Monitor de Pets em Tempo Real

[Conheça o projeto]

O objetivo deste desafio é desenvolver um sistema de monitoramento de pets que seja extremamente veloz e preciso. Utilizando a arquitetura YOLO (You Only Look Once), você irá implementar um pipeline de "Single Shot" que realiza duas tarefas em uma única passagem pela rede: localizar o animal (Detecção) e delimitar sua forma exata (Segmentação de Instância).

Observação Didática: Para otimizar o tempo de execução e facilitar o desenvolvimento, este desafio utiliza uma amostra reduzida de 500 imagens extraídas aleatoriamente do Oxford-IIIT Pet Dataset. Isso garante que você consiga validar seu pipeline rapidamente sem a necessidade de processar gigabytes de dados.

---

[Como carregar o dataset]

Para este desafio, não faremos o download via API. Você deve utilizar o arquivo pet_dataset.zip disponibilizado nos materiais do curso. O código abaixo demonstra como realizar a extração automatizada para o seu ambiente de trabalho:

import zipfile
import os

# Definição dos caminhos
zip_path = 'pet_dataset.zip'
extract_path = 'imagens_original_desafio_monitor_pets'

# Extração do dataset reduzido (500 imagens)
if os.path.exists(zip_path):
    with zipfile.ZipFile(zip_path, 'r') as zip_ref:

---

[Instruções]

Neste desafio, você utilizará a biblioteca Ultralytics. O foco será carregar um modelo YOLO pré-treinado para segmentação (yolo-seg) e adaptá-lo para identificar cães e gatos. Você aprenderá como o modelo lida com múltiplos heads de saída: um para as coordenadas das caixas (Bounding Boxes) e outro para as máscaras de pixels (Segmentation Masks).

---

[Exemplo de Implementação]

Veja como é simples instanciar um modelo YOLO preparado para segmentação:

from ultralytics import YOLO

def get_yolo_pet_monitor():
    # 1. Carregamos o modelo YOLO Nano de Segmentação (leve e rápido)
    # O sufixo '-seg' indica que o modelo suporta máscaras de pixels
    model = YOLO('yolov8n-seg.pt') 
    
    return model

# Exemplo de inferência

---

[Requisitos Técnicos]

1. Pipeline Unificado:
   • Utilizar um modelo YOLO (v8 ou superior) na versão segmentation.
   • Garantir que a inferência retorne tanto a box quanto a mask.
2. Filtragem de Classes:
   • O modelo deve ser configurado para exibir apenas as classes de animais domésticos (Dog e Cat).
3. Processamento de Saída:
   • Extrair as coordenadas das máscaras de segmentação e calcular a área ocupada pelo pet na imagem (em porcentagem).
   • Desenhar as bordas da segmentação com uma cor semi-transparente.

---

[Diretrizes para o Código]

• Eficiência: Sendo uma amostra de 500 imagens, o processamento deve ser concluído em poucos minutos. Aproveite para testar diferentes níveis de confiança (conf).
• Organização de Pastas: Evite salvar os resultados dentro da pasta de imagens originais. Mantenha os diretórios limpos e bem nomeados.

---

Feito com 💜 por Rocketseat 👋

import zipfile
import os

# Definição dos caminhos
zip_path = 'pet_dataset.zip'
extract_path = 'imagens_original_desafio_monitor_pets'

# Extração do dataset reduzido (500 imagens)
if os.path.exists(zip_path):
    with zipfile.ZipFile(zip_path, 'r') as zip_ref:

from ultralytics import YOLO

def get_yolo_pet_monitor():
    # 1. Carregamos o modelo YOLO Nano de Segmentação (leve e rápido)
    # O sufixo '-seg' indica que o modelo suporta máscaras de pixels
    model = YOLO('yolov8n-seg.pt') 
    
    return model

# Exemplo de inferência