YAML Metadata Warning:empty or missing yaml metadata in repo card

Check out the documentation for more information.

TableVision AI

Sistema de visão computacional em Python que analisa o vídeo da câmera de segurança de um restaurante e indica, em tempo real, quais mesas estão ocupadas e quais estão disponíveis, exibindo tudo em um dashboard web.

Tecnologias: Python 3.12 · OpenCV · YOLO11 (Ultralytics, pré-treinado no COCO) · NumPy · Pandas · Streamlit

Como executar

# 1. (uma vez) criar o ambiente e instalar as dependências
python -m venv .venv
.\.venv\Scripts\python -m pip install -r requirements.txt

# 2. abrir o dashboard
.\.venv\Scripts\python -m streamlit run app.py

O navegador abre em http://localhost:8501. Clique em ▶ Iniciar na barra lateral. O vídeo de entrada fica em data/restaurante.mp4 (cópia do vídeo original da câmera, 640x368, 30 fps, 62 min). O modelo yolo11n.pt é baixado automaticamente na primeira execução.

Controles da barra lateral

Controle Função
Começar no minuto Pula para um trecho do vídeo
Analisar 1 a cada N frames 10 = ~3 análises por segundo de vídeo (bom para CPU)
Sincronizar com o tempo real Desligado = processa o mais rápido possível
Modelo YOLO yolo11n (rápido) ou yolo11s (mais preciso, mais lento)
Confirmação temporal Segundos necessários para confirmar OCUPADA / DISPONÍVEL

Como funciona

  1. Leitura do vídeo – cv2.VideoCapture lê os frames; apenas 1 a cada N é analisado.

  2. Detecção de pessoas – YOLO11 detecta somente a classe person (COCO id 0). Caixas cortadas na borda superior (clientes em pé no balcão ao fundo) são descartadas.

  3. Regiões das mesas – cada mesa é um polígono (mesa + cadeiras) definido em config/mesas.json, desenhado a partir de frames do próprio vídeo (config/preview_mesas.jpg).

  4. Atribuição – cada pessoa vira um ponto de ancoragem (região do quadril, 65% da altura da caixa) e é atribuída à mesa cujo polígono contém o ponto (cv2.pointPolygonTest, tolerância de 12 px).

  5. Confirmação temporal (histerese) – cada mesa mantém um histórico de presença:

    • vira OCUPADA se houve pessoa em ≥ 60% das análises dos últimos 10 s;
    • volta a DISPONÍVEL se houve pessoa em ≤ 15% das análises dos últimos 20 s.

    Assim, pessoas passando pelo corredor ou garçons de passagem não alteram o status, e oclusões momentâneas de quem está sentado não liberam a mesa.

  6. Visualização – polígonos verdes (disponível) / vermelhos (ocupada) e caixas das pessoas sobre o vídeo; o dashboard mostra total, ocupadas, disponíveis, taxa de ocupação, um card por mesa com temporizador ("Ocupada há" / "Livre há") e o histórico de mudanças de estado.

Os temporizadores e o relógio usam o tempo do vídeo (o relógio parte de 17:01:07, horário mostrado pela câmera no primeiro frame), então os valores são consistentes mesmo se o processamento for mais lento ou mais rápido que o tempo real.

Reconfigurar as mesas

Se a câmera ou o vídeo mudarem, redesenhe os polígonos clicando sobre o frame:

.\.venv\Scripts\python configurar_mesas.py --minuto 60

Clique nos vértices de uma mesa → ENTER fecha a mesa → repita → S salva (Z desfaz, ESC sai). Para apenas gerar a imagem de conferência: python configurar_mesas.py --preview.

Estrutura

app.py                 dashboard Streamlit (loop de processamento + interface)
detector.py            YOLO + atribuição pessoa→mesa + máquina de estados temporal
configurar_mesas.py    ferramenta de clique para definir os polígonos
config/mesas.json      polígonos das 14 mesas
config/preview_mesas.jpg  conferência visual dos polígonos
data/restaurante.mp4   vídeo de entrada

Limitações conhecidas

  • As 14 mesas são as visíveis nesta câmera; mesas parcialmente fora do quadro (04 e 14) têm menor precisão.
  • Pessoas muito pequenas/ocluídas no fundo do salão podem não ser detectadas em todos os frames (a confirmação temporal compensa a maior parte disso; o modelo yolo11s melhora a detecção).
  • Um garçom parado mais de ~10 s ao lado de uma mesa vazia pode marcá-la como ocupada.
Downloads last month

-

Downloads are not tracked for this model. How to track
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support