Automatinio treniravimo įrankis SnapML šviesos šaltinių aptikimui

Šis projektas leidžia aptikti šviesos šaltinius vaizduose, treniruoti modelį ir eksportuoti jį į ONNX formatą,

Projekto struktūra

• auto_training_tool/
• ├── data/
• │ ├── raw_images/ # Pradiniai vaizdai
• │ ├── prepared_images/ # Paruošti vaizdai
• │ ├── annotations/ # Anotacijų tekstiniai failai
• │ └── light_sources.json # Eksportuoti šviesos šaltinių parametrai (JSON)
• ├── models/ # Ištreniruoti modeliai
• ├── scripts/ # Pagalbiniai scenarijai
• │ ├── prepare_images.py # Vaizdų filtravimas
• │ ├── generate_annotations.py # Anotacijų generavimas
• │ ├── export_annotations_to_json.py # Eksportas į JSON
• │ ├── train_model.py # Modelio treniravimas
• │ ├── evaluate_model.py # Modelio įvertinimas
• │ ├── export_model.py # Modelio eksportavimas į ONNX
• │ └── lens_studio_integration.js # Pavyzdinis scenarijus integracijai į Lens Studio
• ├── config.yaml # Treniruotės konfigūracija
• ├── requirements.txt # Reikalingų Python bibliotekų sąrašas
• ├── README.md # Dokumentacija

Priklausomybės

Norint paleisti šį projektą, įdiekite būtinas Python bibliotekas:

pip install -r requirements.txt

Veikimo etapai
	1.	Vaizdų paruošimas: Filtruojami tinkamo formato vaizdai.

python scripts/prepare_images.py


	2.	Anotacijų generavimas: Sugeneruojamos anotacijos kiekvienam vaizdui.

python scripts/generate_annotations.py


	3.	JSON eksportas: Anotacijos konvertuojamos į JSON formatą.

python scripts/export_annotations_to_json.py


	4.	Modelio treniravimas: Naudojant YOLOv7 architektūrą, modelis treniruojamas aptikti šviesos šaltinius.

python scripts/train_model.py


	5.	Modelio įvertinimas (pasirinktinai):

python scripts/evaluate_model.py


	6.	Eksportavimas į ONNX: Modelis eksportuojamas į formatą, suderinamą su Lens Studio.

python scripts/export_model.py


Licencija

Šis projektas yra atviras ir gali būti naudojamas asmeniniais ar komerciniais tikslais pagal MIT licenciją.