Zařídit, aby šlo přeindexovat pozice obdelníků bez toho, aby se museli přeoznačovat všechny obdelníky.
Upravit view funkci a udělat pořádně main s parametry.

Úvod

Pro zvýšení přesnosti modelu je nutné přidat rozpoznávání aut a prázdných míst zvlášť. Tímto způsobem budeme moct rozlišovat více stavů parkovacího místa a to: auto, prázdno, nějaký šum (např. člověk).

Bude potřeba upravit několik souborů a to NeuralNetwork, DatasetCreator, trainingModel a další...

Příklad

Úprava modelu kde vstup a výstup bude tenzor s dimenzí nebo velikostí 2
car [1.0, 0.0], empty [0.0, 1.0], šum (člověk, ...) [0.0, 0.0]

První for:
Musel bych místo 1 for napsat 2, protože mám dictionary v dictionary.

Druhý for:
Ten jsem upravil. Použil jsem zip, protože potřebuju procházet 2 pole najednou (nebo sem mohl udělal pole polí, ale to by byly zase 2 for cykly nebo bych potřeboval counter)

K závěru projektu by bylo vhodné upravit naše kódy tak aby byli čitelné a v podobném stylu.

Každý by si měl upravit a okomentovat svůj kód.

Test message

Úvod

Je potřeba rozdělit pořízená data pro to abychom mohli trénovat a hodnotit kvalitu modelu. K rozdělení dat by se měli dát využít již existující knihovny nebo alespoň nástroje v nich.

Knihovny / materiály pro nastudování

knihovny např.
https://www.pluralsight.com/guides/validating-machine-learning-models-scikit-learn

potřebujeme minimálně trénovací a testovací dataset ale používají se i validační a cross-validační, nutno dostudovat

@Cemonix

důležité

• přidat kontrolu bodů při kreslení obdélníků, pokud první je dolni pravý roh tak je prohodit

• lépe okomentuj kód co je například legend(image_copy)? co je ar? type_p? atd...
• argument --out přejmenovat na json (už se vlastně nejedná jen na výstup, tak je matoucí to mít jako out)
• k argumentu --json pŕidat zkratku -j
• k argumentu --json předělat default honotu na parkingPlaces.json
• lépe popsat argument -view
• #7
• #8
• možná zvětšit font? (u mě na 2k monitoru to je nečitelné), tady je asi možný problém že velikost je pevná, možnost dělat néjak dinamicky podle roylišení?
• u funkce rectangle_opencv zbytečně předáváš color, buď jí definuj přímo ve funkci
• 85 -92 proč máš barvy přímo vepsané? použij color, který más definovaný, ale nevyužitý
• 70-80 předélej na switch když už nechceś používat tu knihovnu, kterou jsem ti navrhoval :D
• přidat dokumentaci hlavičky + funkcí jak je zvykem podle konvencí, viz např https://sphinxcontrib-napoleon.readthedocs.io/en/latest/example_google.html
• na druhým řádku stačí napsat import cv2

@FandaCmuchar

důležité

• přidat kontrolů bodů, pokud se jedná o dolní pravý roh, prohodit

• přejmenovat defaultní hodnotu image4.png na image.png
• u argumentu explicitně napsat, že pokud je specifikovaný ydroj kamery, tak je upřednostnén před fotkou
• zdokumentuj hlavičku souboru + jednotlivé funkce, podle konvencí viz. např. https://sphinxcontrib-napoleon.readthedocs.io/en/latest/example_google.html
• při zadávání složky pro ukládání automaticky vkládat / na konec aby se do argumentu zadávala jen cesta ke složce např. --img_dir photos

Potřebujeme vytvořit grafický výstup aktuálního stavu parkoviště ideálně prostřednictvím webové stránky.
(Flask nebo PHP) + HTML a Javascript?

Koncept jak by mohlo znázornění aktuálního stavu parkoviště vypadat:

Oproti konceptu každé místo může mít 3 stavy: Prázdno, Plno, Není jednoznačné. (pravděpodobně bude nastávat jen plno/prázdno)

Máme 3 typy míst: Standardní, Nestandardní, Invalida
u nestandardních budeme vykreslovat pouze pokud je místo plné (nechceme navádět lidi aby parkovali na těchto místech)

Nasazený model dělá menší počet chyby. Nejjednodušší řešení bude nasbírat data, nasekat je do obrázků a dotrénovat na nich model.

1. Nasbírat dostatečný počet dat (během týdne)
2. Napsat script který bude používat json s názvem fotky a číslem místa, které bylo označeno špatně a následně vyseká malé fotky.
3. Sloučit fotky se trénovacím datasetem a dotrénovat na nich model.
4. Vyzkoušet model.

Úvod

Aby byly kódy v projektu přehledné, bylo by dobré generovat dokumentaci. Dokumentace může být ve formátu webové stránky s automaticky sbíranou dokumentací souborů/tříd/funkcí přímo v kódu.

Materiály

https://www.sphinx-doc.org/en/master/

Úvod

Je nutné vizualizovat výstupy konvolučních neuronových sítí abychom mohli okometricky analyzovat případně odstranit nic nevypovídající vlastnosti/výstupy.

Materiály

https://towardsdatascience.com/convolutional-neural-network-feature-map-and-filter-visualization-f75012a5a49c
https://www.analyticsvidhya.com/blog/2019/05/understanding-visualizing-neural-networks/

Úvod

Potřebujeme sehnat data, která nejsou auto ani prázdné místo. K tomu můžeme využít fotky celého parkoviště a vystříhat z něj například lidi. Těchto fotek nejspíše neseženeme velké množství a proto je můžeme zkusit augumentovat tedy vytvořit jejich různé varianty (zrcadlové překlopení, šum, posun, atd...).

• pridat runtime augumentaci dat na trénovací dataset (blur, hue)
• namnožit fotky lidí (+- 400) a rozdělit je náhodně mezi testing a training
• udělat hard augumentaci testovacích dat (uložit abychom měli možnost co porovnat)

Úvod

Bylo by vhodné a pohodlné použít cloudové úložiště s možností použití vzdáleného HW pro učení modelu.

Příklad

Azure

Je potřeba ukládat statistiku při učení modelu (loss + auc + accuracy appendovat do csv) a přidat možnost ukládání modelu během učení. Přidat možnost vytváření grafu z loss výstupů (trénovací i testovací data)

• Ukládání loss, auc, accuracy do csv
• Průběžné ukládání modelu
• Graf pro loss jak testovacího tak i trénovacího datasetu po epochách

Úvod

Je nutné vytvořit nástroje pro testování kvality modelu při jeho učení a testování.

• Nastudovat statistiky (ROC, Loss funkce, atd...)
• Implementovat tyto nástroje

Zbytečná classa a importovaná knihovna navíc, jen abych ušetřil pár uvozovek