中文+Yolo segment

Author: iu5git

.DS_Store

@@ -48,19 +48,23 @@
 - [Web-приложение и сбор датасета](https://github.com/iu5git/Deep-learning/blob/main/homework/homework1.md)
 
 ### Домашнее задание №2
-Сохраняется тема ДЗ-1. Требуется разработать `SPA` приложение для object detection ваших классов. Разметить изображения набора данных и обучить модель `Yolo`.
-- [Инструкция по разметке в cvat.ai](cvat)
+Сохраняется тема ДЗ-1. Требуется разработать `SPA` приложение для object detection ваших классов. Разметить изображения набора данных и обучить модель `Yolo` не менее 4 раз.
+- [Инструкция](cvat) по разметке в cvat.ai
 - [Обучение YOLOv7](/notebooks/YOLOv7.ipynb)
 - [Приложение на React для onnx YOLO](yolov7_ts). Демо-версия [приложения](https://iu5git.github.io/Deep-learning/) и файл обученной [модели](https://drive.google.com/file/d/1lpZMGNB9mYqHvFl_i6YU_U1sOLK0NDj_/view?usp=share_link) для 3 классов (Чайник для газовой плиты, Заварочный чайник, Электрический чайник)
 
+
 ## Дополнительные материалы
 - [Генерация текста](https://github.com/iu5git/Deep-learning/blob/main/notebooks/Text_generation.ipynb)
 - [Машинный перевод](https://github.com/iu5git/Deep-learning/blob/main/notebooks/Machine_Translation.ipynb)
 - [Телеграм-бот](https://github.com/iu5git/Deep-learning/blob/main/homework2/task.md)
+- Обучить модель yolov8-segment и преобразовать ее в файл ONNX: [yolov8+onnx.ipynb](/yolov8_segment/yolov8%2Bonnx.ipynb). Приложение на React для onnx YOLO [react.md](/yolov8_segment/react.md)
 
 ## 中文
 1. [实验 №1](/notebooks/实验一.ipynb). 神经网络
-2. [cvat.ai](cvat/中文.md)
+2. [作业的实验和应用](/homework/homework1-中文.md)
+3. [使用cvat.ai标记数据集](cvat/中文.md)
+4. 训练 yolov8实例分割模型并将其转换为 ONNX 文件：[yolov8+onnx.ipynb](/yolov8_segment/yolov8%2Bonnx.ipynb)。为yolov8-segment创建React应用的中文教程：[react.md](/yolov8_segment/react.md)
 
 ## Вопросы к экзамену
 1.	Опишите алгоритм обучения с учителем.

README.md

@@ -0,0 +1,230 @@
+# 作业 №1
+
+## 任务
+需要创建并标注一个包含图像的数据集。该数据集应包含不少于3个类别，每个类别不少于100个样本。图像可以从互联网上下载或结合多个现有数据集。创建一个用于对该数据集进行图像分类的Web应用程序。使用数据增强、正则化和迁移学习。
+
+## 控制问题
+1. 数据集的结构和数据增强。
+2. 迁移学习和微调。
+3. 卷积神经网络的架构。
+
+## 第1部分. 在Google Colab中训练的模型并保存
+
+### 图像下载
++ **选项 1**. 需要在某个搜索引擎中查找所需类别的图片，然后手动下载到3个不同的文件夹中。
++ **选项 2**. 需要安装Chrome浏览器的扩展程序：[Image downloader - Imageye](https://chrome.google.com/webstore/detail/image-downloader-imageye/agionbommeaifngbhincahgmoflcikhm?hl=en-US//) 或 [Image Downloader](https://chrome.google.com/webstore/detail/image-downloader/cnpniohnfphhjihaiiggeabnkjhpaldj?hl=en-US//). 安装后，在某个搜索引擎中查找图像，然后使用之前下载的扩展程序下载图片。
+![image](images.png)
+
+#### 第一步
+在任意搜索引擎中搜索感兴趣的图片主题。
+
+#### 第二步
+打开先前安装的扩展程序。
+
+#### 第三步
+选择图像类型为JPG。
+
+#### 第四步
+选择所有图片并下载。
++ **选项 3**. 需要安装Python库：[yandex-images-download](https://pypi.org/project/yandex-images-download/?msclkid=b0148afab45011ec8358c9751dabcf63//) ([GitHub](https://github.com/doevent/yandex-images-downloader/?msclkid=b0155486b45011eca4a25458cfa90a0e//)). 安装库后，需要下载适合您版本的Google Chrome的 [ChromeDriver](https://chromedriver.chromium.org/?msclkid=c622b0f0b45011ec8c6768a6d02ae314//) ChromeDriver，并解压文件 chromedriver.exe. 在PyCharm的命令行中输入以下命令： *yandex-images-download Chrome --keywords "Торт, Ласточка, Кошка" --limit 100* (另一种命令示例： *yandex-images-download Chrome --keywords "ласточка, орёл, торты" -o путь_для_скачивания -l количество фотографий -dp путь_к_chromedriver.exe*).
+
+### 图像验证
+成功下载图像后，需要手动清理多余的对象，以排除可能的错误（重复、错误主题）。
+
+### 将图像导入到Google Colab 
+
+#### 第一步
+需要点击链接进入预先准备的项目[проект](homework1-中文.ipynb) 并将其副本保存到您的Google云端硬盘。
+
+#### 第二步
+在Colab文件系统中的“content”文件夹里，根据您图像类别的主题创建三个文件夹（例如：“蛋糕”、“燕子”、“猫”），并将之前下载的图像上传到这些文件夹中。
+![image](colab.png)
+
+在Colab中打开文件系统（将自动打开“content”文件夹）。右键单击空白区域，并根据类别主题创建文件夹。
+
+#### 第三步
+将类别变量修改为您自己的主题。
+### 在Colab中优化原始模型
+需要进行数据增强、正则化和迁移学习，并将模型保存为ONNX格式。
+
+## 第2部分.图像分类Web应用程序
+
+## 安装IDE VS Code
+为完成作业需要安装 [VS Code](https://code.visualstudio.com).
+
+### 创建用于分类获得的数据集图像的Web应用程序
+
+#### 第一步
+在VS Code中创建Django项目的示例可以通过此链接[ссылке](https://github.com/iu5git/Web/blob/main/tutorials/lab1-py/lab1_tutorial.md)查看。
+
+#### 第二步
+创建项目后，需要在项目根目录中创建一个名为media的文件夹，以便后续保存图像和ONNX格式文件。在media文件夹内创建“images”和“models”文件夹。
+
+![image](folders.png)
+
+#### 第三步
+在settings.py文件中添加到先前创建的media文件夹的路径。在文件末尾添加以下代码块：
+
+```python
+import os
+
+MEDIA_URL = '/media/'
+MEDIA_ROOT = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), 'media')
+```
+为了让Django知道在哪里查找我们的模板，请检查文件settings.py。在变量TEMPLATES中的DIRS字段中指定您的模板路径。
+
+```python
+TEMPLATES = [
+    {
+        # ...
+        "DIRS": [BASE_DIR / "DZ1/templates"],
+        # ...
+    },
+]
+```
+
+#### 第四步
+在与settings.py文件相同的文件夹中添加一个名为views.py的Python文件。
+
+![image](views.png)
+
+```python
+from django.shortcuts import render
+from django.core.files.storage import FileSystemStorage
+import onnxruntime
+import numpy as np
+from PIL import Image
+
+imageClassList = {'0': 'Торт', '1': 'Ласточка', '2': 'Кошка'}  #此处标明类别
+
+def scoreImagePage(request):
+    return render(request, 'scorepage.html')
+
+def predictImage(request):
+    fileObj = request.FILES['filePath']
+    fs = FileSystemStorage()
+    filePathName = fs.save('images/'+fileObj.name,fileObj)
+    filePathName = fs.url(filePathName)
+    modelName = request.POST.get('modelName')
+    scorePrediction = predictImageData(modelName, '.'+filePathName)
+    context = {'scorePrediction': scorePrediction}
+    return render(request, 'scorepage.html', context)
+
+def predictImageData(modelName, filePath):
+    img = Image.open(filePath).convert("RGB")
+    img = np.asarray(img.resize((32, 32), Image.ANTIALIAS))
+    sess = onnxruntime.InferenceSession(r'C:\DZ1\media\models\cifar100.onnx') #<-此处必填указать свой путь к модели
+    outputOFModel = np.argmax(sess.run(None, {'input': np.asarray([img]).astype(np.float32)}))
+    score = imageClassList[str(outputOFModel)]
+    return score
+```
+
+##### 第4.1步
+在views.py文件中，根据您的主题修改类别，并指定ONNX模型的路径。
+
+```python
+imageClassList = {'0': 'Торт', '1': 'Ласточка', '2': 'Кошка'}  #在此指定类别
+```
+
+```python
+sess = onnxruntime.InferenceSession(r'C:\DZ1\media\models\cifar100.onnx') #<-在这里您需要指定模型的路径
+```
+
+#### 第五步
+在urls.py文件中，将内容替换为以下代码块：
+
+```python
+from django.contrib import admin
+from django.urls import path
+from django.conf.urls.static import static
+from django.conf import settings
+from . import views
+urlpatterns = [
+    path('admin/', admin.site.urls),
+    path('', views.scoreImagePage, name='scoreImagePage'),
+    path('predictImage', views.predictImage, name='predictImage'),
+]
+
+urlpatterns += static(settings.MEDIA_URL, document_root=settings.MEDIA_ROOT)
+```
+
+#### 第六步
+安装以下库：onnx, onnxruntime, numpy, pillow。
+可以使用以下命令在终端中安装每个库：
+![image](shell.png)
+#### 第七步
+在templates文件夹中添加一个名为scorepage.html的文件。
+
+```html
+<!DOCTYPE html>
+<html lang="ru">
+<head>
+<meta charset="windows-1251">
+<title>Домашнее задание 1</title>
+<style>
+    /* 在文档主体上添加一些填充，以防止内容进入页眉和页脚下方 */
+    body{        
+        padding-top: 60px;
+        padding-bottom: 40px;
+    }
+    .fixed-header, .fixed-footer{
+        width: 100%;
+        position: fixed;        
+        background: #333;
+        padding: 10px 0;
+        color: #fff;
+    }
+    .fixed-header{
+        top: 0;
+    }
+    .fixed-footer{
+        bottom: 0;
+    }
+    .container{
+        width: 80%;
+        margin: 0 auto; /* 将 DIV 水平居中 */
+    }
+    nav a{
+        color: #fff;
+        text-decoration: none;
+        padding: 7px 25px;
+        display: inline-block;
+    }
+</style>
+</head>
+<body>
+    <div class="fixed-header">
+        <div class="container">
+
+        </div>
+    </div>
+    <div class="container">
+        <form action="predictImage" method="post" enctype="multipart/form-data">
+            {% csrf_token %}
+
+            <div class="col-md-4 col-sm-4">
+                <label for="FilePath">Загрузить изображение:</label>
+            </div> <input name="filePath" type="file"><br><br>
+            <input type="submit" value="Submit" >
+        </form>
+    </div>    
+    <div>
+        <br>
+        {% if scorePrediction %}
+        <h3>The classification is : {{scorePrediction}}</h3>
+        {% endif %}
+       
+    </div>
+    <div class="fixed-footer">
+        <div class="container"></div>        
+    </div>
+</body>
+</html>
+```
+#### 第八步
+在PyCharm的终端中运行以下命令以启动项目："python3 manage.py runserver".
+
+#### 第九步
+上传图像并点击“submit”按钮.
+
+![image](page.png)