Delete push.yml

Dockerfile

@@ -1,30 +1,30 @@
-FROM ubuntu:22.04
+FROM python:3.10.3-slim-bullseye
 
-LABEL maintainer="Ricardo Antonio Valladares Renderos <[email protected]>"
-
-RUN apt-get update && apt-get install -y \
+RUN apt-get -y update
+RUN apt-get install -y --fix-missing \
     build-essential \
     cmake \
-    curl \
     gfortran \
-    git \
     gcc \
     g++ \
+    git \
     wget \
+    curl \
     graphicsmagick \
     libgraphicsmagick1-dev \
     libatlas-base-dev \
     libavcodec-dev \
     libavformat-dev \
-    libboost-all-dev \
     libgtk2.0-dev \
     libjpeg-dev \
     liblapack-dev \
     libswscale-dev \
     pkg-config \
+    python3-dev \
+    python3-numpy \
     software-properties-common \
     zip \
-    && apt-get clean && rm -rf /var/lib/apt/lists/* /tmp/* /var/tmp/*
+    && apt-get clean && rm -rf /tmp/* /var/tmp/*
 
 WORKDIR /
 
@@ -35,23 +35,18 @@ RUN mkdir -p dlib/build
 RUN (cd dlib/build && cmake .. && cmake --build . --config Release && make install)
 RUN rm -rf *.tar.gz /dlib/build
 
-RUN wget -P /tmp "https://dl.google.com/go/go1.19.2.linux-amd64.tar.gz"
-RUN tar -C /usr/local -xzf "/tmp/go1.19.2.linux-amd64.tar.gz"
-RUN rm "/tmp/go1.19.2.linux-amd64.tar.gz"
-ENV GOPATH /go
-ENV PATH $GOPATH/bin:/usr/local/go/bin:$PATH
-RUN mkdir -p "$GOPATH/src" "$GOPATH/bin" && chmod -R 777 "$GOPATH"
+RUN pip3 install Flask
 
-WORKDIR /docker
+RUN pip3 install dlib
 
-COPY . .
+RUN pip3 install face_recognition
 
-COPY go.mod ./
+RUN pip3 install face_recognition_models
 
-RUN go mod download
+WORKDIR /docker
 
-RUN go build -o main .
+COPY . .
 
 EXPOSE 5001
 
-CMD ["./main"]
+CMD python3 ./main.py

Makefile

@@ -3,15 +3,8 @@ push:
 	git status
 	git add .
 	git commit -m "$$(date)"
-	git pull origin Golang 
-	git push origin Golang
-
-gorun:
-	go run main.go
+	git pull origin Python 
+	git push origin Python
 
 run:
-	./main
-
-compile:
-	go build main.go
-
+	python main.py

README.md

@@ -1,21 +1,20 @@
 # Rostro Biométrico
-Este proyecto es un servidor web hecho para la detección y reconocimiento de rostros; implementando un conjunto de herramientas escritas en golang, javascript y C++. Para poder ejecutar este proyecto de manera mas fácil, evitando el tedioso trabajo de instalar las dependencias para compilar, puedes ejecutar los siguientes comandos, para los cuales solo necesitaras tener instalado docker:
+Este proyecto es un servidor web hecho para la detección y reconocimiento de rostros; implementando un conjunto de herramientas escritas en python, javascript y C++. Para poder ejecutar este proyecto de manera mas fácil, evitando el tedioso trabajo de instalar las dependencias para compilar, puedes ejecutar los siguientes comandos, para los cuales solo necesitaras tener instalado docker:
 
 ```bash
-docker pull ghcr.io/ricardovalladares/facedetect:latest
-docker run --publish 5001:5001 ghcr.io/ricardovalladares/facedetect
+docker-compose up
 ```
 
 <p align="center">
-  <img alt="Light" src="https://raw.githubusercontent.com/RicardoValladares/FaceDetect/facedetection/desktop.png" width="50%">
+  <img alt="Light" src="https://raw.githubusercontent.com/RicardoValladares/FaceDetect/Python/desktop.png" width="50%">
   &nbsp; &nbsp; &nbsp; &nbsp;
-  <img alt="Dark" src="https://raw.githubusercontent.com/RicardoValladares/FaceDetect/facedetection/celphone.png" width="15%">
+  <img alt="Dark" src="https://raw.githubusercontent.com/RicardoValladares/FaceDetect/Python/celphone.png" width="15%">
 </p>
 
 
 Librerías usadas:
 - OpenCV (https://docs.opencv.org/3.4/d5/d10/tutorial_js_root.html)
-- Go-Recognizer (https://github.com/leandroveronezi/go-recognizer)
+- Face Recognition (https://github.com/ageitgey/face_recognition)
 - Dlib (http://dlib.net/)
 
 Modelos entrenados para el reconocimiento, detección y predicción de rostros:
@@ -28,11 +27,31 @@ Modelos entrenados para el reconocimiento, detección y predicción de rostros:
 
 ## Notas de: @davisking (https://github.com/davisking/dlib-models)
 
-### Reconocimiento - dlib_face_recognition_resnet_model_v1.dat
-La red se entrenó desde cero con un conjunto de datos de aproximadamente 3 millones de rostros. Este conjunto de datos se deriva de dos conjuntos de datos. El conjunto de datos de face scrub (http://vintage.winklerbros.net/facescrub.html) y el conjunto de datos de VGG (http://www.robots.ox.ac.uk/~vgg/data/vgg_face/). Se hizo este modelo entrenando una CNN de reconocimiento facial y luego usando métodos de agrupación de gráficos y mucha revisión manual para limpiar el conjunto de datos. Al final, aproximadamente la mitad de las imágenes son de VGG y face scrub. Además, el número total de identidades individuales en el conjunto de datos es 7485. Se evitaron superposiciones de identidades en LFW.
-
-### Detección - mmod_human_face_detector.dat
+### mmod_human_face_detector.dat
 Este modelo está entrenado con el conjunto de datos: http://dlib.net/files/data/dlib_face_detection_dataset-2016-09-30.tar.gz. Se creó el conjunto de datos encontrando imágenes de rostros en muchos conjuntos de datos de imágenes disponibles públicamente (excluyendo el conjunto de datos FDDB). En particular, hay imágenes de ImageNet, AFLW, Pascal VOC, el conjunto de datos VGG, WIDER y face scrub. Todas las anotaciones en el conjunto de datos fueron creadas usando la herramienta imglab de dlib.
 
-### Predicción - shape_predictor_5_face_landmarks.dat
+<p align="center">
+  <img alt="Light" src="https://raw.githubusercontent.com/RicardoValladares/FaceDetect/Python/mmod_human_face_detector.png" width="100%">
+</p>
+
+### shape_predictor_5_face_landmarks.dat
 Este es un modelo de referencia de 5 puntos que identifica las esquinas de los ojos y la parte inferior de la nariz. Se entrenó con el conjunto de datos que se encuentra en http://dlib.net/files/data/dlib_faces_5points.tar, que consta de 7198 rostros. Se creó este conjunto de datos descargando imágenes de Internet y anotándolas con la herramienta imglab de dlib. Este modelo está diseñado para funcionar bien con el detector de rostros HOG de dlib y el detector de rostros CNN (mmod_human_face_detector.dat).
+
+<p align="center">
+  <img alt="Light" src="https://raw.githubusercontent.com/RicardoValladares/FaceDetect/Python/shape_predictor_5_face_landmarks.png" width="50%">
+</p>
+
+### shape_predictor_68_face_landmarks.dat
+Este modelo está entrenado en el conjunto de datos ibug 300-W (https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/). La licencia de este conjunto de datos excluye el uso comercial y Stefanos Zafeiriou, uno de los creadores del conjunto de datos, pidió que incluyera una nota aquí diciendo que el modelo entrenado no se puede usar en un producto comercial. Por lo tanto, debe comunicarse con un abogado o hablar con el Imperial College London para averiguar si está bien que use este modelo en un producto comercial.
+
+<p align="center">
+  <img alt="Light" src="https://raw.githubusercontent.com/RicardoValladares/FaceDetect/Python/shape_predictor_68_face_landmarks.png" width="50%">
+</p>
+
+### dlib_face_recognition_resnet_model_v1.dat
+La red se entrenó desde cero con un conjunto de datos de aproximadamente 3 millones de rostros. Este conjunto de datos se deriva de dos conjuntos de datos. El conjunto de datos de face scrub (http://vintage.winklerbros.net/facescrub.html) y el conjunto de datos de VGG (http://www.robots.ox.ac.uk/~vgg/data/vgg_face/). Se hizo este modelo entrenando una CNN de reconocimiento facial y luego usando métodos de agrupación de gráficos y mucha revisión manual para limpiar el conjunto de datos. Al final, aproximadamente la mitad de las imágenes son de VGG y face scrub. Además, el número total de identidades individuales en el conjunto de datos es 7485. Se evitaron superposiciones de identidades en LFW.
+
+<p align="center">
+  <img alt="Light" src="https://raw.githubusercontent.com/RicardoValladares/FaceDetect/Python/dlib_face_recognition_resnet_model_v1.png" width="100%">
+</p>
+