Лаборатория искусственного интеллекта и систем управления процессами

Описание
NNTrack — это программное обеспечение для создания, обучения, тестирования и экспорта нейронных сетей.
Обычно нейросети кажутся детям чем-то слишком сложным: много кода, формул и непонятных настроек. NNTrack делает первый вход проще: архитектура модели собирается визуально из блоков, а ученик постепенно разбирается, как работает свёрточная нейросеть.
После сборки модель можно обучить на своём датасете, посмотреть графики обучения, протестировать результат на изображении или видео с веб-камеры, а затем экспортировать нейросеть для использования в реальном проекте — например, в роботе, дроне, системе безопасности или мобильном приложении.

Особенности

• Нейросеть собирается как схема. Ученик видит архитектуру модели: слои, связи, последовательность обработки данных. Это помогает понять устройство CNN без резкого входа в сложный код.
• Работа на базе TensorFlow. Платформа использует профессиональную библиотеку машинного обучения, поэтому ученики работают не с игрушечной имитацией, а с реальной логикой разработки ИИ-моделей.
• Гибкая настройка обучения. Можно выбирать датасет, batch size, количество эпох, функцию потерь, метрики, оптимизатор, скорость обучения и размер валидационной выборки.
• Защита от переобучения. Доступна автоматическая остановка обучения, если модель перестаёт улучшаться.
• Аугментация датасета. Можно искусственно расширять набор данных и смотреть, как это влияет на качество модели.
• Графики обучения в реальном времени. Во время обучения отображаются графики функции потерь и метрик. Ученики видят, как модель учится и где возникают ошибки.
• Тестирование на веб-камере и изображениях. Модель можно проверить прямо в интерфейсе: загрузить картинку или включить распознавание через камеру.
• Экспорт в разные форматы. Обученную модель можно сохранить в ONNX, TFLite, HDF5, SavedModel, TensorFlow.js и Core ML.
• 20 занятий по разработке CNN. Курс помогает пройти весь цикл: что такое ИИ и нейросети, как собрать архитектуру, настроить обучение, подобрать параметры, протестировать модель и улучшить результат.

Компетенции

• Понимают, как устроены свёрточные нейронные сети
• Создают архитектуру нейросети из визуальных блоков
• Работают с датасетами
• Настраивают параметры обучения модели
• Анализируют графики потерь и метрик
• Выявляют переобучение и улучшают качество модели
• Тестируют нейросеть на изображениях и видеопотоке
• Экспортируют модели для реальных проектов
• Применяют ИИ в робототехнике, играх, симуляторах, приложениях и системах безопасности

Состав

• Лицензия NNTrack на одно рабочее место
• Визуальный конструктор архитектуры нейросетей
• Модуль обучения модели
• Модуль тестирования на изображениях и видео
• Модуль экспорта обученной модели
• Учебно-методический курс «Разработка и обучение свёрточных нейросетей в среде визуального моделирования NNTrack»

ПО
NNTrack работает как основная программная среда для проектирования, обучения, тестирования и экспорта нейросетевых моделей.

Описание
Артинтрек — аппаратный модуль для изучения искусственного интеллекта и компьютерного зрения.
Он обрабатывает видеопоток с помощью нейросетей и может передавать результаты распознавания на контроллер, чтобы управлять робототехническими моделями. Это важная связка между “нейросеть распознала” и “робот выполнил действие”.
В модуле уже есть 13 предустановленных обученных моделей для распознавания видео и речи. Также можно загрузить собственную нейросеть, созданную в NNTrack.

Особенности

• ИИ работает с видеопотоком. Модуль анализирует изображение с камеры и помогает создавать проекты по компьютерному зрению.
• 13 готовых моделей. Ученики могут быстро начать с распознавания видео и речи, а затем переходить к собственным моделям.
• Загрузка своих нейросетей. Модели, созданные в NNTrack, можно использовать на аппаратном модуле.
• Связь с роботами. Готовые скрипты позволяют передавать результаты работы нейросети на контроллер для управления робототехническими моделями.
• Проекты без компьютера. В сценариях с мобильными роботами нейросети могут использоваться автономно, без постоянного подключения к компьютеру.

Компетенции

• Работают с компьютерным зрением
• Используют готовые модели распознавания
• Загружают собственные нейросети
• Передают результаты распознавания на контроллер
• Создают роботов, которые реагируют на изображение или голос
• Интегрируют ИИ в реальные устройства

Состав

• Аппаратный модуль Артинтрек
• 13 предустановленных обученных моделей
• Готовые скрипты для передачи результатов на контроллер
• Инструкции и методические материалы

Описание
Роботизированный манипулятор для изучения промышленной робототехники, кинематики, траекторий движения и автоматического управления.
Ученики программируют движение манипулятора, управляют захватом, перемещают объекты и могут связывать действия робота с данными от камеры, датчиков или нейросети.

Особенности

• 6 степеней свободы. Манипулятор позволяет отрабатывать сложные движения, позиционирование и траекторное планирование.
• Металлическая конструкция. Подходит для учебных задач, где важны устойчивость, точность и повторяемость движений.
• Несколько типов захвата. Пневматический мягкий захват, электромагнит и держатель карандаша позволяют решать разные задачи: взять предмет, переместить объект, удержать деталь, нарисовать траекторию.
• Связь с компьютерным зрением. Манипулятор можно использовать в проектах, где камера распознаёт объект, а робот выполняет действие.
• Имитация промышленной автоматизации. Ученики видят, как похожие системы работают на производстве: сортировка, перемещение, захват, контроль и выполнение операций по сигналу.

Компетенции

• Управляют манипулятором с 6 степенями свободы
• Понимают основы кинематики и траекторного планирования
• Работают с пневматическим и электромагнитным захватом
• Программируют точные движения
• Связывают действия манипулятора с данными от камеры и датчиков
• Создают сценарии сортировки, захвата и перемещения объектов

Состав

• Роботизированный манипулятор
• Пневматический мягкий захват
• Электромагнитный захват
• Держатель карандаша
• Контроллеры и элементы подключения
• Методические материалы