Home

Wiki-страница проекта mse1h2026-markup-web

Постановка задачи

Требуется реализовать интеллектуальную веб-систему, автоматизирующую процесс разметки изображений для использования в задачах компьютерного зрения.

Описание решаемой проблемы

Разметка данных является самым дорогим и медленным этапом разработки CV-моделей. Большая часть времени тратится на повторяющиеся действия: рисование боксов, масок и исправление ошибок. Поэтому требуется автоматизировать данный процесс, используя нейросетевую модель, способную давать приближенные предсказания и дообучаться на сделанных пользователем корректировках.

Требования

Функциональные требования

• Программа должна работать на произвольном наборе изображений.
• Программа должна иметь иметь возможность ручной разметки первых изображений.
• На основании ручной разметки программа должна обучать нейросеть, которая продолжает обработку автоматический.
• В случаях, когда нейросеть делает разметку неправильно, пользователю должна быть предоставлена возможность скорректировать разметку.
• На основании корректировок пользователя нейросеть должна дообучаться, повышая точность разметки.
• Случаи, когда нейросеть не может автоматический разметить изображение должны быть предоставлены пользователю для ручной разметки.
• В ходе разметки участие человека должно постепенно уменьшаться, а модель должна обучаться и предоставлять более точную разметку.
• Программа должна взаимодействовать с пользователем через web-интерфейс.

Нефункциональные требования

• Программа должна работать в течении продолжительного времени без необходимости вмешательства человека.
• Точность предсказаний должна быть достаточной для того, чтобы использование программы значительно сокращало время, затрачиваемое на ручную разметку.

Категории пользователей

• Единственный пользователь программы - человек, занимающийся разметкой изображений

Сценарии использования

• Пользователь загружает произвольный неразмеченный датасет
• Пользователь делает ручную разметку части изображений
• Пользователь отправляет размеченные изображение модели для обучения
• Пользователь запускает авторазметку
• пользователь получает результаты авторазметки, которые отображаются в web-интерфейсе
• Пользователь коррекирует полученную авторазметку и отрправляет результаты для дообучения модели
• Процесс продолжается до тех пор, пока датасет не будет размечен полностью

Используемые технологии

• Ultralytics YOLO
• FastAPI
• Python
• Html
• CSS
• JS
• YAML