Fruit Tracking

Sistema de detección y seguimiento de frutas utilizando técnicas de computer vision y algoritmos de tracking basados en Stone Soup. El proyecto incluye herramientas para procesar imágenes secuenciales, generar trayectorias de objetos y visualizar resultados tanto con detección automática como con ground truth.

Instalación

1. Instalar Docker

# Actualizar el sistema
sudo apt update

# Instalar dependencias
sudo apt install apt-transport-https ca-certificates curl gnupg lsb-release

# Añadir la clave GPG oficial de Docker
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg

# Añadir el repositorio de Docker
echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# Instalar Docker
sudo apt update
sudo apt install docker-ce docker-ce-cli containerd.io docker-compose-plugin

2. Configurar permisos de Docker

# Añadir tu usuario al grupo docker
sudo usermod -aG docker $USER

# Aplicar los cambios de grupo
newgrp docker

# Verificar que Docker funciona sin sudo
docker run hello-world

3. Instalar Visual Studio Code

Descargar e instalar VS Code desde https://code.visualstudio.com/

4. Instalar extensiones necesarias

En VS Code, instala las siguientes extensiones:

• Dev Containers (ms-vscode-remote.remote-containers)
• Docker (ms-azuretools.vscode-docker)

Abrir el entorno de desarrollo

1. Abrir el proyecto en VS Code:

   code /ruta/hacia/fruit-tracking

2. Abrir el Dev Container:

   • Presiona Ctrl+Shift+P
   • Escribe "Dev Containers: Open Folder in Container"
   • Selecciona la opción y espera a que el contenedor se construya

3. Una vez que VS Code se reabra dentro del contenedor, deberías ver "[Dev Container]" en la barra de estado inferior.

Uso del sistema de tracking

Tutorial completo con detección y tracking

Para ejecutar el tutorial completo que incluye detección y tracking, utiliza el notebook Video_Processing.ipynb. Este notebook realiza tanto la detección de objetos como el seguimiento en un flujo completo.

Tracking con Ground Truth (GT)

Este proyecto también permite trabajar con Ground Truth existente ejecutando scripts individuales en el siguiente orden:

1. Visualizar Ground Truth

   python3 visualize_gt.py

   Genera un video con las imágenes originales y las anotaciones GT superpuestas.

2. Ejecutar tracking

   cd tracking_code && python3 main.py

   Procesa las anotaciones GT y genera las trayectorias de tracking utilizando filtros de Kalman. Puede editarse en tiempo real el ID de cada bounding box y la visualización de estos.

3. Visualizar resultados del tracking

   python3 visualize_tracking.py

   Crea un video mostrando las trayectorias generadas por el algoritmo de tracking.

Configuración de paths

Antes de ejecutar los scripts, verifica y edita los paths en cada archivo según tu configuración local, o mantén la estructura de carpetas por defecto.