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