Flower Classifier Django (MVP)

Структура

hapima/
├── app/
│   ├── templates/app/upload.html
│   ├── admin.py
│   ├── forms.py
│   ├── models.py
│   ├── urls.py
│   └── views.py
├── ml/
│   ├── model.py
│   ├── predict.py
│   └── flower_model.pth   <- сюда положить веса
├── project/
│   ├── settings.py
│   ├── urls.py
│   ├── asgi.py
│   └── wsgi.py
├── static/css/styles.css
├── templates/base.html
├── media/
├── manage.py
└── requirements.txt

Куда класть обученную модель

Положите файл весов в путь:

ml/flower_model.pth

Если путь отличается, поменяйте константу MODEL_WEIGHTS_PATH в ml/model.py.

Где взять ml/flower_model.pth

Есть 3 рабочих варианта:

1. Взять готовые веса из вашего обучения (самый правильный путь).
   • Если вы обучали модель в Jupyter/Colab, сохраните state dict:

torch.save(model.state_dict(), "flower_model.pth")

• Скопируйте файл в проект: ml/flower_model.pth.

2. Скачать готовые веса из вашего репозитория/облака.

   • Часто веса хранят в Releases GitHub, Google Drive, Яндекс.Диск или S3.
   • После скачивания просто переименуйте файл в flower_model.pth и положите в папку ml/.

3. Быстро дообучить на датасете Flowers-5/Flowers-102 и сохранить веса.

   • Важно: архитектура при обучении должна совпадать с ml/model.py (ResNet18 + ваш num_classes).
   • После обучения сохраните только state_dict в ml/flower_model.pth.

Проверка совместимости весов

Веса должны быть сохранены как state_dict для модели ResNet18 с такой же последней fc-головой (число классов = длина FLOWER_CLASSES). Если классов другое количество, обновите список FLOWER_CLASSES и переобучите/пересохраните веса.

Запуск в PyCharm

1. Откройте папку проекта в PyCharm.
2. Создайте виртуальное окружение Python 3.10+.
3. Установите зависимости:

pip install -r requirements.txt

4. Выполните миграции:

python manage.py makemigrations
python manage.py migrate

5. Запустите сервер:

python manage.py runserver

6. Откройте http://127.0.0.1:8000/ и загрузите изображение цветка.

Авторизация

• Теперь загрузка изображения доступна только авторизованным пользователям.
• Регистрация: http://127.0.0.1:8000/signup/
• Вход: http://127.0.0.1:8000/accounts/login/
• Выход доступен кнопкой в верхней панели интерфейса.

Поток работы

1. На главной странице загрузите картинку.
2. Нажмите «Готово».
3. Django передаст изображение в LangGraph-пайплайн из ml/flower_pipeline.py.
4. Первый узел запускает модель из ml/flower_model.pth и определяет цветок.
5. Второй узел добавляет названия на русском, английском и латыни.
6. Третий узел добавляет краткое описание цветка.
7. Четвёртый узел проверяет уверенность модели и формирует подсказку для пользователя.
8. Django сохраняет файл и результат в media/uploads/, после чего показывает расширенный ответ на странице.

Частая ошибка: size mismatch для fc.weight / fc.bias

Если видите ошибку вида:

size mismatch for fc.weight: ... [1000, 512] ... expected [5, 512]

значит вы подложили веса от ImageNet-модели (1000 классов) или от модели с другим числом классов.

Что делать:

1. Использовать веса именно вашей обученной flower-модели, где число классов совпадает с FLOWER_CLASSES.
2. Либо привести FLOWER_CLASSES к реальному числу классов модели и переобучить/пересохранить чекпойнт.
3. Убедиться, что сохраняете state_dict после замены финального слоя на нужное число классов.

Теперь приложение покажет понятную ошибку на странице вместо падения Django.

Частая ошибка: no such table: app_uploadedflowerimage

Это означает, что миграции не были применены к базе данных SQLite.

Выполните в терминале из корня проекта:

python manage.py makemigrations
python manage.py migrate

После этого перезапустите сервер:

python manage.py runserver