https://github.com/werserk/atomichack-1st-place

Решение соревнования Атомик Хак 2.0 от корпорации РосАтом по обнаружению дефектов сварочных швов во время визуального осмотра
https://github.com/werserk/atomichack-1st-place

computer-vision deep-learning fastapi streamlit weld-defect-detection yolo-nas

Last synced: about 1 month ago
JSON representation

Решение соревнования Атомик Хак 2.0 от корпорации РосАтом по обнаружению дефектов сварочных швов во время визуального осмотра

• Host: GitHub
• URL: https://github.com/werserk/atomichack-1st-place
• Owner: werserk
• Created: 2024-06-14T11:13:37.000Z (8 months ago)
• Default Branch: master
• Last Pushed: 2024-07-10T16:18:01.000Z (7 months ago)
• Last Synced: 2025-01-14T03:13:01.516Z (about 1 month ago)
• Topics: computer-vision, deep-learning, fastapi, streamlit, weld-defect-detection, yolo-nas
• Language: Python
• Homepage: https://welding.medpaint.ru
• Size: 3.45 MB
• Stars: 1
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
# Поиск дефектов сварных швов

![atomic_hack_logo.png](.images/atomic_hack_logo.png)

## Ссылки

Сайт соревнования: [atomichack.ru](https://atomichack.ru/) \

GitHub: [github.com/werserk/AtomicHack](https://github.com/werserk/AtomicHack) \

Презентация: [LINK](https://docs.google.com/presentation/d/1rcH_EbmP8-rjSrcMAn7ZxIdogTCiCjg5LeDol3n1LJk/edit#slide=id.g2e5e08b022d_3_69) \

Решение: [welding.medpaint.ru](https://welding.medpaint.ru) \

Веса лучшей на нашей валидации модели: [LINK](https://drive.google.com/drive/folders/1SxKk1MI6GMpJQz-rJXD6erh0uTLwykaD?usp=sharing) \

Полный код: [LINK]()

## Описание

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.

### Пример шва с дефектами

![example_weld.jpg](.images/example_weld.jpg)

### Функциональность решения

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

## Установка

### Основной запуск

Склонируйте репозиторий:

```bash

git clone https://github.com/werserk/AtomicHack.git && cd AtomicHack

```

Запустите Docker:

```bash

docker compose up

```

### Самостоятельный запуск

Можно попробовать запустить без докера, однако с установкой super-gradients могут возникнуть проблемы.

Пробовать на свой страх и риск.

Установите зависимости:

```bash

poetry install

```

Запуск стримлита:

```bash

streamlit run streamlit_app.py

```

Запуск бэкенда (если нужен API)

```bash

uvicorn app.server:app --host 0.0.0.0 --port 8000

```

## Предсказание одного из submission.csv

```bash

python3 submit.py

```

Возможно потребуется сделать это изнутри докера.

## Структура проекта

```

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

```