refactor(module3): reduce simple demo to one script

module3/SIMPLE.md

@@ -1,112 +1,45 @@
-# Модуль В: простой вариант
+# Простой модуль В
 
-## 1. Нарезать видео на кадры
-
-Из корня репозитория:
+## Кадры
 
 ```bash
 mkdir -p module3/dataset/raw
 ffmpeg -i video.mp4 -vf fps=2 module3/dataset/raw/frame_%05d.jpg
 ```
 
-Двух кадров в секунду обычно достаточно. Удали смазанные и почти одинаковые
-кадры. Оставь хотя бы 30–60 нормальных изображений.
-
-## 2. Разметить локально
-
-Один раз установить X-AnyLabeling в отдельное окружение:
+## Разметка
 
 ```bash
 python3 -m venv ~/.venvs/xanylabeling
-~/.venvs/xanylabeling/bin/pip install -U uv
-~/.venvs/xanylabeling/bin/uv pip install "x-anylabeling-cvhub[cpu]"
+~/.venvs/xanylabeling/bin/pip install "x-anylabeling-cvhub[cpu]"
+~/.venvs/xanylabeling/bin/xanylabeling module3/dataset/raw --labels module3/dataset/classes.txt --autosave
 ```
 
-Открыть кадры:
-
-```bash
-~/.venvs/xanylabeling/bin/xanylabeling module3/dataset/raw \
-  --labels module3/dataset/classes.txt --autosave
-```
-
-Классы уже лежат в `dataset/classes.txt`:
-
-```text
-hammer
-pliers
-wrench
-```
-
-Нажми `R`, обведи каждый видимый инструмент прямоугольником, выбери класс,
-затем `D` для следующего кадра. После разметки выбери `File -> Export
-Annotations -> Export YOLO Annotations -> Detection`, укажи
-`dataset/classes.txt`. В `dataset/raw/labels` должны появиться TXT-файлы.
-
-Подготовить train/valid/test:
+Рамки рисуются клавишей `R`, следующий кадр — `D`. Экспорт: `File -> Export
+Annotations -> Export YOLO Annotations -> Detection`. Затем:
 
 ```bash
 python3 module3/simple_prepare_dataset.py
 ```
 
-Скрипт создаст `module3/training_new` и при повторном запуске пересоздаст только
-эту папку.
-
-## 3. Обучить через Ultralytics CLI
+## Обучение
 
 ```bash
 cd module3
 source .venv/bin/activate
-yolo detect train model=yolo11n.pt data=training_new/data.yaml epochs=30 patience=7 imgsz=512 batch=8 device=0 workers=4 project=training_new/runs name=tools
+yolo detect train model=yolo11n.pt data=training_new/data.yaml epochs=30 patience=7 imgsz=512 batch=8 device=0 project=training_new/runs name=tools exist_ok=True
 cp training_new/runs/tools/weights/best.pt models/latest.pt
 ```
 
-Если не хватает видеопамяти, поменяй только `batch=8` на `batch=4`.
-
-## 4. Показать работу модели в OpenCV
-
-На тестовых фотографиях:
-
-```bash
-python simple_module_b.py training_new/test/images
-```
-
-На исходном видео:
-
-```bash
-python simple_module_b.py /путь/к/video.mp4
-```
-
-На обычной USB-камере:
-
-```bash
-python simple_module_b.py 0
-```
-
-На изображении будут bounding box, класс и confidence. Результаты также пишутся
-в `logs/simple_module_b.log`. `Q` или `Esc` закрывает окно.
-
-## 5. Открыть и закрыть захват
-
-После запуска симулятора и контроллеров:
+## Запуск
 
 ```bash
 source /opt/ros/jazzy/setup.bash
 source ~/ros2_ws/install/setup.bash
-python3 module3/simple_gripper.py
+cd ~/scripts/mvch
+module3/.venv/bin/python module3/simple_module_b.py
 ```
 
-Скрипт сначала открывает захват, по `Enter` закрывает и ещё по `Enter` снова
-открывает. Команды сохраняются в `module3/logs/simple_gripper.log`.
-
-Если нужно отдельно показать движение всей руки, используй выданный пример:
-
-```bash
-ros2 launch ar_webots_fms_ros2 moveit_api_example.launch.py
-```
-
-## Что сказать эксперту
-
-«Я нарезал видео на кадры, разметил три класса bounding box-ами, разделил
-датасет на train/valid/test и обучил YOLO11n через Ultralytics CLI. В OpenCV
-показываю класс, confidence и bounding box. Управление захватом отправляет ROS 2
-команду контроллеру RMC1, а события выводятся в терминал и сохраняются в лог».
+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`.