update

03_inference_tiles.ipynb

@@ -23,6 +23,16 @@
     "| bus   | modrá  |"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "md-83b798",
+   "metadata": {},
+   "source": [
+    "## Načtení modelů\n",
+    "\n",
+    "Načteme oba modely: `best_finetuned.pt` (po fine-tuningu na Vrchlabí) a `best_before_finetune.pt` (pouze VisDrone). Porovnání obou modelů ukáže, jak moc fine-tuning zlepšil detekci na českých datech."
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 1,
@@ -59,9 +69,19 @@
     "print(f\"Base:      {MODEL_BASE}\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "md-dc5c89",
+   "metadata": {},
+   "source": [
+    "## Konfigurace inference\n",
+    "\n",
+    "Nastavíme vstupní a výstupní adresáře, barevné kódování tříd (zelená=car, žlutá=van, červená=truck, modrá=bus), confidence threshold a velikost dávky. Dlaždice jsou 256×256 px odpovídající zoom level 18 mapových dlaždic."
+   ]
+  },
   {
    "cell_type": "code",
-   "execution_count": 2,
+   "execution_count": null,
    "metadata": {},
    "outputs": [
     {
@@ -82,9 +102,6 @@
     "ANNOTATED_DIR_FINETUNED.mkdir(exist_ok=True)\n",
     "ANNOTATED_DIR_BASE.mkdir(exist_ok=True)\n",
     "\n",
-    "# Zpětná kompatibilita — hlavní vrstva je finetuned\n",
-    "ANNOTATED_DIR = ANNOTATED_DIR_FINETUNED\n",
-    "\n",
     "# Barvy pro každou třídu (RGB)\n",
     "CLASS_COLORS = {\n",
     "    0: (0, 220, 0),    # car   — zelená\n",
@@ -110,9 +127,19 @@
     "print(f\"Zařízení: {DEVICE}\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "md-452ad1",
+   "metadata": {},
+   "source": [
+    "## Inferenční smyčka\n",
+    "\n",
+    "Pro každou dlaždici spustíme detekci objektů oběma modely. Detekovaná vozidla vyznačíme barevnými rámečky přímo do obrázku dlaždice a výsledky uložíme ve formátu JSON pro pozdější sestavení mapy."
+   ]
+  },
   {
    "cell_type": "code",
-   "execution_count": 3,
+   "execution_count": null,
    "metadata": {},
    "outputs": [
     {
@@ -189,7 +216,6 @@
     "\n",
     "\n",
     "def run_inference(model, annotated_dir: Path, label: str) -> dict:\n",
-    "    \"\"\"Spustí inferenci na všech dlaždicích, uloží anotované obrázky a vrátí dict detekcí.\"\"\"\n",
     "    detections = {}\n",
     "    vehicle_counts = defaultdict(int)\n",
     "\n",
@@ -234,6 +260,16 @@
     "all_detections_base      = run_inference(model_base,      ANNOTATED_DIR_BASE,      \"base\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "md-3e6ffd",
+   "metadata": {},
+   "source": [
+    "## Uložení výsledků detekcí\n",
+    "\n",
+    "Detekce z obou modelů uložíme do JSON souborů. Každý záznam obsahuje název dlaždice a seznam detekcí s třídou, souřadnicemi rámečku a confidence score."
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 4,
@@ -265,9 +301,19 @@
     "print(f\"  detections_base.json       ({len(all_detections_base)} dlaždic)\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "md-95a7d7",
+   "metadata": {},
+   "source": [
+    "## Vizualizace ukázkových dlaždic\n",
+    "\n",
+    "Náhodně vybereme 6 dlaždic s detekcemi a zobrazíme je — tak si ověříme kvalitu výsledků finetuned modelu."
+   ]
+  },
   {
    "cell_type": "code",
-   "execution_count": 5,
+   "execution_count": null,
    "metadata": {},
    "outputs": [
     {
@@ -298,7 +344,6 @@
     "print(f\"[Finetuned] Dlaždice s detekcemi: {len(tiles_with_detections_ft)} / {len(all_detections_finetuned)}\")\n",
     "print(f\"[Base]      Dlaždice s detekcemi: {len(tiles_with_detections_base)} / {len(all_detections_base)}\")\n",
     "\n",
-    "# Ukázkové dlaždice — finetuned model\n",
     "samples = random.sample(tiles_with_detections_ft, min(6, len(tiles_with_detections_ft)))\n",
     "fig, axes = plt.subplots(2, 3, figsize=(15, 10))\n",
     "\n",
@@ -314,6 +359,16 @@
     "plt.show()"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "id": "md-960e2d",
+   "metadata": {},
+   "source": [
+    "## Heatmapa hustoty vozidel\n",
+    "\n",
+    "Z detekcí sestavíme heatmapu — každý pixel odpovídá jedné dlaždici a jeho barva udává počet detekovaných vozidel. Porovnáme oba modely vedle sebe."
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 6,