FruitDetection

Курсовой проект по обнаружению овощей и фруктов на изображениях с помощью нейронной сети YOLO11.

Система распознаёт яблоки, огурцы и помидоры, отмечает найденные объекты рамками и показывает уверенность модели.

Возможности

• загрузка изображения через веб-интерфейс;
• обнаружение нескольких объектов на одном изображении;
• распознавание яблок, огурцов и помидоров;
• отображение класса, рамки и уверенности для каждого объекта;
• обработка изображений через Telegram-бота;
• API для выполнения инференса;
• запуск всех компонентов через Docker Compose;
• проксирование веб-приложения через Caddy.

Модель

Для обнаружения объектов используется модель YOLO11s.

Модель обучалась в течение 100 эпох на датасете, содержащем более 7000 изображений. В обучающую выборку также были добавлены негативные примеры — изображения без объектов целевых классов.

Распознаваемые классы:

• яблоко
• огурец
• помидор

Блокнот с обучением модели

Состав проекта

Проект состоит из нескольких компонентов:

• модель обнаружения объектов;
• API для обработки изображений;
• веб-интерфейс;
• Telegram-бот;
• Caddy в качестве обратного прокси;
• Docker Compose для совместного запуска сервисов.

Демонстрация

Веб-приложение и Telegram-бот использовались для демонстрации работы курсового проекта.

Публичные экземпляры проекта были доступны до 2 июня 2026 года и сейчас могут быть отключены.

Запуск

Клонируйте репозиторий:

git clone https://github.com/Whiox/FruitDetection.git
cd FruitDetection

Структура файла .env:

TELEGRAM_TOKEN=

docker compose up --build

Техническое задание

Требования к системе, сценарии использования и описание проекта приведены в техническом задании.

Стек

• Python
• YOLO11
• Ultralytics
• HTML, CSS и JavaScript
• Telegram Bot API
• Docker Compose
• Caddy

Статус проекта

Проект выполнен в рамках курсовой работы. Требования технического задания реализованы.