kulimuli/ventilatsiooni-loorid

Ventilatsiooni Lõõride AI Andmekogu

Projekt: Ventilatsioonisüsteemide kaamerauuringu AI

Hoone

Tartu, Kaunase pst 65

• 5-korruseline kortermaja, 1 trepikoda, 15 korterit
• 6 püstakut katuse, 30 lõõri
• Betoonpaneelpüstakud, lõõri mõõdud ~12x18 cm, sügavused ~14-15 m

Andmed

Komponent	Kogus
Videod	30 ASF faili
Kaadrid (2 fps)	6,533
Treening kaadrid	5,224
Valideerimis kaadrid	1,309
Kuldstandard kaadrid	126
Inimese leidmisi	126

AI Mudel

• Arhitektuur: YOLO11n (2.6M parameetrit)
• Klassid: aste, ava, süvend, nihe, ummistus, plekktoru, hargnemine, rest
• Treenimise staatus: Ootel GPU krediite

Tulemused

Mõõdik	Väärtus
Heuristiline tabamus	56.3%
Parim klass	liitekoht (80.3%)
Vaja parandada	ava (48.6%)

Failid

Fail	Kirjeldus
tartu_aruanne.json	Struktureeritud andmebaas 30 lõõri kohta
projekt_kokkuvote.json	Projekti kokkuvõte
generate_report.py	AI aruande generaator
extract_tartu_json.py	PDF → JSON konverter
*.ASF	Borescope videod

Aruande näide (Tartu stiil)

P1L1 – Lõõri sügavus on 14,94 m.
0,8 m peal on paneeli liitekohas väike aste.
3,84 m peal on paneeli liitekoht natuke lahtine.
6,63 m peal on paneeli liitekoht natuke lahtine.
12,71 m peal on ava ventilaatoriga, mille all on ava pehme alumiiniumtoruga...

Järgmised sammud

1. GPU krediidid: Lisa HuggingFace billing → treeni YOLO11n
2. Google Colab: Alternatiiv tasuta T4 GPU-ga
3. Käsitsi labels: ~50 kaadrit täpsuse parandamiseks

Litsents

Privaatne andmekogu. Kasutamine kokkuleppel.

---

Koostaja: Vendipuhastus OÜ, Merilin Heinsaar AI arendus: ML Intern (HuggingFace)

Generated by ML Intern

This dataset repository was generated by ML Intern, an agent for machine learning research and development on the Hugging Face Hub.

• Try ML Intern: https://smolagents-ml-intern.hf.space
• Source code: https://github.com/huggingface/ml-intern

Usage

from datasets import load_dataset

dataset = load_dataset('kulimuli/ventilatsiooni-loorid')