uav_detection_v1.0

Сделан с помощью

О продукте

🛸 Адаптивная система обнаружения БВС на YOLO с online-дообучением Готовый production-ready фреймворк для обнаружения, трекинга и адаптивного дообучения моделей компьютерного зрения в реальном времени. Это не «скрипт на 100 строк» и не очередная обёртка над YOLO — это полноценная система с GUI, GPS, картами, зонами фиксации, инцидентами и аналитикой, которая учится прямо во время работы. ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 🎯 ЧТО ДЕЛАЕТ ПРОДУКТ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ Система в реальном времени: • обнаруживает объекты на видео (YOLOv8: n/s/m/l/x + свои .pt/.onnx) • стабильно трекает их (ByteTrack + Kalman + appearance re-acquire) • показывает оператору bbox, класс, уверенность, ID, расстояние, траекторию • собирает обратную связь от оператора (нажал F — исправил класс) • сама решает, когда запустить fine-tuning (drift detection + cooldown) • подменяет модель на лету без остановки детекции (hot-swap) • калибрует уверенность (temperature scaling) • копит hard negatives и golden set против катастрофического забывания Простыми словами: вы запускаете систему, она работает, вы иногда жмёте одну кнопку — и она становится точнее. Без остановки, без пересборки, без ручного переобучения. ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ✨ КЛЮЧЕВЫЕ ВОЗМОЖНОСТИ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ДЕТЕКЦИЯ И ТРЕКИНГ • YOLOv8 (n/s/m/l/x) + поддержка пользовательских моделей .pt / .onnx • ByteTrack для multi-object tracking • Kalman-фильтр для сглаживания bbox • Appearance-based re-acquire (HSV-гистограмма) — возврат потерянных треков • Fallback на MOG2 (motion detection), если YOLO не сработал АДАПТИВНОЕ ОНЛАЙН-ОБУЧЕНИЕ • Active learning — приоритизация наиболее неинформативных кадров • Hard negative mining — сбор ложных срабатываний • Golden set + replay — защита от забывания старых классов • Drift detection — откат модели, если mAP упал на golden val • Temperature scaling — автокалибровка уверенности • Hot-swap модели без остановки видео • Расширяемые классы через GUI/API ИНТЕРФЕЙС И ИНТЕГРАЦИИ • Tkinter GUI: источник, модель, порог, запись, звук, горячие клавиши • Дашборд с графиками (Matplotlib): detections/min, FPS, conf-hist, class-pie • Фиксация объекта (soft / hard / predict) • Отображение траекторий, расстояний, ID • Карта OpenStreetMap (tkintermapview) + Яндекс/Google/2ГИС • GPS/GLONASS через pynmea2 + pySerial с автоопределением порта • Anti-spoof / Anti-deepfake: freeze, abrupt change, compression artifacts, face anomalies • Запись видео (XVID), снимки, экспорт инцидентов • Зоны фиксации (zone_presets/) • Telegram-оповещения (alerts.py) OFFLINE-ОБУЧЕНИЕ (для ML-инженера) • Вкладка offline-обучения на внешнем датасете • Пресеты: quick / balanced / quality / expert • Автовыбор устройства (CUDA / MPS / CPU) • Валидация data.yaml, создание пустого датасета ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 👥 КОМУ ПОДХОДИТ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ✅ ML / CV-инженерам — которые хотят сэкономить 2-3 месяца работы над инфраструктурой (ByteTrack, Kalman, online-learning, hot-swap) и сразу перейти к экспериментам со своими данными. ✅ Системным интеграторам — которым нужен готовый модуль детекции для встраивания в системы безопасности, мониторинга периметра, охраны объектов, anti-drone решений. ✅ Разработчикам продуктов — которые строят SaaS или on-premise решения для видеоаналитики и хотят готовую базу вместо разработки с нуля. ✅ Исследователям — которым нужен воспроизводимый baseline для экспериментов с continual learning, active learning, drift detection, temperature scaling. ✅ Студентам и аспирантам — как учебный пример production-grade CV-системы с реальной архитектурой, а не «hello world». НЕ подходит: ❌ Тем, кто ищет «YOLO за 5 минут» — это не однострочник. ❌ Тем, кто не знаком с Python и pip. ❌ Тем, у кого нет 8 ГБ RAM (на CPU real-time — только yolov8n). ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ⚙️ ТЕХНИЧЕСКИЕ ТРЕБОВАНИЯ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ОС: Windows 10/11, Ubuntu 20.04+, macOS 11+ Python: 3.9 – 3.11 (рекомендуется 3.10) RAM: 8 ГБ минимум, 16 ГБ+ рекомендуется GPU: опционально, NVIDIA + CUDA 11.8+ для real-time CPU: 4 ядра минимум, 8+ рекомендуется Интернет: нужен один раз для скачивания yolov8n.pt (если его нет) ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 🚀 КАК НАЧАТЬ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1. Распакуйте архив в папку без пробелов и кириллицы: C:\projects\uav_detection\ (Windows) /home/user/uav_detection/ (Linux/macOS) 2. Создайте виртуальное окружение: python -m venv venv venv\Scripts\activate (Windows) source venv/bin/activate (Linux/macOS) 3. Установите зависимости: pip install -r requirements.txt 4. Скопируйте .env.example в .env и заполните токены (Telegram, e-mail): cp .env.example .env 5. Запустите: python main.py 6. В открывшемся GUI: • выберите источник (Веб-камера / Файл / IP-камера) • выберите модель (по умолчанию yolov8n) • нажмите ЗАПУСК 7. Горячие клавиши в окне видео: L — зафиксировать объект / снять фиксацию A — показать все объекты R — сбросить статистику фиксации S — сохранить последний зафиксированный объект F — обратная связь (исправить класс объекта) T — ручной запуск fine-tuning Q / Esc — выход Подробная инструкция со всеми типичными ошибками — в INSTALL.md. ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 📦 ЧТО ВХОДИТ В ПОКУПКУ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ • Полный исходный код (main.py, detectors.py, alerts.py, analytics.py, zones.py) • Базовая модель yolov8n.pt • config.yaml с настройками • requirements.txt (все зависимости) • README.md — обзор системы • INSTALL.md — пошаговая установка + решение проблем • CHANGELOG.md — история версий • LICENSE.txt — коммерческая лицензия • .env.example — шаблон конфигурации • Скриншоты работающей системы • Примеры зон фиксации и структура adaptive_learning ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 📜 ЛИЦЕНЗИЯ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ Commercial license. Покупатель получает право использовать код в коммерческих проектах на одном объекте (одна организация, один адрес). Запрещено: перепродажа исходников, публикация в открытом доступе, распространение в составе SDK, использование на нескольких объектах без дополнительной лицензии. Для расширенной лицензии (multi-object, SaaS, white-label) — свяжитесь с автором. ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 💬 ПОДДЕРЖКА ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ При возникновении проблем — пишите автору. Укажите: • ОС и версию Python • полный текст ошибки • что делали перед её появлением Техническая поддержка и кастомизация — по отдельной договорённости.

Что входит

Отзывы появятся после первых покупок.