Update app.py

app.py

@@ -4,7 +4,7 @@ import cv2
 import tempfile
 
 # Carregar o modelo YOLOv8
-model = YOLO("yolov8n.pt")  # Você pode usar 'yolov8s.pt', 'yolov8m.pt', etc., dependendo do seu requisito
+model = YOLO("yolov8n.pt")  # Use o modelo mais leve (nano)
 
 def detect_objects(video_path):
     # Abrir o vídeo de entrada
@@ -12,22 +12,38 @@ def detect_objects(video_path):
     if not cap.isOpened():
         raise ValueError("Não foi possível abrir o vídeo.")
     
-    # Criar um arquivo temporário para salvar o vídeo processado
+    # Configurar a saída de vídeo
     output_path = tempfile.NamedTemporaryFile(suffix=".mp4", delete=False).name
     fourcc = cv2.VideoWriter_fourcc(*'mp4v')
-    out = cv2.VideoWriter(output_path, fourcc, 30.0, (int(cap.get(3)), int(cap.get(4))))
+    fps = int(cap.get(cv2.CAP_PROP_FPS))
+    width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH) // 2)  # Reduzir a largura pela metade
+    height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT) // 2)  # Reduzir a altura pela metade
+    out = cv2.VideoWriter(output_path, fourcc, fps, (width, height))
+    
+    frame_skip = 2  # Pular 1 frame a cada 2 (processar apenas metade dos frames)
+    frame_count = 0
     
     while cap.isOpened():
         ret, frame = cap.read()
         if not ret:
             break
         
+        # Pular frames intermediários
+        if frame_count % frame_skip != 0:
+            frame_count += 1
+            continue
+        
+        # Redimensionar o frame para metade da resolução original
+        resized_frame = cv2.resize(frame, (width, height))
+        
         # Realizar a detecção de objetos
-        results = model(frame)
+        results = model(resized_frame)
         annotated_frame = results[0].plot()  # Obter o frame com as detecções
         
         # Escrever o frame processado no vídeo de saída
         out.write(annotated_frame)
+        
+        frame_count += 1
     
     # Liberar os recursos
     cap.release()