Create code.py

code.py

@@ -0,0 +1,55 @@
+import torch
+from yolov5 import YOLOv5
+from art.attacks.evasion import FastGradientMethod
+from art.classifiers import PyTorchClassifier
+from PIL import Image
+import numpy as np
+import matplotlib.pyplot as plt
+
+# Carregar o modelo YOLOv5
+model = YOLOv5('yolov5s.pt', device='cuda')  # Use yolov5s.pt ou outro modelo
+
+# Carregar uma imagem de exemplo
+image_path = 'caminho/para/imagem.jpg'  # Substitua pelo caminho correto
+img = Image.open(image_path).convert('RGB')
+img = np.array(img)  # Converter para array numpy
+
+# Preparar a imagem para o modelo
+img_tensor = torch.from_numpy(img).float() / 255.0
+img_tensor = img_tensor.permute(2, 0, 1).unsqueeze(0).cuda()  # Adicionar batch e mover para GPU
+
+# Fazer a detecção normal
+results = model(img)
+results.show()
+
+# Criar o classificador PyTorch para ART
+def predict_fn(x):
+    # Função de predição para ART
+    with torch.no_grad():
+        return model(x).xywh[0][:, 4].cpu().numpy()  # Retorna as probabilidades de deteção de objetos
+
+classifier = PyTorchClassifier(
+    model=model.model,  # Passando o modelo YOLO para ART
+    loss_fn=torch.nn.CrossEntropyLoss(),
+    input_shape=(3, 640, 640),  # YOLOv5 trabalha com imagens de 640x640
+    nb_classes=80,  # 80 classes do COCO dataset
+    clip_values=(0, 1),  # Normalização das imagens
+    preprocessing=(0, 1)
+)
+
+# Criar o ataque adversarial com o ART (exemplo com FGSM)
+attack = FastGradientMethod(estimator=classifier, eps=0.1)  # eps controla a intensidade do ataque
+adv_img = attack.generate(x=img_tensor.cpu().numpy())
+
+# Converter a imagem adversarial para um formato visualizável
+adv_img = np.moveaxis(adv_img[0], 0, -1)  # Move as dimensões para (H, W, C)
+adv_img = np.clip(adv_img * 255, 0, 255).astype(np.uint8)
+
+# Mostrar a imagem adversarial
+plt.imshow(adv_img)
+plt.title('Imagem Adversarial')
+plt.show()
+
+# Aplicar o modelo YOLO na imagem adversarial
+adv_results = model(adv_img)
+adv_results.show()