Команда разработчиков, участвуя в хакатоне, создала систему анализа видеозаписей с нагрудных камер для выявления нарушений техники безопасности. Изначальный план команды включал использование ResNet50 для классификации кадров, но после уточнений от заказчика, требовавшего локальное приложение без доступа к интернету, команда переключилась на более практичные решения.
Первоначальная модель, обученная на размеченных кадрах, показала точность в 77%. Затем команда предприняла попытку создать систему сегментации объектов с последующим применением эвристик для определения нарушений, используя YOLO. Однако, ограничения на использование Roboflow API привели к переобучению модели на локальных ресурсах.
В конечном итоге, команда остановилась на бинарной классификации нарушений с помощью YOLO, что дало точность 95% на валидации. Приложение, разработанное параллельно, позволило загружать видео, анализировать их на нарушения, просматривать соответствующие фрагменты и формировать отчеты, при этом не требуя установки на ПК.
Несмотря на некоторые недостатки в репозитории и неполное соответствие требованиям по множественной обработке видео и классификации типов нарушений, команда получила второе место, продемонстрировав гибкость и готовность адаптироваться к изменяющимся условиям, а также усвоив урок о важности документации и четкого понимания условий конкурса.
Изображение носит иллюстративный характер
Первоначальная модель, обученная на размеченных кадрах, показала точность в 77%. Затем команда предприняла попытку создать систему сегментации объектов с последующим применением эвристик для определения нарушений, используя YOLO. Однако, ограничения на использование Roboflow API привели к переобучению модели на локальных ресурсах.
В конечном итоге, команда остановилась на бинарной классификации нарушений с помощью YOLO, что дало точность 95% на валидации. Приложение, разработанное параллельно, позволило загружать видео, анализировать их на нарушения, просматривать соответствующие фрагменты и формировать отчеты, при этом не требуя установки на ПК.
Несмотря на некоторые недостатки в репозитории и неполное соответствие требованиям по множественной обработке видео и классификации типов нарушений, команда получила второе место, продемонстрировав гибкость и готовность адаптироваться к изменяющимся условиям, а также усвоив урок о важности документации и четкого понимания условий конкурса.
