Инженерный тур. 1 этап

Одной из ключевых задач при создании робототехнической системы является обеспечение точного и своевременного получения данных от различных сенсоров, которые помогают роботу ориентироваться в окружающей среде, избегать препятствий и принимать решения на основе собранной информации.

Импровизированный робот оснащен несколькими датчиками, результаты работы которых можно считать из файлов в директории ./sensors/. Каждый файл в этой директории имеет имя <sensor_name>.value.

Необходимо разработать модуль, который будет считывать данные с датчиков, выполнять минимальную их проверку и передавать основному контроллеру для дальнейшей обработки.

Проверять необходимо формат данных — они должны быть числом (целым или вещественным) и не выходить за пределы \(-1000 \leqslant value \leqslant 1000\). Основной контроллер принимает данные по протоколу HTTP, в формате json.

Формат входных данных

Набор файлов в директории ./sensors/. Каждый файл в этой директории имеет имя <sensor_name>.value, где sensor_name — имя датчика.

Каждый файл содержит единственную строку с показанием датчика.

Файл light_sensor.value:

\(106.346\)

Файл smoke_sensor.value:

\(-74.937\)

Файл carbon_monoxide_sensor.value:

\(-183.213\)

Файл flow_sensor.value:

\(-1538.902\)

Файл tilt_sensor.value:

\(94.346\)

Формат выходных данных

Для каждого датчика необходимо сделать HTTP POST-запрос на сервер.

Расположение сервера:

Host: 127.0.0.1
Port: 8000

Формат POST-запроса:

URL: /sensor/<sensor_name>, где sensor_name — имя датчика;

Headers: обязательно 'Content-Type': 'application/json'

Body:

• в случае успешно пройденной проверки данных {"status": "ok", "value": <sensor_value>}, где sensor_value — значение датчика;
• в случае НЕ успешно пройденной проверки данных {"status": "error", "message": "invalid fomat"}.

Порядок запросов может быть любым.

POST http://127.0.0.1:8000/sensor/smoke_sensor
Accept-Encoding: gzip, deflate
User-Agent: python-requests/2.11.1
Accept: /
Connection: keep-alive
Content-Length: 34
Content-Type: application/json
{"status": "ok", "value": -74.937}
POST http://127.0.0.1:8000/sensor/light_sensor
Accept-Encoding: gzip, deflate
User-Agent: python-requests/2.11.1
Accept: /
Connection: keep-alive
Content-Length: 34
Content-Type: application/json
{"status": "ok", "value": 106.346}

POST http://127.0.0.1:8000/sensor/tilt_sensor
Accept-Encoding: gzip, deflate
Connection: keep-alive
User-Agent: python-requests/2.11.1
Accept: /
Content-Length: 33
Content-Type: application/json
{"status": "ok", "value": 94.346}
POST http://127.0.0.1:8000/sensor/carbon_monoxide_sensor
Accept-Encoding: gzip, deflate
Connection: keep-alive
User-Agent: python-requests/2.11.1
Accept: /
Content-Length: 35
Content-Type: application/json
{"status": "ok", "value": -183.213}
POST http://127.0.0.1:8000/sensor/flow_sensor
Accept-Encoding: gzip, deflate
Accept: /
Connection: keep-alive
User-Agent: python-requests/2.11.1
Content-Length: 48
Content-Type: application/json
{"status": "error", "message": "invalid format"}

В современном мире компьютерного зрения алгоритмы детектирования объектов играют важную роль в различных приложениях: от безопасности до автономного вождения. Одной из наиболее популярных и мощных моделей для детектирования объектов является YOLO (You Only Look Once). Эта модель может быстро и точно определять объекты на изображениях и видеопотоках, классифицируя их по заранее изученным классам.

Благодаря библиотеке Ultralytics, работа с моделями YOLO стала значительно проще и интуитивнее. Эта библиотека предоставляет удобный и мощный интерфейс для загрузки, использования и анализа моделей YOLO, что позволяет быстро и эффективно интегрировать их в различные приложения.

Необходимо извлечь из предоставленного .pt файла YOLO модели, обученной с использованием вышеуказанной библиотеки, список всех классов, которые модель может детектировать. Этот список классов будет использоваться для настройки интерфейса пользователя, отображения результатов детектирования и других задач, связанных с классификацией объектов.

Модель: https://disk.yandex.ru/d/wKOcOdHPgGrccA.

Формат входных данных

Список классов, который модель может детектировать в алфавитном порядке через пробел.

Пример: human cat dog.