simplify module3 venue workflow

module3/README.md

@@ -130,11 +130,11 @@ wrench
 Размечайте каждый видимый экземпляр: в штатной сцене две карточки `pliers`, одна
 `hammer` и одна `wrench`. Классы `box` и `background` не создавайте.
 
-В Roboflow создайте `Object Detection` project, загрузите `dataset/raw/*.jpg`,
-разметьте кадры, сделайте split 70/20/10 и экспортируйте в формате YOLO11.
-Распакуйте экспорт в `module3/training`: там должны появиться `data.yaml` и
-каталоги `train`, `valid`, `test`. Не переставляйте номера классов в `data.yaml`:
-они назначаются Roboflow и должны совпадать с ID внутри label-файлов.
+В Label Studio создайте проект `Object Detection with Bounding Boxes`, загрузите
+`dataset/raw/*.jpg`, разметьте кадры и экспортируйте в формате YOLO. Простой
+порядок экспорта, разделения 70/20/10 и обучения описан в [SIMPLE.md](SIMPLE.md).
+Не меняйте порядок строк в экспортированном `classes.txt`: номера строк должны
+совпадать с ID внутри label-файлов.
 
 Локально в `dataset/raw` могут лежать собранные кадры, но Git их намеренно
 игнорирует: после клонирования датасет нужно перенести отдельно или собрать

module3/SIMPLE.md

@@ -10,13 +10,23 @@ ffmpeg -i video.mp4 -vf fps=2 module3/dataset/raw/frame_%05d.jpg
 ## Разметка
 
 ```bash
-python3 -m venv ~/.venvs/xanylabeling
-~/.venvs/xanylabeling/bin/pip install "x-anylabeling-cvhub[cpu]"
-~/.venvs/xanylabeling/bin/xanylabeling module3/dataset/raw --labels module3/dataset/classes.txt --autosave
+label-studio start
 ```
 
-Рамки рисуются клавишей `R`, следующий кадр — `D`. Экспорт: `File -> Export
-Annotations -> Export YOLO Annotations -> Detection`. Затем:
+Откройте `http://localhost:8080`, создайте проект и загрузите кадры через
+`Data Import`. В `Labeling Setup` выберите `Computer Vision -> Object Detection
+with Bounding Boxes` и создайте классы `hammer`, `pliers`, `wrench`.
+
+После разметки выберите `Export -> YOLO` и распакуйте архив так, чтобы получилось:
+
+```text
+module3/dataset/label-studio/
+├── classes.txt
+├── images/
+└── labels/
+```
+
+Затем:
 
 ```bash
 python3 module3/simple_prepare_dataset.py
@@ -41,5 +51,9 @@ module3/.venv/bin/python module3/simple_module_b.py
 ```
 
 Ввод предмета нужен только для показа. Скрипт выводит YOLO в окне OpenCV, через
-5 секунд открывает захват, а через 2 секунды закрывает его. Выход — `Q` или
-`Esc`.
+5 секунд открывает захват, а через 2 секунды переводит его в положение
+`take_cube`. В терминале раз в секунду показываются детекции YOLO. Выход — `Q`
+или `Esc`.
+
+Камера реального RMC1: `/RMC1/arm95/svcam/right/image`. Для проверки в Webots
+замените константу `CAMERA` на `/RMC1/arm95/camera_gripper/image_color`.

module3/prepare_dataset.py

@@ -8,7 +8,7 @@ HERE = Path(__file__).resolve().parent
 
 def arguments():
     parser = argparse.ArgumentParser()
-    parser.add_argument("--dataset", default="training", help="Каталог Roboflow export")
+    parser.add_argument("--dataset", default="training", help="Каталог YOLO-датасета")
     return parser.parse_args()
 
 

module3/simple_module_b.py

@@ -14,7 +14,7 @@ from ultralytics import YOLO
 
 
 HERE = Path(__file__).resolve().parent
-CAMERA = "/RMC1/arm95/camera_gripper/image_color"
+CAMERA = "/RMC1/arm95/svcam/right/image"
 GRIPPER = "/RMC1/arm95/gripper_trajectory_controller/joint_trajectory"
 
 
@@ -26,10 +26,10 @@ class Demo(Node):
         self.gripper = self.create_publisher(JointTrajectory, GRIPPER, 10)
         self.create_subscription(Image, CAMERA, self.on_image, qos_profile_sensor_data)
         self.started = None
-        self.opened = False
-        self.closed = False
+        self.last_log = -1
+        self.step = 0
 
-    def move_gripper(self, position):
+    def move_gripper(self, position, state):
         message = JointTrajectory()
         message.joint_names = ["left_joint", "right_joint"]
         point = JointTrajectoryPoint()
@@ -37,6 +37,7 @@ class Demo(Node):
         point.time_from_start = Duration(sec=1)
         message.points = [point]
         self.gripper.publish(message)
+        print(f"[GRIPPER] {state}: {position}", flush=True)
 
     def on_image(self, message):
         frame = self.bridge.imgmsg_to_cv2(message, "bgr8")
@@ -44,16 +45,19 @@ class Demo(Node):
 
         if self.started is None:
             self.started = time.monotonic()
-        elapsed = time.monotonic() - self.started
+            print(f"[CAMERA] {CAMERA}", flush=True)
+        seconds = int(time.monotonic() - self.started)
 
-        if elapsed >= 5 and not self.opened:
-            self.move_gripper(0.04)
-            self.opened = True
-            print("Захват открыт")
-        elif elapsed >= 7 and not self.closed:
-            self.move_gripper(0.0213)
-            self.closed = True
-            print("Захват закрыт")
+        if seconds != self.last_log:
+            print(f"[YOLO] {result.verbose().strip()}", flush=True)
+            self.last_log = seconds
+
+        if seconds >= 5 and self.step == 0:
+            self.move_gripper(0.04, "OPEN")
+            self.step = 1
+        elif seconds >= 7 and self.step == 1:
+            self.move_gripper(0.02, "TAKE_CUBE")
+            self.step = 2
 
         cv2.imshow("YOLO", result.plot())
         if cv2.waitKey(1) & 0xFF in (ord("q"), 27):
@@ -61,7 +65,8 @@ class Demo(Node):
 
 
 def main():
-    input("Предмет (Кисть, Нож или Резаки): ")
+    target = input("Предмет (Кисть, Нож или Резаки): ")
+    print(f"[START] {target}", flush=True)
     rclpy.init()
     node = Demo()
     try:

module3/simple_prepare_dataset.py

@@ -5,18 +5,24 @@ from pathlib import Path
 
 
 HERE = Path(__file__).resolve().parent
-SOURCE = HERE / "dataset/raw"
+SOURCE = HERE / "dataset/label-studio"
+IMAGES = SOURCE / "images"
 LABELS = SOURCE / "labels"
 OUTPUT = HERE / "training_new"
 IMAGE_EXTENSIONS = {".jpg", ".jpeg", ".png", ".bmp", ".webp"}
 
 
 def main():
-    images = sorted(path for path in SOURCE.iterdir() if path.suffix.lower() in IMAGE_EXTENSIONS)
+    if not IMAGES.is_dir():
+        raise SystemExit(f"Нет каталога {IMAGES}")
+    images = sorted(path for path in IMAGES.iterdir() if path.suffix.lower() in IMAGE_EXTENSIONS)
     if not images:
-        raise SystemExit(f"Нет кадров в {SOURCE}")
+        raise SystemExit(f"Нет кадров в {IMAGES}")
     if not LABELS.is_dir():
         raise SystemExit(f"Сначала экспортируйте YOLO-разметку в {LABELS}")
+    classes_file = SOURCE / "classes.txt"
+    if not classes_file.is_file():
+        raise SystemExit(f"Нет {classes_file}")
 
     random.Random(42).shuffle(images)
     test_count = max(1, round(len(images) * 0.1)) if len(images) >= 3 else 0
@@ -44,7 +50,7 @@ def main():
             else:
                 destination.touch()
 
-    classes = (HERE / "dataset/classes.txt").read_text(encoding="utf-8").splitlines()
+    classes = classes_file.read_text(encoding="utf-8").splitlines()
     names = "\n".join(f"  {number}: {name}" for number, name in enumerate(classes))
     (OUTPUT / "data.yaml").write_text(
         f"path: {OUTPUT}\ntrain: train/images\nval: valid/images\ntest: test/images\n\nnames:\n{names}\n",

module3/train.py

@@ -31,7 +31,7 @@ def select_device(requested, torch):
 
 def arguments():
     parser = argparse.ArgumentParser()
-    parser.add_argument("--data", default="training/data.yaml", help="data.yaml из Roboflow")
+    parser.add_argument("--data", default="training/data.yaml", help="YOLO data.yaml")
     parser.add_argument("--model", default="yolo11n.pt", help="Стартовые веса Ultralytics")
     parser.add_argument("--epochs", type=int, default=30)
     parser.add_argument(
@@ -62,7 +62,7 @@ def main():
 
     data = local_path(args.data)
     if not data.is_file():
-        raise SystemExit(f"Не найден датасет: {data}\nРаспакуйте YOLO11 export из Roboflow в module3/dataset.")
+        raise SystemExit(f"Не найден датасет: {data}\nПодготовьте YOLO-датасет по module3/SIMPLE.md.")
     device = select_device(args.device, torch)
     if device == 0:
         backend = "ROCm" if getattr(torch.version, "hip", None) else "CUDA"