在这个项目中，目标不仅仅是清洁地板，而是通过计算机视觉和数据分析技术，将这一日常任务转变为洞察力和优化的宝库。这不仅仅是关于清洁地板，而是关于以最智能的方式进行清洁。实时跟踪、覆盖度量、热图——这些只是将标准吸尘会话提升为效率大师班的几个功能。因此，如果曾经想知道吸尘技术（或机器人的）是否达到了标准，来对地方了。
工作原理
本应用程序通过以下步骤帮助测试吸尘技能：
视频输入：首先，摄像头捕捉被吸尘的区域。这个俯视图作为整个过程的原始数据。
目标检测：接下来，部署自定义训练的机器学习模型（稍后会有更多关于此的信息）来识别正在行动的吸尘器。这对于机器人吸尘器和传统的手动吸尘器都有效。
跟踪和映射：随着吸尘器的移动，其路径和覆盖范围实时被跟踪。这就是计算机视觉的亮点——将像素数据转换为关于吸尘器效率的有意义的洞察。
热图和路径：工具生成几种不同的视觉输出。将看到一个追踪吸尘器旅程的路径，以及一个显示高浓度和低浓度区域的热图。对于特别注重细节的人，还有一个二进制掩码来指示哪些区域尚未被覆盖。
分析：最后，程序计算一个“覆盖分数”来量化吸尘的彻底程度。这是衡量清洁效果的直接方式。
构建自定义吸尘跟踪模型
这个项目最关键的部分之一是能够构建自己的自定义吸尘检测模型。然后使用这个模型来跟踪图像中吸尘器的位置。有了跟踪信息，可以计算覆盖范围，显示地毯被覆盖了多少。
下面，描述了如何构建自己的自定义吸尘检测模型。
收集视频素材：首先，需要图像——或者一个视频，可以将其分割成图像——可以在其中训练视觉模型。放置一个可以清晰查看打算清洁的区域的顶置摄像头。使用网络摄像头甚至手机！
上传视频到Roboflow：如果还没有，可以在Roboflow上创建一个账户。现在可以为对象检测创建一个新项目。
上传视频：导航到项目的“上传”部分并上传录制的视频。
帧提取：Roboflow将为提供从上传的视频中提取帧的选项。选择一个在数据集大小和模型准确性之间提供良好平衡的帧率。
标记帧：一旦帧被提取，需要对它们进行标记。在每个帧中围绕吸尘器（机器人或手动）绘制边界框。可以在这里找到更多信息。
创建数据集版本：要创建数据集版本，请单击与Roboflow项目关联的侧边栏中的“版本”。然后，单击“生成新版本”。
指定图像预处理：预处理确保数据集处于标准格式（例如，所有图像大小相同）。这一步对于确保在训练模型之前数据集是一致的至关重要。可以在这里找到更多信息。
指定图像增强：图像增强是将增强应用于数据集中现有图像的一步。这个过程可以帮助提高模型的泛化能力，从而在未见过的图像上表现更有效。可以在这里找到更多信息。
训练对象检测模型：要训练计算机视觉模型，请转到与数据集关联的版本页面。接下来，点击“开始训练”按钮。
就是这样！Roboflow的平台将负责其余的工作，使用标记的数据集微调选择的模型。一旦模型训练完成，将收到一封电子邮件通知。可以在这里找到更多关于Roboflow训练的信息。
模型评估：训练完成后，通过mAP、精确度和召回率等指标评估模型性能（可以在版本标签中看到）。如果需要，可以随时回去，添加更多数据，并重新训练。
项目实践
步骤1：设置程序
遵循GitHub页面上的说明。这包括拉取存储库并安装依赖项。
步骤2：配置设置
在存储库中，将找到一个config.yaml文件。这是可以调整设置以更好地满足需求的地方，无论是手动吸尘还是使用机器人。只需使用任何文本编辑器打开文件并根据需要更改参数。
步骤3：运行程序
在终端中导航到存储库文件夹，并运行：
python main.py
这将启动程序，应该看到一个显示清洁空间的窗口。
步骤4：绘制吸尘区域
使用鼠标绘制要吸尘的房间部分。可以在不打算吸尘的沙发、椅子和其他区域周围绘制。
步骤5：享受魔法！
当或机器人吸尘器开始清洁时，程序将开始处理视频，观看程序如何跟踪移动，创建吸尘器、热图、路径和覆盖区域的可视化！
以下是和机器人吸尘的例子：
出于某种原因，机器人吸尘器拒绝靠近墙壁，但仍然很有趣，可以看到它所走的路径。