Skip to content

Определение количества позиций товара на витрине по фотографиям. (label-studio, yolov5, torch, rabbitmq, pika, docker-compose)

Notifications You must be signed in to change notification settings

Yyalexx/detecting-beer

Repository files navigation

ТЕМА ПРОЕКТА

Определение количества позиций товара на витрине по фотографиям.

(python, json, numpy, pandas, PIL, torch, yolov5, pika, RabbitMQ, Docker Compose)

ПОСТАНОВКА ЗАДАЧИ

Заказчиком является торговая фирма - генеральный дистрибьютор производителя пива и крекера ОАО ВИЗИТ.

Мерчендайзеры фирмы ежедневно обходят закрепленные за ними торговые точки и в виде отчета делают фотографии витрин. Фотографии загружаются в базу данных 1С и визуально анализируются руководителем службы.

В этом проекте в целях автоматизации анализа отчетов мерчендайзеров производится подсчет количества позиций в первом ряду витрины единицы анализируемого ассортимента на каждой фотографии.

Проект состоит из 3-х частей:

Для разметки данных используется библиотека label-studio .

Для обучения была выбрана модель YOLOv5 от разработчика ultralytics.

Реализована микросервисная структура из 3-х сервисов с контейнеризацией Docker Compose.

Промежуточные выводы

  • Применение модели YOLOv5 продемонстрировало свою эффективность для поставленной задачи.
  • Применение микросервисной структуры позволяет оперативно добавлять анализируемые товарные позиции.

Основные итоги

  • Создана микросервисная структура, инференс в реальном времени в автоматическом режиме анализирует количество позиций в первом ряду витрины одной единицы ассортимента.
  • Система полностью готова к расширению анализируемого ассортимента.
  • Определены конкретные задачи по развитию системы как в направлении расширения количества ассортиментных позиций, так и в направлении дальнейшего развития сервиса.

Деплой прототипа на Streamlit Cloud

Update 22.03.2023

Всего обучено 8 моделей на 19 классов.

Update 21.02.2023

Всего обучено 6 моделей на 15 классов.

Update 17.02.2023

Всего обучено 5 моделей на 12 классов.

Update 7.02.2023

Всего обучено 4 модели на 10 классов.

Update 17.01.2023

Размечены данные для класса "Визит вечерний стекло 0.45", обучена модель.
Добавлены файлы demo_predict_cl_0_1.ipynb и m_cl_1.pt.

Пример работы модели на тестовых данных

Update 19.01.2023

Размечены данные для класса "Визит классический ПЭТ 1.5л", обучена модель m_cl_1_2.pt на два класса:

  • "Визит классический ПЭТ 1.5л"
  • "Визит вечерний стекло 0.45".
    Добавлены файлы demo_predict_cl_0_1_2.ipynb и m_cl_1_2.pt.

Примеры работы модели на тестовых данных