YOLOv12による人物検出（ソースコードと実行結果）

REM Python をシステム領域にインストール
winget install --scope machine --id Python.Python.3.12 -e --silent
REM Python のパス設定
set "PYTHON_PATH=C:\Program Files\Python312"
set "PYTHON_SCRIPTS_PATH=C:\Program Files\Python312\Scripts"
echo "%PATH%" | find /i "%PYTHON_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_PATH%" /M >nul
echo "%PATH%" | find /i "%PYTHON_SCRIPTS_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_SCRIPTS_PATH%" /M >nul

winget install --scope machine Codeium.Windsurf -e --silent

REM Git をシステム領域にインストール
winget install --scope machine --id Git.Git -e --silent
REM Git のパス設定
set "GIT_PATH=C:\Program Files\Git\cmd"
if exist "%GIT_PATH%" (
    echo "%PATH%" | find /i "%GIT_PATH%" >nul
    if errorlevel 1 setx PATH "%PATH%;%GIT_PATH%" /M >nul
)

# プログラム名: YOLOv12人物検出プログラム
# 特徴技術名: YOLOv12 (You Only Look Once version 12)
# 出典: Tian, Yunjie and Ye, Qixiang and Doermann, David (2025). YOLOv12: Attention-Centric Real-Time Object Detectors. arXiv preprint arXiv:2502.12524. GitHub: https://github.com/sunsmarterjie/yolov12
# 特徴機能: Area Attention機構（受容野を大きく保ちながら従来のattention機構と比較して計算コストを削減し、CNNベースモデルと同等の速度でAttention機構の性能優位性を実現）による人物の物体検出
# 学習済みモデル: yolov12n.pt (COCOデータセットで事前学習済み、80クラス対応、軽量なnanoバリアント、自動ダウンロード対応)で、クラス0が人物（person）を検出可能
#   モデルサイズ選択可能（デフォルト：n）:
#   n (nano): yolov12n.pt - 最軽量
#   s (small): yolov12s.pt - 軽量
#   m (medium): yolov12m.pt - バランス型
#   l (large): yolov12l.pt - 高精度
#   x (extra large): yolov12x.pt - 最高精度
# 方式設計:
#   - 関連利用技術:
#     - PyTorch: 深層学習フレームワーク、CUDA対応によるGPU加速
#     - OpenCV: 画像処理、カメラ制御、描画処理、動画入出力管理
#   - 入力と出力: 入力: 動画（ユーザは「0:動画ファイル，1:カメラ，2:サンプル動画」のメニューで選択．0:動画ファイルの場合はtkinterでファイル選択．1の場合はOpenCVでカメラが開く．2の場合はhttps://raw.githubusercontent.com/opencv/opencv/master/samples/data/vtest.aviを使用）、出力: OpenCV画面でリアルタイム表示（検出した人物をバウンディングボックスで表示）、1秒間隔でprint()による処理結果表示、プログラム終了時にresult.txtファイルに保存
#   - 処理手順: 1.フレーム取得、2.YOLOv12推論実行、3.Personクラス（ID=0）のフィルタリング、4.信頼度閾値による選別、5.バウンディングボックス描画
#   - 前処理、後処理: 前処理：YOLOv12内部で自動実行（640x640リサイズ、正規化）。後処理：YOLOv12のArea Attention機構により、効率的な検出処理。信頼度による閾値フィルタリングのみ実施
#   - 追加処理: CUDA/CPU自動検出機能により、GPU搭載環境では自動的に高速化。検出結果の信頼度降順ソートにより重要な検出を優先表示
#   - 調整を必要とする設定値: CONF_THRESH（人物検出信頼度閾値、デフォルト0.5）- 値を上げると誤検出が減少するが検出漏れが増加
# 将来方策: CONF_THRESHの動的調整機能。フレーム毎の検出数を監視し、検出数が閾値を超えた場合は信頼度を上げ、検出数が少ない場合は下げる適応的制御の実装
# その他の重要事項: Windows環境専用設計、CUDA対応GPU推奨（自動検出・CPUフォールバック機能付き）、初回実行時は学習済みモデルの自動ダウンロード
# 前準備:
#   - pip install -U torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
#   - pip install opencv-python numpy gitpython pillow

import cv2
import tkinter as tk
from tkinter import filedialog
import os
import sys
import torch
import numpy as np
import warnings
import time
import urllib.request
from PIL import Image, ImageDraw, ImageFont
import git

warnings.filterwarnings('ignore')

# ===== 設定・定数管理 =====
# YOLOv12リポジトリ設定
REPO_URL = 'https://github.com/sunsmarterjie/yolov12.git'
REPO_DIR = 'yolov12'

# YOLOv12モデル設定（デフォルト：n、変更可能：n, s, m, l, x）
MODEL_SIZE = 'n'  # 使用するモデルサイズ（n=nano, s=small, m=medium, l=large, x=extra large）
MODEL_NAME = f'yolov12{MODEL_SIZE}.pt'

# モデル情報
MODEL_INFO = {
    'n': {'name': 'nano', 'desc': '最軽量'},
    's': {'name': 'small', 'desc': '軽量'},
    'm': {'name': 'medium', 'desc': '中程度'},
    'l': {'name': 'large', 'desc': '高精度'},
    'x': {'name': 'extra large', 'desc': '最高精度'}
}

SAMPLE_URL = 'https://raw.githubusercontent.com/opencv/opencv/master/samples/data/vtest.avi'
SAMPLE_FILE = 'vtest.avi'
RESULT_FILE = 'result.txt'

# カメラ設定
WINDOW_WIDTH = 1280  # カメラ解像度幅
WINDOW_HEIGHT = 720  # カメラ解像度高さ
FPS = 30  # フレームレート

# 検出パラメータ（調整可能）
CONF_THRESH = 0.5  # 人物検出信頼度閾値（0.0-1.0）
CONFIDENCE_THRESHOLD = CONF_THRESH  # YOLOv12用
PERSON_CLASS_ID = 0  # COCOデータセットにおけるPersonクラスのID

# 表示設定
PRINT_INTERVAL = 1.0  # 結果出力間隔（秒）

# 人物の表示色（BGR形式）
PERSON_COLOR = (0, 255, 0)  # 緑（バウンディングボックス用）


# プログラム概要表示
print('=== YOLOv12人物検出プログラム ===')
print('概要: リアルタイムで人物を検出し、バウンディングボックスで表示します')
print('機能: YOLOv12による人物検出（COCOデータセットのPersonクラス）')
print('操作: qキーで終了')
print('出力: 1秒間隔での処理結果表示、終了時にresult.txt保存')
print()

# システム初期化
print('システム初期化中...')
start_time = time.time()

# YOLOv12の自動セットアップ
if not os.path.exists(REPO_DIR):
    print('YOLOv12のセットアップを開始します...')
    print('YOLOv12リポジトリをクローン中...')
    try:
        git.Repo.clone_from(REPO_URL, REPO_DIR)
    except Exception as e:
        print(f'YOLOv12リポジトリのクローンに失敗しました: {e}')
        exit()

# YOLOv12ディレクトリをパスに追加
sys.path.insert(0, os.path.abspath(REPO_DIR))
yolov12_ultralytics = os.path.join(REPO_DIR, 'ultralytics')
if os.path.exists(yolov12_ultralytics):
    sys.path.insert(0, os.path.abspath(yolov12_ultralytics))

# YOLOv12固有のultralyticsをインポート
try:
    from ultralytics import YOLO
except ImportError:
    sys.path.insert(0, os.path.abspath(REPO_DIR))
    try:
        from ultralytics import YOLO
    except ImportError as e:
        print(f'YOLOv12のインポートに失敗しました: {e}')
        exit()

# GPU/CPU自動選択
if torch.cuda.is_available():
    device = 'cuda'
    print(f'GPU検出: {torch.cuda.get_device_name(0)}')
    print(f'CUDA バージョン: {torch.version.cuda}')
else:
    device = 'cpu'
    print('GPUが利用できません。CPUモードで実行します')

# YOLOv12モデル初期化
try:
    print(f'YOLOv12{MODEL_SIZE}モデルを初期化中...')
    person_model = YOLO(MODEL_NAME)
    # デバイスにモデルを移動
    person_model.to(device)
    print(f'YOLOv12{MODEL_SIZE}モデルの初期化が完了しました')
    print(f'モデルサイズ: {MODEL_SIZE} ({MODEL_INFO[MODEL_SIZE]["name"]}={MODEL_INFO[MODEL_SIZE]["desc"]})')
except Exception as e:
    print(f'YOLOv12{MODEL_SIZE}モデルの初期化に失敗しました')
    print(f'エラー: {e}')
    exit()

print(f'{device.upper()}使用モード')
print('初期化完了')
print()

# グローバル変数
frame_count = 0
last_print_time = time.time()
results_log = []


def human_presence_detection(frame, model, results_log):
    """人物検出メイン関数"""
    global frame_count, last_print_time

    frame_count += 1

    # 人物検出実行（デバイス指定）
    results = model.predict(frame, classes=[PERSON_CLASS_ID], conf=CONFIDENCE_THRESHOLD, verbose=False)
    persons = []
    total_confidence = 0

    if results[0].boxes is not None:
        boxes = results[0].boxes.xyxy.cpu().numpy()
        confs = results[0].boxes.conf.cpu().numpy()
        classes = results[0].boxes.cls.cpu().numpy()

        # Personクラスのみフィルタリング
        person_indices = classes == PERSON_CLASS_ID

        if np.any(person_indices):
            person_boxes = boxes[person_indices]
            person_confs = confs[person_indices]

            # 信頼度でソート（降順）
            sorted_indices = np.argsort(person_confs)[::-1]
            person_boxes = person_boxes[sorted_indices]
            person_confs = person_confs[sorted_indices]

            # 各人物の処理
            for i, (box, conf) in enumerate(zip(person_boxes, person_confs)):
                if conf > CONF_THRESH:
                    x1, y1, x2, y2 = map(int, box)
                    person_data = {
                        'box': (x1, y1, x2, y2),
                        'detection_conf': conf
                    }
                    persons.append(person_data)
                    total_confidence += conf

    # 人影・人の気配判定ロジック
    person_count = len(persons)
    if person_count == 0:
        presence_level = '気配なし'
    elif person_count == 1 and total_confidence < 0.7:
        presence_level = '人影の可能性'
    elif person_count >= 1 and total_confidence >= 0.7:
        presence_level = '人の存在確認'

    # 1秒間隔での出力
    current_time = time.time()
    if current_time - last_print_time >= PRINT_INTERVAL:
        output = f'フレーム {frame_count}: {len(persons)}人検出'
        for i, p in enumerate(persons):
            output += f' | 人物{i+1}: 信頼度{p["detection_conf"]:.0%}'
        output += f' | 判定: {presence_level}'
        print(output)

        results_log.append(output)
        last_print_time = current_time

    # 描画処理
    for i, p in enumerate(persons):
        x1, y1, x2, y2 = p['box']
        color = PERSON_COLOR

        # バウンディングボックス
        cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)

        # ラベル表示
        label1 = f'Person {i+1}'
        label2 = f'Conf:{p["detection_conf"]:.1%}'

        cv2.putText(frame, label1, (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2)
        cv2.putText(frame, label2, (x1, y2+15), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 255, 255), 1)

    # システム情報表示
    info1 = f'YOLOv12 ({device.upper()}) | Frame: {frame_count}'
    info2 = 'Press: q=Quit'

    cv2.putText(frame, info1, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)
    cv2.putText(frame, info2, (10, 60), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 0), 1)

    # 日本語表示のためPillowで描画
    img_pil = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img_pil)
    font = ImageFont.truetype("C:/Windows/Fonts/msgothic.ttc", 30)

    # 判定結果を日本語で表示
    draw.text((10, 90), presence_level, font=font, fill=(0, 255, 0))
    draw.text((10, 130), f'人数: {person_count}', font=font, fill=(255, 0, 0))

    # RGB→BGR変換
    frame = cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR)

    return frame


def video_processing(frame):
    """フレーム処理メイン関数"""
    return human_presence_detection(frame, person_model, results_log)


# 入力選択
print('0: 動画ファイル')
print('1: カメラ')
print('2: サンプル動画')

choice = input('選択: ')
temp_file = None

if choice == '0':
    root = tk.Tk()
    root.withdraw()
    path = filedialog.askopenfilename()
    if not path:
        exit()
    cap = cv2.VideoCapture(path)
    if not cap.isOpened():
        print(f'動画ファイルを開けませんでした: {path}')
        exit()
elif choice == '1':
    cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
    cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)
    cap.set(cv2.CAP_PROP_FRAME_WIDTH, WINDOW_WIDTH)
    cap.set(cv2.CAP_PROP_FRAME_HEIGHT, WINDOW_HEIGHT)
    cap.set(cv2.CAP_PROP_FPS, FPS)
    if not cap.isOpened():
        print('カメラを開けませんでした')
        exit()
elif choice == '2':
    # サンプル動画ダウンロード・処理
    try:
        urllib.request.urlretrieve(SAMPLE_URL, SAMPLE_FILE)
        temp_file = SAMPLE_FILE
        cap = cv2.VideoCapture(SAMPLE_FILE)
        if not cap.isOpened():
            print(f'サンプル動画を開けませんでした: {SAMPLE_FILE}')
            exit()
        print('サンプル動画のダウンロードが完了しました')
    except Exception as e:
        print(f'動画のダウンロードに失敗しました: {SAMPLE_URL}')
        print(f'エラー: {e}')
        exit()
else:
    print('無効な選択です')
    exit()

# 動画処理開始メッセージ
print('\n=== 動画処理開始 ===')
print('操作方法:')
print('  q キー: プログラム終了')
print()

# メイン処理
try:
    while True:
        cap.grab()
        ret, frame = cap.retrieve()
        if not ret:
            break

        processed_frame = video_processing(frame)
        cv2.imshow('YOLOv12 Person Detection', processed_frame)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
finally:
    cap.release()
    cv2.destroyAllWindows()

    # 結果保存
    if results_log:
        with open(RESULT_FILE, 'w', encoding='utf-8') as f:
            f.write('=== YOLOv12人物検出結果 ===\n')
            f.write(f'処理フレーム数: {frame_count}\n')
            f.write(f'使用デバイス: {device.upper()}\n')
            if device == 'cuda':
                f.write(f'GPU: {torch.cuda.get_device_name(0)}\n')
            f.write('\n')
            f.write('\n'.join(results_log))

        print(f'\n処理結果を{RESULT_FILE}に保存しました')

    if temp_file and os.path.exists(temp_file):
        os.remove(temp_file)

print('\n=== プログラム終了 ===')