pet-recognition

Описание проекта
Проект представляет собой REST-сервис для распознавания домашних животных на изображениях.

Структура проекта

1. 📁 model training/ - содержит oxford-iii-pets-classification.ipynb, в котором находится код загрузки данных, дообучения модели и ее локального теста.
2. Requirements.txt - файл с зависимостями
3. best_model.pth - файл с весами обученной модели в PyTorch
4. main.py - основной исполняемый файл проекта, содержащий логику сервиса
5. requests_api.py - клиент для тестирования API
6. supported_breeds.txt - породы, на которых обучена модель; при использовании сервиса необходимо брать животных именно этих пород

Локальный запуск сервиса

1. Клонируйте репозиторий:

git clone https://github.com/kolyal/pet-recognition.git
cd pet-recognition

2. Установите зависимости: pip install -r Requirements.txt (Рекомендуется создать виртуальное окружение с python 3.12.8 из-за несовместимости torch с более высокими версиями)
3. Запустите приложение: uvicorn main:app --reload

Примеры запросов: После того как сервер запущен, можно выполнить python requests_api.py в терминале в папке проекта
или через curl в PowerShell (вставить свою ссылку)

curl -Method POST "http://127.0.0.1:8000/predict/json/" `
  -Headers @{"Content-Type"="application/json"} `
  -Body '{"image_url":"https://example.org/dog.jpg"}'

Также можно отправлять запросы через HTML-формы

Стек: fastapi, pydantic, requests, torch, uvicorn, jupyter notebook, git, logging, postman

Этапы работы:

Для проекта выбрал датасет The Oxford-IIIT Pet Dataset, На Kaggle дообучил модель efficientnet_b4, поменяв последний слой-классификатор (с GPU), замерил качество Accuracy (данные сбалансированны), протестировал, сохранил веса модели - код содержится в oxford-iii-pets-classification.ipynb
Решил дополнительно реализовать HTML-интерфейс

В main.py прописал 4 endpoint:

1. @app.get("/", response_class=HTMLResponse) - главная страница
2. @app.post("/predict/", response_class=HTMLResponse) - предикт через форму по URL изображения
3. @app.post("/predict/upload/", response_class=HTMLResponse) - предикт через загрузку изображения с устройства
4. @app.post("/predict/json/") - предикт по URL изображения с возвратом результата в JSON-формате (для запросов curl, requests)

В каждом endpoint принимается изображение (через URL или с устройства) и обрабатывается

В requests_api.py реализовал клиент для запросов по API, там же пример запроса через requests
Также тестировл в postman, получал результаты применения к картинкам

Примечания:

Обрабатываются изображения формата JPEG, PNG, WEBP; при обращении к некоторым картинкам возможна ошибка Client Error: Forbidden for url (сервер может блокировать автоматические запросы), в таком случае лучше пользоваться загрузкой с устройства.

Результат:
Обучил модель, которая с высокой точносью (Val Accuracy 90.92%) предсказывает породу домашнего животного на картинке, создал веб-сервис, встроил модель, захостил через Render - Попробовать в браузере (может упасть + очень медленная обработка запросов, т.к. хостинг бесплатный).