Fish Fry Counter 魚苗計數系統
📖 前置知識
Fish Fry Counter 是一個使用電腦視覺技術自動計算圖片中魚苗數量的個人練習專案。
功能特色
- 雙重偵測方法：
- 傳統 CV：閾值分割 + 輪廓檢測 + 分水嶺算法
- YOLO 深度學習：YOLOv8 物件偵測模型
- 自動偵測容器區域 (ROI)
- 分水嶺算法分離重疊魚苗
- Web 介面上傳圖片並顯示結果
- RESTful API 支援程式化呼叫
- 支援 JPEG、PNG 圖片格式
技術棧
| 技術 | 用途 |
|---|---|
| Python 3.10+ | 程式語言 |
| FastAPI | Web 框架 |
| OpenCV | 影像處理 |
| Ultralytics YOLOv8 | 深度學習偵測 |
| uv | 套件管理 |
偵測流程
傳統 CV 方法：
- 圖片轉灰階
- 高斯模糊降噪
- 自適應閾值分割
- 形態學操作（開閉運算）
- 分水嶺算法分離重疊物體
- 輪廓檢測與過濾
- 標記並計數
YOLO 方法：
- 載入 YOLOv8 模型
- 執行物件偵測推論
- 依信心度與 IOU 閾值過濾
- 標記並計數
API 端點
| 端點 | 方法 | 說明 |
|---|---|---|
/ |
GET | 首頁 - 圖片上傳介面 |
/api/methods |
GET | 取得可用偵測方法列表 |
/api/count |
POST | 上傳圖片並計算魚苗數量 |
/api/result/{id} |
GET | 取得標記過的結果圖片 |
/docs |
GET | Swagger API 文件 |
API 回應範例：
{
"count": 42,
"annotated_image_url": "/api/result/uuid-here",
"method": "cv"
}
專案結構
fish-cv/
├── app/
│ ├── main.py # FastAPI 應用程式進入點
│ ├── routers/
│ │ └── counting.py # 計數 API 路由
│ ├── services/
│ │ ├── fish_detector.py # 傳統 CV 偵測器
│ │ ├── yolo_detector.py # YOLO 偵測器
│ │ └── detector_factory.py # 偵測器工廠
│ ├── templates/
│ │ └── index.html # 首頁模板
│ └── static/
│ └── style.css # 樣式表
├── models/ # YOLO 模型檔案
├── tests/ # 測試程式
└── pyproject.toml # 專案設定
參數調整
傳統 CV 偵測器參數：
detector = FishDetector(
min_area=100, # 最小輪廓面積
max_area=8000, # 最大輪廓面積
min_aspect_ratio=1.5, # 最小長寬比
max_aspect_ratio=8.0, # 最大長寬比
blur_kernel=5, # 高斯模糊核大小
block_size=21, # 自適應閾值區塊大小
use_watershed=True, # 啟用分水嶺算法
)
YOLO 偵測器參數：
detector = YoloDetector(
confidence=0.2, # 信心度閾值
iou_threshold=0.3, # NMS IOU 閾值
device="auto", # 運算裝置
)
快速開始
# 安裝相依套件
uv sync
# 啟動伺服器
uv run uvicorn app.main:app --reload
# 開啟瀏覽器
# http://localhost:8000