Skip to content

Latest commit

 

History

History
73 lines (43 loc) · 5.28 KB

README.md

File metadata and controls

73 lines (43 loc) · 5.28 KB
Raw

Финальный проект DLS - демо сервис с детектором объектов

Общий этап работы

1) Выбор фреймворка/библиотеки для использования детектора.

Результатом пункта является зафиксированный фреймворк для нейросети-детектора.

Я решил выбрать следующие фреймворки для детектора:

  1. YOLOv5 - отсюда берем веса модели. Если нужно, то учим модель этим фреймворком;
  2. YOLOv5-RT-STACK - используем этот фреймворк для получения ONNX модели для инференса. Был взят именно этот фреймворк, т.к. он при переводе в ONNX формат добавляет постпроцессинг в граф вычислений.

Я взял самую маленькую сеть - YOLOv5s.

2) Запуск детектора на случайных изображениях

Результатом пункта явлется набор изображений, на которых модель успешно отработала и результат детекции виден и понятен.

Пример изображений находится ниже:

Example 1 Example 2

3) Выбор фреймворка/библиотеки для разработки веб/мобильного демо

Результатом пункта является зафисированный для вас инстурмент для разработки демо.

Я буду делать веб-демо. Фреймворки перечислены ниже:

  1. Backend: FastAPI, ONNXRuntime, OpenCV, FFMPEG;
  2. Frontend: Next.js, React, Material-UI, React-dropzone. Axios.

4) Разработка демо

Результатом пункта является код, который можно запустить. Не хватать будет только логики детектора, сам интерфейс должен быть уже рабочим.

Интерфейс находится в папке frontend.

5) Встраивание модели-детектора в демо

Результатом пункта является код, который можно запустить и продемонстрировать работающую систему детектирования объектов.

Бизнес логика находится в папке backend.

6) Тестирование демо Здесь нужно запустить ваше демо на как можно большем количестве примеров, чтобы понять, в чем его сильные и слабые стороны. То есть какие объекты/сцены детектор обрабатывает легко, а с какими ему справится сложно. Нужно предложить также пути для улучшения модели на основе увиденных ошибок.

Результатом пункта является набор изображений, на которых демо отработало. Для каждого изображения нужно добавить комментарии, почему модель справилась хорошо/плохо, предложить пути ее улучшения.

Example 1 Много плотных объектов (близко друг к другу), поэтому модель не выделяет, например, все бутылки на изображении. Есть визуальная схожесть между стулом и ноутбуком, поэтому модель их путает иногда. Это можно вылечить другой архитектурой (например, IterDet для плотных объектов), либо запуском детектора на патчах из исходного изображения.

Example 2 Снова плотные объекты.

Я взял самую маленькую модель семейства YOLOv5, чтобы детектор работал более менее быстро.

Как запустить?

Для запуска потребуется Docker и Docker-Compose.

  1. Склонируйте репозиторий себе на машину;

  2. Создайте .env файл рядом с backend/.env.example файлом со следующим содержимым

     VIDEO_API_BASE_PATH = http://127.0.0.1:
 PORT = 3001

  3. Создайте .env.local пядом с frontend/.env.production файлом со следующим содержимым:

     NEXT_PUBLIC_API_URL=http://localhost:3001/

  4. Выполните команду docker-compose up;

  5. Откройте браузер и перейдите по адресу http://localhost:3000