EVRAZ-AI-Challenge-Mountain-fighters

Хакатон EVRAZ AI Challenge, 29-31 октября 2021 г. Решение команды Mountain fighters.

Нейросеть

На основе YOLOv4 (https://github.com/tranleanh/darkeras-yolov4), с предобученными весами https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights. Для работы в jupyter

1. Клонировать данный репозиторий
2. Разместить датасет в каталоге data_task2 рядом с репозиторием (не копировать в репозиторий)
3. Скачать в папку \EVRAZ-AI-Challenge-Mountain-fighters\darkeras-yolov4\weights файл yolov4.weights по ссылке https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights.
4. Запустить jupyter notebook или jupyter lab в каталоге репозитория.
5. Открыть \EVRAZ-AI-Challenge-Mountain-fighters\darkeras-yolov4\Mountain-fighters team ML RnD.ipynb

Примеры размеченных изображений в каталоге /visualized_recognition

Описание решения

Решение представляет собой cистемy для контроля опасных зон агломашины.

Нейронная сеть на основе YOLOv4 позволяет оценить положение рабочего на площадке со значением целевой функции 0.4.

Прототип веб-приложения позволяет воспроизводить в режиме реального времени кадры с камер, каталогизировать нарушения техники безопасности (при подключении модуля машинного обучения).

Инструкция по запуску

Демо решение расположено по адресу [http://178.154.255.145/#/camera](http://178.154.255.145/#/camera (логин admin, пароль 1234, демо-приложение доступно до вечера 2 ноября 2021 г.)

Для запуска локально, см. Развертывание через docker-compose

Руководство пользователя

В интерфейсе присутствует три основных вкладки: Дашборд, Нарушения и Камеры. Во вкладке камеры отображаются изображения с камер в режиме реального времени.

Вкладка Дашборд содержит статистику по камерам, сотрудникам и нарушениям.

Во вкладке Нарушения отображаются нарушения в соответствии с выбранными фильтрами, также здесь можно просматривать фотографии нарушений.

Интеграция

Система предусматривает два режима использования:

1. Использование в качестве полноценной системы. В таком случае изображения с камер следует присылать следующим запросом:

Метод: POST

Путь: /rest_api/frame/

Параметры:

• camera_code - код камеры
• dttm - дата и время изображения в формате %Y-%m-%dT%H:%M:%S
• photo - файл с изображением

Система будет анализировать полученные изображения и определять нарушение.

Кадры во вкладке Камеры будут автоматически обновляться

2. Использование только в качестве определения нарушения и/или выявления людей в кадре. Для этого предусмотрен следующий запрос:

Метод: POST

Путь: /rest_api/frame/detect/

Параметры:

• photo - файл с изображением

В ответ придет результат анализа.

Развертывание через docker-compose

1. Установить docker
2. Установить docker-compose
3. В папке compose создать файлы .env и .uwsgi.env и заполнить их в соответствии с примерами
4. Запустить файл build.sh с правами суперпользователя

sudo ./build.sh

5. Настроить внешний nginx, который будет пересылать все запросы на порт приложения

Команды docker-compose

Все команды необходимо выполнять в папке compose

• Остановить все контейнеры

sudo docker-compose stop

• Перезапустить контейнер

sudo docker-compose restart {container_name}

• Запуск manage.py shell

sudo docker-compose exec web python manage.py shell