Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

https://github.com/tanoshimaru/padim-yolo


https://github.com/tanoshimaru/padim-yolo

Last synced: 9 months ago
JSON representation

Awesome Lists containing this project

README 

          
# PaDiM + YOLO 異常検知システム



RTSP カメラから取得した映像を使って、YOLO による人物検出と PaDiM による異常検知を行うシステムです。



## クイックスタート



Dockerfileのcron設定部分はコメントアウトされています。自動定期実行を有効化する際はコメントアウトをはずしてください。



```Dockerfile

# # Copy cron configuration

# COPY docker-crontab.txt /etc/cron.d/padim-yolo-cron



# # Set proper permissions for cron job

# RUN chmod 0644 /etc/cron.d/padim-yolo-cron && \

#     crontab /etc/cron.d/padim-yolo-cron

```



```bash

# 1. RTSPカメラの設定（.envファイルを作成）

cp .env.example .env  # または手動作成

# RTSP_IP=192.168.1.100 など実際の値に変更



# 2. システム起動

./run_container.sh



# 3. ログ確認

./run_container.sh logs



# 4. RTSP接続テスト

./run_container.sh test

```



## 機能概要



### 平日処理（月〜金）



1. **RTSP 撮影**: RTSP カメラから画像を撮影

2. **人検出**: YOLO で人が写っているかを検出

3. **異常検知**: 人が写っている場合、PaDiM で異常検知を実行

4. **画像保存**: 結果に基づいて適切なフォルダに画像を保存

   - 人が写っていない → `images/checked` に `no_person_` prefix

   - 正常と判定 → `images/checked` に `grid_XX_` prefix

   - 異常と判定 → `images/checked` に `defect_grid_XX_` prefix

   - エラー発生 → `images/checked` に `error_` prefix

5. **ログ記録**: YOLO・PaDiM の結果と画像保存先を記録



### 土曜日処理



- **追加学習**: 現在は保留中（`train_additional.py`は「Jetson上での学習が難しいため、一旦保留します。」とコメントのみ）

- **代替**: `scripts/train_padim.py`を使用した手動学習が可能



### 日曜日



- 処理休止



## ディレクトリ構造



```plaintext

padim-yolo/

├── main.py                    # メイン処理（平日実行）

├── train_additional.py        # 追加学習（土曜実行）

├── run_daily.py              # 日次実行スクリプト

├── run_container.sh          # コンテナ管理スクリプト

├── person_detector.py        # YOLO人検出モジュール

├── classify_images.py         # 画像分類モジュール

├── scripts/                  # スクリプト集

│   ├── test_rtsp.py          # RTSP接続テスト用スクリプト

│   ├── train_padim.py        # PaDiM学習スクリプト

│   ├── prepare_dataset.py    # データセット準備スクリプト

│   ├── distribute_images.py  # 画像分散スクリプト

│   └── copy_random_images.sh # ランダム画像コピースクリプト

├── .env                      # 環境変数設定（RTSP設定など）

├── Dockerfile                # Dockerコンテナ設定

├── docker-compose.yml        # Docker Compose設定

├── docker-start.sh           # コンテナ起動スクリプト

├── docker-crontab.txt        # コンテナ用cron設定

├── models/                   # モデル格納ディレクトリ

│   ├── yolo11n.pt           # YOLO11モデル（自動ダウンロード）

│   └── yolo11n.onnx

├── images/                   # 画像保存ディレクトリ

│   ├── checked/             # 処理済み画像（prefix付き）

│   ├── defect/              # 異常検出画像（classify_images.py実行後）

│   ├── no_person/           # 人が写っていない画像（classify_images.py実行後、最大200枚）

│   ├── grid_00/             # グリッド0の正常画像（classify_images.py実行後、最大200枚）

│   ├── grid_01/             # グリッド1の正常画像（classify_images.py実行後、最大200枚）

│   └── ...                  # grid_02 ~ grid_15

└── logs/                    # ログファイル

    ├── main_YYYYMMDD.log

    ├── train_additional_YYYYMMDD.log

    ├── results_YYYYMMDD.jsonl

    └── cron.log              # cronスケジュール実行ログ

```



## グリッド分割



画像を 4×4 の 16 分割し、人が検出された位置を特定：



```plaintext

grid_00  grid_01  grid_02  grid_03

grid_04  grid_05  grid_06  grid_07

grid_08  grid_09  grid_10  grid_11

grid_12  grid_13  grid_14  grid_15

```



## 処理フロー



### 平日の処理フロー



1. **撮影** → 画像取得

2. **YOLO 検出**

   - 人が写っていない → `images/checked`に`no_person_`prefixで保存

   - 人が写っている → 3 へ

3. **グリッド位置特定** → 人の位置から grid_XX 番号を取得

4. **PaDiM 異常検知**

   - 異常検出 → `images/checked`に`defect_grid_XX_`prefixで保存

   - 正常 → `images/checked`に`grid_XX_`prefixで保存



### 画像の分類処理



`classify_images.py`を実行することで、`images/checked`内の画像をprefixに応じて分類：



```bash

uv run classify_images.py

```



- `defect_grid_*` → `images/defect/`（prefixを削除して保存）

- `grid_XX_*` → `images/grid_XX/`（prefixを削除して保存）

- `no_person_*` → `images/no_person/`（prefixを削除して保存）

- `error_*` → 削除



### 画像管理



- 各フォルダの最大画像数: **200 枚**

- ファイル名形式: `YYYYMMDD_HHMMSS.png`

- 200 枚を超えた場合、古い画像から自動削除



## 実行方法



### 1. 簡単な起動・管理（推奨）



`run_container.sh` スクリプトを使用してコンテナを簡単に管理できます：



```bash

# コンテナ起動

./run_container.sh



# または明示的に

./run_container.sh start



# コンテナ停止

./run_container.sh stop



# コンテナ再起動

./run_container.sh restart



# ログ表示（リアルタイム）

./run_container.sh logs



# RTSP接続テスト

./run_container.sh test



# ヘルプ表示

./run_container.sh help

```



**スケジュール**:



- **平日（月-金）8:00-17:00**: 30 秒間隔で自動実行

- **土曜 9:00**: 追加学習を 1 回実行

- **日曜**: 処理休止



### 2. 単発実行



#### コンテナ内で手動実行



```bash

# コンテナに入る

docker compose exec app bash



# 平日処理

python main.py



# 追加学習

python train_additional.py

```



### 3. 日次自動実行（手動）



```bash

# コンテナ内で曜日判定による自動実行

python run_daily.py

```



自動的に曜日を判定して適切な処理を実行します。



## 設定



### YOLO モデル



- `models/yolo11n.pt` または `models/yolo11n.engine` を配置

- 人（person）クラスの検出に使用



### PaDiM モデル



- 初回実行時は未学習モデルを使用

- 土曜日の追加学習でモデルが更新される

- 学習済みモデルは`models/padim_trained.ckpt`に保存



### RTSP カメラ設定



RTSP カメラの設定は`.env`ファイルで行います：



```bash

# .envファイルの例（プロジェクトルートに作成）

RTSP_USERNAME=admin

RTSP_PASSWORD=your_password

RTSP_IP=192.168.1.100

RTSP_PORT=554

```



#### RTSP 接続のテスト



```bash

# RTSP接続をテスト

./run_container.sh test



# または直接テストスクリプトを実行

python scripts/test_rtsp.py

```



**注意**: RTSP カメラが利用できない場合、システムは自動的にテスト用のダミー画像を生成して処理を継続します。



## ログ



### 実行ログ



- `logs/main_YYYYMMDD.log`: 平日処理のログ

- `logs/train_additional_YYYYMMDD.log`: 追加学習のログ

- `logs/cron.log`: cron スケジュール実行ログ（Docker 使用時）



### 結果ログ



- `logs/results_YYYYMMDD.jsonl`: JSON 形式の処理結果



  ```json

  {

    "timestamp": "20250131_120000",

    "person_detected": true,

    "person_info": {

      "grid_index": 5,

      "grid_x": 1,

      "grid_y": 1,

      "confidence": 0.95

    },

    "padim_result": {

      "anomaly_score": 0.12,

      "is_anomaly": false

    },

    "final_decision": "normal",

    "saved_path": "images/checked/grid_05_20250131_120000.png"

  }

  ```



## トラブルシューティング



### YOLO モデルの自動ダウンロード



初回実行時に`models/yolo11n.pt`が存在しない場合、自動的にダウンロードされます。手動でダウンロードする場合：



```bash

mkdir -p models

# モデルは初回実行時に自動ダウンロードされます

```



### RTSP 接続の問題



```bash

# RTSP接続をテスト

./run_container.sh test



# 詳細なテストの場合

docker compose exec app python scripts/test_rtsp.py

```



### PaDiM 学習がうまくいかない場合



- 学習用画像が少ない可能性があります

- `images/no_person`と`images/grid_XX`に十分な画像が蓄積されてから追加学習を実行してください



### ログの確認



```bash

# リアルタイムでログを確認

./run_container.sh logs



# または個別ファイルを確認

tail -f logs/cron.log

tail -f logs/main_$(date +%Y%m%d).log

```



## 必要なライブラリ



主要な依存関係：



- `anomalib`: PaDiM 異常検知

- `opencv-python`: 画像処理・RTSP 接続

- `ultralytics`: YOLO 物体検出

- `torch`, `torchvision`: PyTorch バックエンド

- `python-dotenv`: 環境変数読み込み



詳細は`requirements.txt`を参照してください。



## 主な特徴



- **自動化**: cron による完全自動運用

- **RTSP 対応**: ネットワークカメラからの映像取得

- **フォールバック**: RTSP 接続失敗時のダミー画像生成

- **画像管理**: 自動的な古いファイルの削除（各フォルダ最大 200 枚）

- **モデル自動ダウンロード**: YOLO モデルの自動取得

- **簡単管理**: `run_container.sh`による統合管理

- **テスト機能**: RTSP 接続テスト機能内蔵

- **権限管理**: ホストユーザーの UID/GID でコンテナ実行（ファイル権限問題なし）



## Docker 環境での権限管理



このシステムは、ホストユーザーと同一の UID/GID で Docker コンテナを実行するため、ファイル権限の問題が発生しません。



### 自動設定の仕組み



```bash

# run_container.sh が自動的に設定

UID=$(id -u)        # ホストのUID

GID=$(id -g)        # ホストのGID

USERNAME=$(whoami)  # ホストのユーザー名

```



コンテナ内で同一の UID/GID を持つユーザーが作成され、ホスト側でファイルの編集・削除が可能です。



### 利点



- ✅ **ファイル権限問題なし**: ホストとコンテナ間でファイル編集が自由

- ✅ **セキュリティ**: root ではなく一般ユーザーで実行

- ✅ **自動設定**: 手動での UID/GID 指定は不要

- ✅ **ポータビリティ**: どの Linux 環境でも同じように動作



### 動作確認



起動時に以下のようなメッセージが表示されます：



```plaintext

=== RTSPカメラ異常検知システム起動 ===

ユーザー設定: USERNAME=tano, UID=1000, GID=1000

RTSP設定: rtsp://admin:***@192.168.1.100:554/profile2/media.smp

```



## 備忘録



```bash

python -m venv .venv --system-site-packages

source .venv/bin/activate

pip install anomalib[loggers] dotenv open_clip_torch

```