Indian Id Validator

🚀 インドIDバリデータ

このプロジェクトは、インドの身分証明書類（アドハーカード、パンカード、パスポート、選挙人票、運転免許証など）の分類、検出、およびテキスト抽出を行うためのコンピュータビジョンパイプラインです。YOLO11モデルとPaddleOCRを利用しており、アドハーカードと運転免許証の表裏の画像に対応しています。

🚀 クイックスタート

このインドIDバリデータを使用することで、インドの身分証明書類の分類、検出、およびテキスト抽出を行うことができます。以下の手順に従って、セットアップと使用を行ってください。

✨ 主な機能

• 分類：Id_Classifierモデルを使用して、IDの種類（例：aadhar_front, passport）を分類します。
• 検出：特定の種類のYOLO11検出モデルを使用して、特定のフィールド（例：アドハー番号、生年月日、名前）を検出します。
• 抽出：画像の前処理（拡大、ノイズ除去、コントラスト強化）を行った後、PaddleOCRを使用して検出されたフィールドからテキストを抽出します。

対応するIDの種類：

• アドハーカード（表と裏）
• パンカード（表）
• パスポート（表）
• 選挙人票（表と裏）
• 運転免許証（表と裏）

📦 インストール

1. リポジトリをクローンする：

   git clone https://huggingface.co/logasanjeev/indian-id-validator
   cd indian-id-validator
   

2. 依存関係をインストールする： Python 3.8以上がインストールされていることを確認し、以下のコマンドを実行します。

   pip install -r requirements.txt
   

   requirements.txtには、ultralytics, paddleocr, paddlepaddle, numpy==1.24.4, pandas==2.2.2などが含まれています。

3. モデルをダウンロードする： モデルはinference.pyを通じてHugging Faceリポジトリから自動的にダウンロードされます。config.jsonがルートディレクトリにあることを確認してください。また、上記のUltralytics Hubのリンクを使用して、PyTorch、ONNXなどの形式でモデルをダウンロードすることもできます。

💻 使用例

Python API

分類のみ

Id_Classifierを使用してIDの種類を識別します。

from ultralytics import YOLO
import cv2

# モデルを読み込む
model = YOLO("models/Id_Classifier.pt")

# 画像を読み込む
image = cv2.imread("samples/aadhaar_front.jpg")

# 分類を行う
results = model(image)

# 予測されたクラスと信頼度を表示する
for result in results:
    predicted_class = result.names[result.probs.top1]
    confidence = result.probs.top1conf.item()
    print(f"予測されたクラス: {predicted_class}, 信頼度: {confidence:.2f}")

出力:

予測されたクラス: aadhar_front, 信頼度: 1.00

エンドツーエンドの処理

inference.pyを使用して、分類、検出、およびOCRを行います。

from inference import process_id

# アドハーカードの裏面画像を処理する
result = process_id(
    image_path="samples/aadhaar_back.jpg",
    save_json=True,
    output_json="detected_aadhaar_back.json",
    verbose=True
)

# 結果を表示する
import json
print(json.dumps(result, indent=2))

出力:

{
  "アドハー": "996269466937",
  "住所": "S/O Gocala Shinde Jay Bnavani Rahiwasi Seva Sangh ..."
}

パスポートの処理と可視化

パスポート画像を処理して、分類、フィールドの検出、およびテキストの抽出を行い、可視化を有効にします。

from inference import process_id

# パスポート画像を詳細出力で処理する
result = process_id(
    image_path="samples/passport_front.jpg",
    save_json=True,
    output_json="detected_passport.json",
    verbose=True
)

# 結果を表示する
import json
print("\nパスポートの結果:")
print(json.dumps(result, indent=4))

可視化: verbose=Trueフラグを使用すると、生画像、バウンディングボックス、および抽出されたテキストを含む各検出フィールドの可視化が生成されます。以下はpassport_front.jpgの結果です。

タイプ	画像
生画像
バウンディングボックス付き出力

検出されたフィールド:

フィールド	画像
住所
コード
生年月日
発行日
有効期限
性別
MRZ1
MRZ2
名前
国籍
国
発行場所

出力:

パスポートの結果:
{
    "国": "INDIAN",
    "生年月日": "26/08/1996",
    "発行場所": "AMRITSAR",
    "発行日": "18/06/2015",
    "コード": "NO461879",
    "有効期限": "17/06/2025",
    "住所": "SHER SINGH WALAFARIDKOTASPUNJAB",
    "名前": "SHAMINDERKAUR",
    "国籍": "IND",
    "性別": "F",
    "MRZ1": "P<INDSANDHU<<SHAMINDER<KAUR<<<<<<<<<<<<<<<<<",
    "MRZ2": "NO461879<4IND9608269F2506171<<<<<<<<<<<<<<<2"
}

ターミナル

コマンドラインからinference.pyを実行します。

python inference.py samples/aadhaar_front.jpg --verbose --output-json detected_aadhaar.json

オプション:

• --model: モデルを指定します（例：Aadhaar, Passport）。デフォルトは自動検出です。
• --no-save-json: JSON出力を無効にします。
• --verbose: 可視化を表示します。
• --classify-only: IDの種類のみを分類します。

出力例:

検出されたドキュメントの種類: aadhar_front, 信頼度: 0.98
抽出されたテキスト:
{
  "アドハー": "1234 5678 9012",
  "生年月日": "01/01/1990",
  "性別": "M",
  "名前": "John Doe",
  "住所": "123 Main St, City, State"
}

📚 ドキュメント

モデル

このパイプラインは、以下のモデルで構成されており、それぞれID検証プロセスの特定のタスクに設計されています。モデルは、それぞれのUltralytics Hubのリンクから、PyTorch、ONNX、TensorRTなどのさまざまな形式でダウンロードでき、異なる環境でのデプロイに対応しています。

モデル詳細

以下は、各モデルの詳細な内訳で、検出するクラスと、カスタムインドIDデータセットでの評価指標が含まれています。

詳細については、このREADMEの先頭にあるYAMLメタデータのmodel-indexセクションを参照してください。

📚 Colabチュートリアル

サンプル画像または独自の画像を使用してモデルをテストするためのインタラクティブなチュートリアルを試してみてください。 Colabで開く

📚 リンク

• リポジトリ: Hugging Face
• モデル:
  • Id_Classifier: Ultralytics
  • Aadhaar: Kaggle
  • Pan_Card: Ultralytics
  • Passport: Ultralytics
  • Voter_Id: Ultralytics
  • Driving_License: Ultralytics
• チュートリアル: Colab Notebook
• 推論スクリプト: inference.py
• 設定ファイル: config.json

🤝 コントリビューション

コントリビューションは大歓迎です！コントリビュートするには、以下の手順に従ってください。

1. リポジトリをフォークします。
2. ブランチを作成します: git checkout -b feature-name。
3. 変更を含むプルリクエストを送信します。

問題の報告や機能の提案は、Hugging Face Issuesページから行ってください。

📄 ライセンス

MITライセンス