Этот репозиторий содержит реализацию проекта лаборатории Машинное Зрение 101 в рамках Летней Школы Инженерных Проектов лаборатории "Инжевика".
За время Летней школы участниками лаборатории были разработаны и реализованы эффективные (по времени и точности) алгоритмы распознавания рукописных цифр, готовые к использованию и внедрению. Были придуманы и частично реализованы возможность дообучения на данных, на которых алгоритм допускает ошибки а так же модификацию алгоритма, позволяющую более точно принимать решения, основываясь не только на количестве ближайших соседей, но и на плотности объектов в ближайших кластерах (kernel-density).
- основы программирования на Python
- основные принципы программирования, алгоритмизации
- основные принципы алгоритмов машинного обучения
- основы работы с библиотеками машинного обучения для Python (numpy, scikit-learn)
- основы проектной деятельности
- Режим предсказания (классификации цифр): позволяет в браузере нарисовать цифру, а модель попробует угадать, что это за цифра.
- Режим разметки: позволяет обогатить обучающую выборку новыми экземплярами объектов каждого класса (0-9). В окошке рисуем изображение, вводим что это за цифра. Сервис сохраняет новый экземпляр в папку /data
- Режим дообучения: работает так же, как и распознавание. Только необходимо указать корректную метку класса. Если модель ошибется на данном экземпляре, то она запомнит этот случай и в дальнешем на нем ошибаться не будет.
- Банников Георгий
- Берестяк Иван
- Дорохов Павел
- Дроздов Даниил
- Тарасов Александр
- Эккерт Алена
- Чепелева Мария
- Петр Андреевич Гусев
- Анастасия Дмитриевна Малышева
- knn.pkl - сохраненная модель в формате "pickle"
- /data - директория с рукописными цифрами для обучения модели
- /model/model.py класс MV101_KNN - реализованный алгоритм.
- Скачать репозиторий.
- Разархивировать файл "knn.pkl.zip".
- Запустить в командной строке "pip install -r requirements.txt"
- Для запуска проекта необходимо в командной строке из проектной папки выполнить команду "python app.py"
- В браузере Mozilla Firefox (в других браузерах не тестировали) перейти по ссылке "localhost:5000"