter le modèle YOLO de base

YOLO possède des modèles de base pré-entraînés. Nous utilisons la version yolo11n (nano), la plus légère pour fonctionner sur Raspberry Pi.

Télécharger yolo11n.pt depuis le site officiel d'Ultralytics et le placer dans le même dossier que data.yaml.

3. Entraînement

L'entraînement est recommandé sur un ordinateur Linux avec une carte graphique NVIDIA.

Dans le terminal, entrer la commande :

yolo detect train model=yolo11n.pt data=data.yaml epochs=100 imgsz=640 batch=16 patience=20

Paramètre	Description	Valeur recommandée
model	Modèle de base pré-entraîné	yolo11n.pt
data	Fichier de configuration du dataset	data.yaml
epochs	Nombre de cycles d'apprentissage	100
imgsz	Taille des images (maximum YOLO)	640
batch	Images traitées simultanément (selon le GPU)	16
patience	Arrête si plus d'amélioration	20

Le modèle entraîné sera disponible dans runs/detect/train/weights/best.pt.

Pour faire l'entraînement sur Windows, voici une vidéo de référence : https://www.youtube.com/watch?v=r0RspiLG260

Librairies requises pour l'entraînement :

• ultralytics
• torch et torchvision
• opencv-python
• python3

---

Conversion NCNN (optimisation Raspberry Pi)

Le format NCNN est optimisé pour les processeurs ARM comme celui du Raspberry Pi. La conversion du modèle .pt en format NCNN permet de passer de 3 FPS à 12 FPS sur le Raspberry Pi 5. Cette étape est fortement recommandée.

python3 convert_ncnn.py

Le script génère un dossier modelv1_ncnn_model/ contenant tous les fichiers nécessaires.

Dans main.py, changer MODEL_PATH pour pointer vers ce dossier au lieu du fichier .pt.

Important : Effectuer la conversion sur le Raspberry Pi lui-même pour garantir la compatibilité.

---

Créer son propre dataset personnalisé

Si le dataset public ne correspond pas suffisamment à l'environnement de production, il est possible d'améliorer le modèle en filmant sur place.

1. Filmer plusieurs courtes vidéos (5 à 15 minutes) dans différentes zones et conditions d'éclairage avec record.py.

2. Extraire les frames automatiquement avec extract_frames.py — une image toutes les 3 secondes génère environ 200 à 300 images par vidéo.

3. Annoter les images sur Roboflow en utilisant la fonction Auto-Label avec le modèle existant pour minimiser le travail manuel.

4. Réentraîner le modèle avec le nouveau dataset.

Conseil : Filmer avec la même caméra USB que celle utilisée en production garantit que le modèle sera entraîné sur des images identiques à ce qu'il verra en temps réel.

---

Installation des librairies

Sur le Raspberry Pi 5 (exécution) :

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu --break-system-packages --no-cache-dir

pip install ultralytics opencv-python lgpio ncnn pnnx --break-system-packages --no-cache-dir

Sur un ordinateur Linux (entraînement et conversion) :

pip install ultralytics torch torchvision opencv-python ncnn pnnx

Librairie	Rôle	Pi 5	PC Linux
ultralytics	Modèle YOLO	✓	✓
torch / torchvision	Moteur d'apprentissage PyTorch	✓	✓
opencv-python	Capture et affichage vidéo	✓	✓
lgpio	Contrôle des broches GPIO	✓	✗
ncnn / pnnx	Conversion et inférence NCNN	✓	✓
numpy	Calculs mathématiques (inclus automatiquement)	✓	✓

---

Liste de matériel

• Raspberry Pi 5 (8 Go recommandé, 4 Go minimum)
• Carte microSD classe A2, 32 Go minimum (SanDisk ou Samsung Endurance recommandé)
• Câble d'alimentation USB-C 5V/5A (27W) — câble officiel Raspberry Pi 5 obligatoire
• Caméra USB type A
• Relais 5V (module 1 canal)
• Gyrophare 120V CA
• Câbles Dupont mâle-femelle (connexions GPIO)
• Câble micro HDMI (optionnel — pour connecter un écran)

Attention : Toujours éteindre le Raspberry Pi proprement avec la commande sudo shutdown -h now avant de couper l'alimentation. Une coupure brusque peut corrompre la carte microSD.