Проект: Детекция объектов с использованием YOLOv5 и FastAPI

Описание

Этот проект представляет собой API для детекции(определения) объектов на изображениях с использованием системной архитектуры,внутренней YOLOV5

API построено на FastAPI и предоставляет возможность загружать изображения, на которых модель распознает объекты и возвращает их координаты.

Модель использует предобученную сеть YOLOv5 для быстрой и точной детекции объектов.

Стек технологий

• FastAPI: фреймворк для построения высокопроизводительных API.
• YOLOv5: нейронная сеть для детекции объектов в реальном времени.
• Python 3.10+

- PyTorch: библиотека для глубокого обучения.

Команда

* Черданцев Артем : Middle Frontend Developer ;

* Замирайлов Максим : Middle Java,Python developer;

* Есмурат Дана : Team leader ;

* Алтын Рустем : Product Designer ;

Установка

Шаг 1: Клонирование репозитория

Склонируйте проект с репозитория: bash git clone https://github.com/ваш-проект cd ваш-проект

Шаг 2: Создание виртуального окружения и не только

Создайте виртуальное окружение для управления зависимостями:

bash python -m venv .venv source .venv/bin/activate # для Linux/macOS

или

.venv\Scripts\activate # для Windows

Установите FastAPI и Uvicorn для разработки и запуска сервера API: bash pip install torch torchvision torchaudio

Шаг 3: Установка зависимостей

Установите все зависимости из файла requirements.txt:

bash

pip install -r requirements.txt

Шаг 4: Запуск приложения

После установки всех зависимостей, запустите FastAPI приложение:

bash uvicorn main:app --reload!

Теперь сервер будет доступен по адресу: http://127.0.0.1:8000.

Использование Детекция объектов на изображении Чтобы загрузить изображение и получить координаты распознанных объектов, используйте следующий эндпоинт:

POST /predict/ Пример запроса: bash curl -X 'POST' \ 'http://127.0.0.1:8000/predict/' \ -H 'accept: application/json' \ -H 'Content-Type: multipart/form-data' \ -F 'file=@pathtoyour_image/image.jpg' Пример ответа: json Копировать код { "objects": [ { "label": "person", "confidence": 0.85, "box": [100, 50, 200, 400] }, { "label": "dog", "confidence": 0.78, "box": [300, 200, 450, 600] } ] }

Структура проекта

bash

├── main.py # Основной файл с FastAPI приложением ├── models/ # YOLOv5 модели ├── data/ # Папка для данных ├── .venv/ # Виртуальное окружение ├── requirements.txt # Файл с зависимостями └── README.md # Документация

Разделы API

GET /docs: Открывает интерактивную документацию Swagger для тестирования API. GET /redoc: Документация в формате ReDoc. POST /predict/: Эндпоинт для загрузки изображения и детекции объектов.

Требования PyCharm Professional Python 3.10+ FastAPI PyTorch YOLOv5

                                                    ```Лицензия```
                        Этот проект лицензирован под MIT License. Подробнее уточнять у самой команды 

markdown

Описание разделов:

• Описание: Краткое описание проекта и его назначения.
• Стек технологий: Список используемых технологий.
• Установка: Пошаговые инструкции по установке и запуску проекта.
• Использование: Пример того, как использовать API для детекции объектов.
• Структура проекта: Пример структуры директорий и файлов.
• Разделы API: Описание доступных эндпоинтов API.
• Требования: Уточнение версий Python и зависимостей.
• Лицензия: Указание лицензии проекта.