teste.inabaandClaude Sonnet 5
3efdb08c9b
Caixa grande "engolindo" uma caixa menor do mesmo produto continuava aparecendo mesmo com sobreposição óbvia — IoU sozinho não resolve isso porque a união fica dominada pela caixa maior, então o IoU continua baixo mesmo com contenção quase total (ex.: caixa 1/5 da área da outra, 100% contida, IoU ≈ 0.2). - iou=0.5 explícito no NMS do YOLO (antes usava o default 0.7, permissivo demais) - novo pós-filtro _suprimir_boxes_contidas(): entre duas boxes da mesma classe onde a intersecção cobre ≥90% da área da MENOR das duas, mantém só a de maior confiança Afeta tanto as boxes da revisão quanto as do TrainingTab, já que ambas vêm do mesmo /detectar. Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>
88 lines
3.4 KiB
Markdown
88 lines
3.4 KiB
Markdown
# IA Gôndola Engine
|
|
|
|
Serviço isolado de detecção YOLO e treinamento. Consumido exclusivamente pela `ia-gondola-api` via `IA_MOTOR_URL`.
|
|
|
|
## Arquitetura
|
|
|
|
```
|
|
ia-gondola-api → POST /detectar → YOLO → [{box, conf, class}]
|
|
→ POST /treinar → triagem + treino → modelo atualizado no S3
|
|
```
|
|
|
|
## Estrutura
|
|
|
|
```
|
|
main.py — todo o código (sem sub-módulos)
|
|
Dockerfile
|
|
requirements.txt
|
|
```
|
|
|
|
## Endpoints
|
|
|
|
### `POST /detectar`
|
|
|
|
Form-data: `ambiente` (str), `file` (imagem). Confidence threshold: 0.25, NMS `iou=0.5`.
|
|
`ia-gondola-api` também manda um campo `conf` no form (ver `gondola_service.py`), mas esse endpoint
|
|
não declara/lê esse campo — é ignorado, o threshold usado é sempre o 0.25 hardcoded aqui.
|
|
|
|
Depois do NMS do próprio YOLO, passa por `_suprimir_boxes_contidas()`: remove boxes da mesma classe
|
|
quase totalmente contidas em outra (caixa grande "engolindo" uma caixa menor do mesmo produto —
|
|
comum em prateleira lotada). IoU sozinho não resolve isso: quando uma caixa é muito maior que a
|
|
outra, a união fica dominada pela caixa grande e o IoU continua baixo mesmo com contenção quase
|
|
total (ex.: caixa pequena 1/5 da área da grande, 100% contida → IoU ≈ 0.2, seguiria sobrevivendo
|
|
mesmo com iou threshold bem mais agressivo que o do NMS padrão). A métrica usada aqui é
|
|
intersecção / área da MENOR caixa do par, limiar 0.90 — entre duas boxes da mesma classe acima
|
|
desse limiar, fica só a de maior confiança.
|
|
|
|
```json
|
|
{ "status": "sucesso", "deteccoes": [{ "box": [x1,y1,x2,y2], "conf": 0.87, "class": 0 }] }
|
|
```
|
|
|
|
### `POST /treinar`
|
|
|
|
Body JSON: `{ "ambiente": "gondola", "pular_triagem": false }`
|
|
|
|
1. Lista `treinamento/{ambiente}/novos-treinamentos/` no S3
|
|
2. Triagem (salvo `pular_triagem: true`): conf média ≥ 0.15 → `base-oficial`, < 0.15 → `descartados`
|
|
3. Baixa `base-oficial`, redimensiona imagens > 4096px
|
|
4. Treina: 20 épocas fine-tuning / 30 épocas do zero, imgsz=640, batch=8, device=cpu
|
|
5. Salva `best.pt` em `modelos/{ambiente}/atual/cerebro.pt` + histórico versionado
|
|
|
|
Retorna `{ "status": "iniciado", "ambiente": "..." }` imediatamente — treino roda em background thread.
|
|
Quando não há modelo base, usa `yolov8n.pt` e pula triagem automaticamente.
|
|
|
|
### `GET /treinar/status`
|
|
|
|
Retorna estado do treino em andamento + últimas 30 linhas de log.
|
|
|
|
```json
|
|
{ "status": "running|concluido|erro|vazio|idle", "ambiente": "gondola", "versao": "20260627_1430", "detalhe": null, "logs": ["[1/20] box=0.432 ..."] }
|
|
```
|
|
|
|
`logs` inclui tanto as métricas por época (`_on_fit_epoch_end` callback do YOLO) quanto mensagens de progresso de triagem/download via `log_print()`.
|
|
|
|
## Organização S3
|
|
|
|
```
|
|
modelos/{ambiente}/atual/cerebro.pt
|
|
modelos/{ambiente}/versionamento/cerebro_YYYYMMDD_HHMM.pt
|
|
treinamento/{ambiente}/novos-treinamentos/
|
|
treinamento/{ambiente}/base-oficial/
|
|
treinamento/{ambiente}/descartados/
|
|
```
|
|
|
|
## Convenções
|
|
|
|
- `MODELOS_CARREGADOS` = dict em memória `{ambiente: YOLO}` — cache local em `/tmp/cerebro_{ambiente}.pt`
|
|
- Se S3 tiver versão mais nova (LastModified), descarta cache e baixa novamente
|
|
- Após treino, remove o ambiente de `MODELOS_CARREGADOS` para forçar reload
|
|
- Todo o código em `main.py` — não criar sub-módulos
|
|
- `log_print(msg)` escreve no stdout **e** em `_training_logs` (buffer circular 60 linhas) — não usar `print()` diretamente
|
|
|
|
## Como rodar
|
|
|
|
```bash
|
|
pip install -r requirements.txt
|
|
uvicorn main:app --reload --port 8001
|
|
```
|