License Plate Recognition Web Service

Веб-сервис для распознавания номерных знаков на основе ML-модели, интегрированный в высоконагруженную продуктивную систему.

Описание функционирования сервиса

Основное назначение

Сервис представляет собой REST API для обработки данных о распознавании номерных знаков с камер видеонаблюдения. Он принимает данные от камер и нейронной сети, обрабатывает их через ML-модель и возвращает предсказания с оценкой уверенности.

Архитектура и особенности реализации

1. FastAPI Framework

• Выбран для высокой производительности и асинхронной обработки
• Автоматическая генерация OpenAPI документации
• Встроенная валидация данных через Pydantic
• Поддержка асинхронных операций для высокой пропускной способности

2. Оптимизация для высоких нагрузок

• GZip сжатие для экономии трафика
• CORS middleware для кросс-доменных запросов
• Асинхронная обработка запросов
• Пакетная обработка до 1000 запросов за раз
• Кэширование модели для избежания повторной загрузки

3. ML-модель интеграция

• Использование CatBoost классификатора (micromodel.cbm)
• Функция pick_regno из оригинального ML-скрипта
• Автоматическая проверка доступности модели при запуске
• Обработка ошибок загрузки модели

4. Валидация и безопасность

• Строгая валидация входных данных
• Проверка диапазонов значений (scores, direction)
• Обработка ошибок с детальными сообщениями
• Логирование всех операций

5. Мониторинг и диагностика

• Endpoint /health для проверки состояния
• Endpoint /model/info для информации о модели
• Детальное логирование времени обработки
• Метрики успешности пакетной обработки

API Endpoints

Основные эндпоинты

• GET / - Информация о сервисе
• GET /health - Проверка состояния сервиса
• GET /model/info - Информация о загруженной ML-модели
• POST /predict - Обработка одиночного запроса
• POST /batch-predict - Пакетная обработка до 1000 запросов
• POST /test-data - Тестирование с данными из CSV файла

Структура запроса

{
  "camera_regno": "А123БВ77",
  "nn_regno": "А123БВ77", 
  "camera_score": 85.5,
  "nn_score": 0.92,
  "nn_sym_scores": "[0.9,0.8,0.95,0.87,0.91,0.89]",
  "nn_len_scores": "[0.88,0.92]",
  "camera_type": "LPR",
  "camera_class": "HIGHWAY",
  "time_check": "2024-01-15 14:30:00",
  "direction": 1
}

Структура ответа

{
  "prediction": [0.1, 0.2, 0.7],
  "confidence": 0.7,
  "processing_time_ms": 45.2
}

Установка и запуск

Предварительные требования

• Python 3.10+
• Poetry (менеджер зависимостей)

Установка зависимостей

# Установка Poetry (если не установлен)
pip install poetry

Запуск сервиса

# Активация виртуального окружения
poetry shell

# Установка зависимостей проекта
poetry install --sync

# Запуск сервиса
python src/main.py

Сервис будет доступен по адресу: http://localhost:8000

Альтернативный запуск через uvicorn

poetry run uvicorn src.main:app --host 0.0.0.0 --port 8000 --reload

Тестирование

Автоматические тесты

# Запуск всех тестов
poetry run pytest


### Ручное тестирование

1. **Проверка состояния сервиса:**
   ```bash
   curl http://localhost:8000/health

2. Тестирование с тестовыми данными:

   curl -X POST http://localhost:8000/test-data

3. Одиночный запрос:

   curl -X POST http://localhost:8000/predict \
     -H "Content-Type: application/json" \
     -d '{
       "camera_regno": "А123БВ77",
       "nn_regno": "А123БВ77",
       "camera_score": 85.5,
       "nn_score": 0.92,
       "nn_sym_scores": "[0.9,0.8,0.95,0.87,0.91,0.89]",
       "nn_len_scores": "[0.88,0.92]",
       "camera_type": "LPR",
       "camera_class": "HIGHWAY",
       "time_check": "2024-01-15 14:30:00",
       "direction": 1
     }'

Swagger документация

После запуска сервиса доступна интерактивная документация:

• Swagger UI: http://localhost:8000/docs
• ReDoc: http://localhost:8000/redoc

Производительность

Ожидаемые характеристики

• Пропускная способность: 500+ запросов в секунду
• Время отклика: < 100ms для одиночных запросов
• Пакетная обработка: до 1000 запросов за раз
• Память: ~500MB (включая ML-модель)

Оптимизации

• Асинхронная обработка запросов
• Кэширование ML-модели в памяти
• GZip сжатие ответов
• Валидация данных на уровне Pydantic
• Эффективная обработка пакетных запросов

Структура проекта

LPR-WebAI/
├── src/
│   ├── main.py              # Основной FastAPI сервис
│   ├── models/
│   │   └── models.py        # Pydantic модели данных
│   ├── ml_scripts/
│   │   └── pick_regno.py    # ML-скрипт с функцией pick_regno
│   └── data/
│       ├── micromodel.cbm   # ML-модель CatBoost
│       └── test_data.csv    # Тестовые данные
├── tests/                   # Тесты
├── pyproject.toml          # Зависимости Poetry
└── README.md               # Документация

Мониторинг и логирование

Логирование

• Уровень: INFO
• Формат: timestamp - name - level - message
• Логирование времени обработки каждого запроса
• Отслеживание ошибок и исключений

Метрики

• Время обработки запросов
• Количество успешных/неуспешных запросов
• Статус загрузки ML-модели
• Общее время обработки пакетных запросов