AtomicHack

Team Members:

1. Груздев Александр - Captain + ML (a little bit)
2. Литвинов Максим - ML
3. Рыжичкин Кирилл - ML
4. Аксеновский Максим - ML
5. Лозовенко Артем - Backend + Frontend

Кейс "Определение дефектов сварных швов с помощью нейросети (DS)"

Ссылка на презентацию: Тык

Ссылка на поднятое решение:

Ссылка на модели: Тык

Описание решения

Мы предлагаем использовать для решения задачи детекции дефекта сварного шва две модели - YOLOv10X а также модель Detection Transformer. Модели могут использоваться раздельно, а также их результаты могут ансамблироваться используя NMS (Non-Maximum Suppression) Серверная часть написана на Streamlit и Flask

Достигнутые результаты:

• Метрика на публичном ЛБ 0,93 map50
• Метрика на приватном ЛБ 0....
• Время инференса на одно изображение: 0.6 сек

Воспроизведение решения

Для воспроизведения решения воспользуйтесь ноутбуками из папки notebooks.

Для сборки и демо решения локально нужно :

1. git clone https://github.com/gruzdev-as/AtomicHack.git

2. docker-compose up -d --build

3. перейти на localhost:8051

Потенциальные улучшения и перспективы развития

Команда проекта уделила большое внимание проработке потенциальных путей встраивания решения в экосистему конечного заказчика. На этапе концепта предложены следующие идеи, подробнее о которых можно найти в презентации:

1. Для процесса обучения - предоставление справочных материалов по каждому допущенному дефекту в режиме реального времени;
2. Для продакшна - создание "таблицы лидеров" производства для регуляции рабочего процесса, а также реализации механизма премирования сотрудников, которые допускают меньше брака, чем остальные;