Сайт соревнования: atomichack.ru
GitHub: github.com/werserk/AtomicHack
Презентация: LINK
Решение: welding.medpaint.ru
Веса лучшей на нашей валидации модели: LINK
Полный код: LINK
Визуальный осмотр сварных швов на предмет дефектов - долгая и трудоёмкая задача. Зачастую молодые специалисты не могут определить все свои дефекты из-за чего всё больше повторяются свои ошибки.
Для решения этой проблемы мы разработали веб-платформу на основе искуственного интеллекта, помогающую быстро и качественно найти дефекты на изображении сварного шва.
Наше решение предлагает такой функционал:
- Обрабатываем как фото, так и видео
- Анализируем в режиме реального времени с камеры устройства
- Предоставляем API для подключения устройств, других интерфейсов (alpha)
- Автоматически измеряем размеры дефектов (pre-alpha)
- Формируем отчёт о найденных на швах дефектах и их размерах
Склонируйте репозиторий:
git clone https://github.com/werserk/AtomicHack.git && cd AtomicHack
Запустите Docker:
docker compose up
Можно попробовать запустить без докера, однако с установкой super-gradients могут возникнуть проблемы. Пробовать на свой страх и риск.
Установите зависимости:
poetry install
Запуск стримлита:
streamlit run streamlit_app.py
Запуск бэкенда (если нужен API)
uvicorn app.server:app --host 0.0.0.0 --port 8000
python3 submit.py
Возможно потребуется сделать это изнутри докера.
app/
├── __init__.py
├── neuro
│ ├── __init__.py
│ ├── roboflow_net
│ │ ├── config.py
│ │ ├── core.py
│ │ └── __init__.py
│ ├── utils.py
│ └── yolo_nas_net
│ ├── config.py
│ ├── core.py
│ └── __init__.py
├── server
│ ├── core.py
│ ├── __init__.py
│ └── utils.py
└── web
├── core.py
├── __init__.py
├── pages
│ ├── capture_video.py
│ ├── __init__.py
│ ├── upload_image.py
│ ├── upload_video.py
│ └── welcome.py
└── utils
├── __init__.py
├── predict.py
├── tables.py
└── video.py