Skip to content

AbdullahKaraynir/ScrewTrue

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

9 Commits
backend
backend
 
 
mobile
mobile
 
 
.gitignore
.gitignore
 
 
README.md
README.md
 
 

Repository files navigation

🔩 ScrewTrue - Vida Başlığı Tanıma Sistemi

ScrewTrue, yapay zeka destekli bir vida başlığı tanıma ve sınıflandırma sistemidir. Mobil uygulama ve REST API ile çalışan bu sistem, Roboflow'un cascade model mimarisi kullanarak 10 farklı vida tipini yüksek doğrulukla tespit edebilir.

İçindekiler

Özellikler

  • 10 Farklı Vida Tipi Tanıma: Phillips, Pozidriv, Torx, Hex/Allen, Slotted, Security Torx, Pentalobe, Tri-wing, Spanner, Triangle
  • Cascade Model Sistemi: İki aşamalı model yapısı ile optimize edilmiş doğruluk
  • Cross-Platform Mobil Uygulama: iOS ve Android desteği
  • Gerçek Zamanlı Tespit: Canlı kamera akışında anlık tespit
  • Galeri Desteği: Mevcut fotoğraflardan tespit yapma
  • Renk Kodlu Sınıflandırma: Her vida tipi için özel renk gösterimi
  • Güven Skoru Gösterimi: Tespit doğruluğunu görselleştirme
  • RESTful API: Kolay entegrasyon için standart API yapısı

Teknoloji Stack

Backend

  • Framework: FastAPI 0.104.1
  • Python: 3.11+
  • ML/AI: Roboflow API (Cascade Models)
  • Image Processing: OpenCV, NumPy, Pillow
  • Server: Uvicorn

Mobile

  • Framework: React Native (Expo)
  • Camera: expo-camera
  • Image Picker: expo-image-picker
  • UI: React Native Components + Linear Gradient

Proje Yapısı

ScrewTrue-main/
├── backend/                 # FastAPI backend servisi
│   ├── main.py            # Ana API dosyası
│   ├── requirements.txt   # Python bağımlılıkları
│   ├── Procfile          # Heroku deployment config
│   ├── runtime.txt       # Python versiyonu
│   └── README.md         # Backend dokümantasyonu
│
├── mobile/                # React Native mobil uygulama
│   ├── App.js            # Ana uygulama bileşeni
│   ├── index.js          # Entry point
│   ├── package.json      # Node.js bağımlılıkları
│   ├── app.json          # Expo konfigürasyonu
│   ├── eas.json          # EAS Build konfigürasyonu
│   └── README.md         # Mobile dokümantasyonu
│
└── README.md             # Bu dosya

Kurulum

Backend Kurulumu

1. Gereksinimler

  • Python 3.11 veya üzeri
  • pip (Python paket yöneticisi)

2. Proje Klasörüne Geçin

cd backend

3. Virtual Environment Oluşturun (Önerilen)

# Windows
python -m venv venv
venv\Scripts\activate

# macOS/Linux
python3 -m venv venv
source venv/bin/activate

4. Bağımlılıkları Yükleyin

pip install -r requirements.txt

Yüklenecek paketler:

  • fastapi==0.104.1 - Web framework
  • uvicorn[standard]==0.24.0 - ASGI server
  • python-multipart==0.0.6 - File upload desteği
  • numpy==1.26.2 - Numerik işlemler
  • opencv-python-headless==4.8.1.78 - Görüntü işleme
  • pillow==10.1.0 - Görüntü manipülasyonu
  • requests==2.31.0 - HTTP istekleri

5. Roboflow API Yapılandırması

Backend zaten yapılandırılmış durumda. main.py dosyasında şu ayarlar mevcut:

# Model 1: Phillips/Pozidriv
MODEL_1_URL = "https://serverless.roboflow.com/dataminingproject-avr2o/2"
MODEL_1_API_KEY = "rSNcCctYlXx2bkMecwZk"
MODEL_1_THRESHOLD = 0.65

# Model 2: Diğer vida tipleri
MODEL_2_URL = "https://serverless.roboflow.com/dataminingproject-avr2o/5"
MODEL_2_API_KEY = "rSNcCctYlXx2bkMecwZk"
MODEL_2_THRESHOLD = 0.55

Mobil Uygulama Kurulumu

1. Gereksinimler

  • Node.js 18+ ve npm
  • Expo CLI (global olarak kurulacak)
  • Android Studio (Android geliştirme için)
  • Xcode (iOS geliştirme için, sadece macOS)

2. Expo CLI Kurulumu

npm install -g expo-cli

3. Proje Klasörüne Geçin

cd mobile

4. Bağımlılıkları Yükleyin

npm install

5. API URL Yapılandırması

app.json dosyasını açın ve API URL'ini yapılandırın:

{
  "expo": {
    "extra": {
      "apiUrl": "http://localhost:8000",  // Development için
      "apiUrlLocal": "http://localhost:8000"
    }
  }
}

Not: Development modunda uygulama otomatik olarak localhost:8000 kullanır. Production için gerçek API URL'inizi ekleyin.

Çalıştırma

Backend'i Çalıştırma

Yöntem 1: Uvicorn ile (Önerilen)

cd backend
uvicorn main:app --host 0.0.0.0 --port 8000 --reload

--reload parametresi development modunda kod değişikliklerini otomatik yükler.

Yöntem 2: Python ile

cd backend
python main.py

Yöntem 3: Windows Batch Script

cd backend
start_backend.bat

Yöntem 4: PowerShell Script

cd backend
.\start_backend.ps1

Backend başarıyla çalıştığında şu mesajları göreceksiniz:

[OK] Model 1 hazir: https://serverless.roboflow.com/...
[OK] Model 2 hazir: https://serverless.roboflow.com/...
[OK] Cascade sistem aktif
INFO:     Uvicorn running on http://0.0.0.0:8000

API Test

Tarayıcınızda şu URL'leri ziyaret ederek API'nin çalıştığını doğrulayın:

  • http://localhost:8000 - API durumu
  • http://localhost:8000/docs - Swagger UI (interaktif API dokümantasyonu)
  • http://localhost:8000/health - Sağlık kontrolü

Mobil Uygulamayı Çalıştırma

1. Expo Go Uygulamasını İndirin

2. Development Server'ı Başlatın

cd mobile
npm start

Bu komut Expo Development Server'ı başlatır ve QR kod gösterir.

3. Uygulamayı Açın

Android:

  • Expo Go uygulamasını açın
  • QR kodu tarayın veya "Enter URL manually" ile exp://localhost:8081 girin

iOS:

  • Kamera uygulamasını açın
  • QR kodu tarayın
  • Açılan bildirime tıklayın

Web:

npm run web

4. Alternatif Çalıştırma Yöntemleri

# Sadece Android
npm run android

# Sadece iOS (macOS gerekli)
npm run ios

# Web tarayıcısında
npm run web

API Dokümantasyonu

Base URL

http://localhost:8000

Endpoints

1. API Durumu

GET /

Response:

{
  "status": "active",
  "message": "ScrewTrue Roboflow API calisiyor",
  "version": "3.0.0",
  "runtime": "Roboflow API"
}

2. Sağlık Kontrolü

GET /health

Response:

{
  "status": "healthy",
  "api_configured": true,
  "api_type": "Roboflow Cascade",
  "model_1_url": "https://serverless.roboflow.com/...",
  "model_2_url": "https://serverless.roboflow.com/...",
  "model_1_allowed": ["Phillips", "Pozidriv"],
  "model_1_threshold": 0.65,
  "model_2_allowed": ["Torx", "Hex/Allen", ...],
  "model_2_threshold": 0.55,
  "classes": ["phillips", "pozidriv", ...]
}

3. Desteklenen Sınıflar

GET /classes

Response:

{
  "classes": [
    {
      "id": 0,
      "name": "phillips",
      "label": "Phillips",
      "color": "#E74C3C"
    },
    ...
  ]
}

4. Dosya Yükleme ile Tespit

POST /detect
Content-Type: multipart/form-data

Request:

  • file: Görüntü dosyası (form-data)
  • confidence: (opsiyonel) Güven eşiği (varsayılan: 0.25)

cURL Örneği:

curl -X POST "http://localhost:8000/detect" \
  -F "file=@screw_image.jpg" \
  -F "confidence=0.25"

Response:

{
  "success": true,
  "image_size": {
    "width": 1920,
    "height": 1080
  },
  "detections_count": 1,
  "detections": [
    {
      "class_id": 0,
      "class_name": "phillips",
      "class_label": "Phillips",
      "confidence": 0.85,
      "bbox": {
        "x1": 100,
        "y1": 150,
        "x2": 300,
        "y2": 350
      },
      "color": "#E74C3C",
      "model": 1
    }
  ]
}

5. Base64 Görüntü ile Tespit

POST /detect/base64
Content-Type: application/json

Request:

{
  "image": "data:image/jpeg;base64,/9j/4AAQSkZJRg...",
  "confidence": 0.25
}

cURL Örneği:

curl -X POST "http://localhost:8000/detect/base64" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "data:image/jpeg;base64,...",
    "confidence": 0.25
  }'

Response: (Yukarıdaki ile aynı format)

Swagger UI

Interaktif API dokümantasyonu için:

http://localhost:8000/docs

Cascade Model Sistemi

ScrewTrue, iki aşamalı bir cascade model sistemi kullanır:

Model 1: Phillips/Pozidriv Tespiti

  • URL: https://serverless.roboflow.com/dataminingproject-avr2o/2
  • Sınıflar: Phillips, Pozidriv
  • Threshold: 0.65 (65% güven eşiği)
  • Öncelik: İlk kontrol edilen model

Model 2: Diğer Vida Tipleri

  • URL: https://serverless.roboflow.com/dataminingproject-avr2o/5
  • Sınıflar: Torx, Hex/Allen, Slotted, Security Torx, Pentalobe, Tri-wing, Spanner, Triangle
  • Threshold: 0.55 (55% güven eşiği)
  • Öncelik: Model 1'de sonuç bulunamazsa çalışır

Cascade Akışı

1. Görüntü alınır
   ↓
2. Model 1 çağrılır (Phillips/Pozidriv)
   ↓
3. Sonuç filtrelenir (threshold: 0.65)
   ├─→ Başarılı → Sonuç döndürülür
   └─→ Başarısız → Model 2'ye geç
       ↓
4. Model 2 çağrılır (Diğer tipler)
   ↓
5. Sonuç filtrelenir (threshold: 0.55)
   ├─→ Başarılı → Sonuç döndürülür
   └─→ Başarısız → null döndürülür

Avantajlar

  • Hızlı Tespit: Yaygın vida tipleri (Phillips/Pozidriv) için optimize edilmiş
  • Yüksek Doğruluk: Her model kendi uzmanlık alanında optimize edilmiş
  • Maliyet Optimizasyonu: Gerekli durumlarda sadece Model 2 çağrılır
  • Güvenilirlik: İki model katmanı ile daha güvenilir sonuçlar

Deployment

Backend Deployment

Railway

  1. Railway hesabına giriş yapın
  2. "New Project" > "Deploy from GitHub repo" seçin
  3. Repository'yi seçin
  4. Root Directory: backend olarak ayarlayın
  5. Build Command: pip install -r requirements.txt
  6. Start Command: uvicorn main:app --host 0.0.0.0 --port $PORT

Render

  1. Render hesabına giriş yapın
  2. "New Web Service" oluşturun
  3. GitHub repository'yi bağlayın
  4. Ayarlar:
    • Root Directory: backend
    • Build Command: pip install -r requirements.txt
    • Start Command: uvicorn main:app --host 0.0.0.0 --port $PORT
    • Python Version: 3.11

Heroku

# Heroku CLI kurulumu gerekli
heroku login
heroku create screwtrue-api

# Backend'i deploy et
cd backend
git subtree push --prefix backend heroku main

Mobil Uygulama Build

EAS Build Kurulumu

npm install -g eas-cli
eas login

Android APK Build

cd mobile

# Preview build (test için)
npm run build:android

# Production build
npm run build:android:prod

iOS Build (macOS gerekli)

cd mobile
eas build --platform ios --profile production

Build tamamlandıktan sonra EAS dashboard'dan APK/IPA dosyalarını indirebilirsiniz.

🛠️ Geliştirme

Debug Modu

Backend'de debug logları aktif:

[DEBUG] Calling Model 1 (Phillips/Pozidriv)...
[DEBUG] Model 1 - class: Phillips, conf: 0.85
[DEBUG] Model 1 ACCEPTED - class: Phillips, conf: 0.85

Kod Yapısı

Backend (backend/main.py)

  • call_roboflow_api(): Roboflow API çağrısı yapar
  • handle_model1_response(): Model 1 sonuçlarını filtreler
  • handle_model2_response(): Model 2 sonuçlarını filtreler
  • detect_screw_cascade(): Cascade akışını yönetir
  • run_inference(): Ana inference fonksiyonu

Mobile (mobile/App.js)

  • Gerçek zamanlı kamera tespiti
  • Galeri'den görüntü seçme
  • API entegrasyonu
  • Sonuç görselleştirme

Test Etme

Backend Test

# API test
curl http://localhost:8000/health

# Görüntü testi
curl -X POST "http://localhost:8000/detect" \
  -F "file=@test_image.jpg"

Mobile Test

  • Expo Go ile development test
  • EAS Build ile production test

Notlar

  • Backend default olarak localhost:8000 portunda çalışır
  • Mobil uygulama development modunda otomatik olarak localhost'u bulur
  • Production deployment'ta API URL'ini app.json'da güncelleyin
  • Cascade sistem sayesinde aynı frame'de iki sonuç asla gösterilmez
  • Model threshold'ları main.py içinde ayarlanabilir

Katkıda Bulunma

  1. Fork yapın
  2. Feature branch oluşturun (git checkout -b feature/amazing-feature)
  3. Commit yapın (git commit -m 'Add amazing feature')
  4. Push yapın (git push origin feature/amazing-feature)
  5. Pull Request açın

Lisans

Bu proje özel bir lisans altındadır.

İletişim

Sorularınız için issue açabilir veya repository'yi inceleyebilirsiniz.

ScrewTrue - Akıllı Vida Tanıma Sistemi

About

This project find the correct screwdriver for each screw by using data mining method

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages