From 13ebaf71a4c39562bf564bde2bc2188a732c279e Mon Sep 17 00:00:00 2001
From: Michal Kijowski <mickij@st.amu.edu.pl>
Date: Sun, 10 May 2020 21:23:27 +0000
Subject: [PATCH] Update 'KijowskiM.md'

---
 KijowskiM.md | 48 ++++++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 48 insertions(+)

diff --git a/KijowskiM.md b/KijowskiM.md
index 27893e0..cad456a 100644
--- a/KijowskiM.md
+++ b/KijowskiM.md
@@ -79,3 +79,51 @@ Jeśli mamy już plik graficzny to ścieżka do niego jest przekazywana do klasy
 
 ### Implementacja projektu
 
+Implementacja projektu znajduje się w klasie Neurons z pliku neurons.py.
+
+class Neurons:
+    def __init__(self):
+        pass
+    def get_output_layers(self, net):
+        layer_names = net.getLayerNames()
+        output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]
+        return output_layers
+    def whatIsIt(self, path):
+        image = cv2.imread(path)
+        scale = 0.00392
+        classes = None
+        with open("yolov3.txt", 'r') as f:
+            classes = [line.strip() for line in f.readlines()]
+        net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")
+        blob = cv2.dnn.blobFromImage(image, scale, (608, 608), (0, 0, 0), True, crop=False)
+        net.setInput(blob)
+        outs = net.forward(self.get_output_layers(net))
+        class_ids = []
+
+W pierwszej części pliku wczytujemy wszystko zgodnie z zasadami detekcji dla tej metody. Wczytujemy naszą grafikę (ścieżka ze zmiennej path), model (yolov3.weights), nazwy klas (yolov3.txt), oraz konfigurację (yolov3.cfg). Następnie tworzymy sieć z modułu dnn (Deep Neural Networks) pakietu opencv (cv2) oraz tworzymy pustą listę na nasze przyszłe detekcje. Do listy outs pobieramy detekcje.
+
+        for out in outs:
+            for detection in out:
+                scores = detection[5:]
+                class_id = np.argmax(scores)
+                confidence = scores[class_id]
+                if confidence > 0.2:
+                    class_ids.append(class_id)
+        y = [classes[ids] for ids in  class_ids]
+
+Gdy już mamy detekcje w liście outs, sprawdzamy które z nich mają prawdopodobieństwo większe niż 20% i dodajemy je do listy class_ids. Następnie zapisujemy nazwy tych klas do listy y za pomocą listy składanej.
+
+        x = [0, 0, 0, 0, 0]
+        if "kruche" in y:
+            x[1]=1
+        elif "niebezpieczne" in y:
+            x[4]=1
+        elif "biohazard" in y:
+            x[4]=1
+        elif "radioaktywne" in y:
+            x[3]=1
+        elif "latwopalne" in y:
+            x[2]=1
+        return [list(x)]
+
+następnie sprawdzamy detekcję i generujemy listę z jedynką na pozycji odpowiadającej odpowiedniej detekcji, którą następnie zwracamy.
\ No newline at end of file