Marcus Vinicius Zerbini Canhaço
feat: atualização do detector com otimizações para GPU T4
1429e38
|
raw
history blame
3.57 kB
metadata
title: Weapon Detection App
emoji: 🚨
colorFrom: red
colorTo: yellow
sdk: gradio
sdk_version: 5.15.0
app_file: app.py
pinned: false
license: mit
hardware: true
resources:
  accelerator: T4
  gpu: true

Detector de Riscos em Vídeo

Sistema de detecção de objetos de risco em vídeos usando OWL-ViT e processamento GPU/CPU otimizado.

Open in Hugging Face GitHub

🚀 Funcionalidades

  • Detecção de objetos de risco em vídeos
  • Processamento otimizado em GPU (NVIDIA T4) e CPU
  • Interface web intuitiva com Gradio
  • API REST para integração
  • Suporte a webhooks para notificações
  • Métricas detalhadas de processamento

📋 Requisitos

  • Python 3.10+
  • CUDA 11.8+ (para GPU)
  • NVIDIA T4 16GB ou superior (recomendado)
  • 16GB RAM mínimo

🔧 Instalação

  1. Clone o repositório:
git clone https://github.com/seu-usuario/hackatoon-1iadt.git
cd hackatoon-1iadt
  1. Instale as dependências:
pip install -r requirements.txt
  1. Configure o ambiente:
cp .env.example .env

Documentação completa de instalação

💻 Uso

  1. Inicie a aplicação:
python app.py
  1. Acesse: http://localhost:7860

  2. Upload de vídeo:

    • Arraste ou selecione um vídeo
    • Ajuste as configurações
    • Clique em "Detectar"

📚 Documentação

🏗️ Arquitetura

O projeto segue os princípios da Clean Architecture:

src/
├── domain/         # Regras de negócio
├── application/    # Casos de uso
├── infrastructure/ # Implementações
└── presentation/   # Interface

Detalhes da arquitetura

🚀 Deploy no Hugging Face

  1. Configure as credenciais:
cp .env.example .env.huggingface
  1. Execute o deploy:
./deploy.sh

Instruções detalhadas de deploy

💪 Máquinas Recomendadas

GPU

  • NVIDIA T4 16GB (Hugging Face Pro)
  • NVIDIA A100 (Performance máxima)
  • NVIDIA V100 (Alternativa)

CPU

  • 8+ cores
  • 32GB+ RAM
  • SSD para armazenamento

🔍 Interface

Componentes

  • Upload de vídeo (MP4, AVI, MOV)
  • Configurações de detecção
  • Visualização de resultados
  • Métricas em tempo real

Documentação da interface

🔗 Links

📄 Licença

Este projeto está licenciado sob a MIT License - veja o arquivo LICENSE para detalhes.

👥 Contribuição

  1. Fork o projeto
  2. Crie sua feature branch (git checkout -b feature/AmazingFeature)
  3. Commit suas mudanças (git commit -m 'Add some AmazingFeature')
  4. Push para a branch (git push origin feature/AmazingFeature)
  5. Abra um Pull Request

📞 Suporte


Desenvolvido com ❤️ para o Hackathon FIAP