Real-Time Object Detection with YOLO and OpenCV

---

سلام! در این پروژه، هدف این بود که یک تمرین تشخیص اشیاء در لحظه (Real-Time) بسازم که بتواند روی وبکم اجرا بشود، با مدل از پیش آموزش‌دیده کار کند، و به طور میانگین حداقل 20 FPS بدهد .

مراحل توسعه 🔧

ایده‌پردازی و تست اولیه برای شروع، نسخه‌های اولیه پروژه را روی Kaggle و Google Colab پیاده‌سازی کردم. این محیط‌ها کمک کردن تا بدون درگیر شدن با پیکربندی سیستم لوکال، سریعا چند مدل مختلف رو بررسی کنم.

انتخاب مدل

دلیل انتخاب این مدل:

یولو YOLO (You Only Look Once): سرعت بالا، معماری سبک، مناسب برای Real-Time، ولی در بعضی موارد دقت پایین‌تر از مدل‌های سنگین‌تر مثل Faster R-CNN.

تشخیص یکباره SSD (Single Shot Detector): تعادلی بین سرعت و دقت، اما در رزولوشن پایین کمی ضعف نشون میده.

شبکه پیچشی Faster R-CNN: دقت خیلی بالا، اما به خاطر سرعت کم اصلاً مناسب Real-Time نبود.

→ درنهایت YOLO بود، چون به نظرم برای این تسک بهترین توازن بین سرعت و دقت رو داشت.

راه‌اندازی محیط توسعه

یک محیط مجازی (venv) روی سیستم ساختم تا وابستگی‌ها و نسخه‌های پکیج‌ها جدا از بقیه پروژه‌ها باشن.

پروژه را به صورت مرحله‌ای روی گیت لوکال مدیریت کردم (commitهای مرتب بعد از هر تغییر بزرگ). اینطوری مسیر توسعه کاملا قابل رهگیری شد.

پیاده‌سازی و بهینه‌سازی

اتصال مستقیم به وبکم و گرفتن استریم زنده.

اضافه کردن Confidence Threshold تا فقط پیش‌بینی‌های معتبر نمایش داده بشن.

محاسبه‌ی FPS برای اندازه‌گیری عملکرد مدل.

تست چندین بار روی سخت‌افزار لوکال و مقایسه‌ی سرعت/دقت.

بهبودهای اضافه (Bonus)

امکان تنظیم threshold به صورت داینامیک.

شمارش اشیا مشابه

نتیجه 🎯

در نهایت پروژه‌:

روی وبکم در زمان واقعی اجرا میشه.

بین سرعت و دقت تعادل خوبی داره.

ساختار کد قابل فهم است، با مستندسازی برای هر بخش.

مسیر توسعه از محیط‌های ابری (Colab/Kaggle) تا اجرای پایدار روی سیستم شخصی طی شد.

این پروژه برای من ترکیبی از تجربه عملی و مرور مفاهیم پایه بود؛ چیزی که بهم نشون داد چطور میشه در زمان محدود یک پروژه کاربردی و واقعی رو تحویل داد.

📋 Project Overview

This project is a high-performance, real-time object detection application developed as part of an internship selection task. The application leverages a live webcam feed, identifies objects using the state-of-the-art YOLOv8 model and YOLO11 models, and overlays bounding boxes and class labels on the video stream. It is optimized for both CPU and GPU execution, consistently achieving frame rates well above the 20 FPS requirement.

✨ Key Features

• Real-Time Detection: Processes live video from a webcam with minimal latency.
• High Performance: Utilizes GPU acceleration (via CUDA) for exceptional FPS, with a robust fallback for CPU-only systems.
• State-of-the-Art Model: Employs YOLOv8n, a powerful and efficient pretrained model capable of identifying 80 common objects.
• Dynamic FPS Counter: An on-screen display shows the real-time processing speed.
• Adjustable Confidence: Easily filter out uncertain detections by modifying the confidence threshold in the code.
• Clean & Documented Code: The source code is well-structured, commented, and easy to understand.

---

🛠️ Technology Stack

• Language: Python 3.10+
• Core Libraries:
  • OpenCV: For video capture, frame processing, and drawing utilities.
  • PyTorch: As the backend deep learning framework for GPU acceleration.
  • Ultralytics: For seamless integration and execution of the YOLOv8 model.

---

🚀 Getting Started

Follow these instructions to set up and run the project on your local machine.

Prerequisites

• An NVIDIA GPU with CUDA support is highly recommended for the best performance.
• Python 3.10 or newer installed.
• A connected webcam.

Installation & Setup

1. Clone the repository:

git clone https://github.com/RFAhmadi/CV-Real-Time-Object-Detection-YOLO.git
cd CV-Real-Time-Object-Detection-YOLO

2. Create a Python virtual environment (Recommended):

# For Windows
python -m venv venv
venv\Scripts\activate

# For macOS/Linux
python3 -m venv venv
source venv/bin/activate

3. Install dependencies based on your hardware:

OPTION A: For GPU (NVIDIA)

This is the recommended setup for high performance.

• First, install PyTorch with CUDA support by following the official instructions on the PyTorch website. Select the appropriate options (Pip, Windows/Linux, CUDA) to get the correct command. An example command is:

  pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

• Then, install the remaining packages from requirements.txt:

  pip install ultralytics opencv-python

OPTION B: For CPU Only

If you do not have an NVIDIA GPU, install the CPU-only versions of the packages.

pip install -r requirements.txt

Running the Application

Once the setup is complete, run the application with the following command:

python bina_task1.ipynb

• A window will appear showing your live webcam feed with object detections.
• The console will print which device (GPU or CPU) is being used.
• Press the 'q' key on the active window to close the application.

---

💡 Potential Improvements (Bonus Ideas)

To further enhance this project, the following features could be implemented:

• Custom Model Integration: Allow the user to specify a path to a different pretrained or custom-trained YOLO model via a command-line argument.

• Output Recording: Add a feature to save the processed video feed with the bounding boxes to a file.

• Have an IDEA? I'll be happy if you pull or send a message.