Kitmatch — Сервис для автоматизированного учета инструментов: FastAPI backend + React frontend + Triton Inference Server (YOLO). Поддерживает обработку одиночных изображений и ZIP-архивов, очереди через RabbitMQ и хранение результатов в MongoDB.

🔥 Проект был представлен в рамках хакатона LCT-2025.

• 🤖 YOLO детекция инструментов: Модель распознаёт инструменты на фото в реальном времени, без ручного подсчёта и ошибок.
• 🖥️ Triton Inference Server: Высокопроизводительная подача запросов к модели; масштабирование и низкая задержка инференса.
• 🎨 Удобный фронтенд на React + Vite: Современный SPA с быстрой сборкой и hot-reload; drag-and-drop загрузка, просмотр и правка результатов в одном интерфейсе.
• 📦 Пакетная обработка (одиночные фото и ZIP): Батч-обработка разгружает оператора и ускоряет инвентаризацию.
• ⚡ Асинхронная архитектура на RabbitMQ: Одна очередь — для запуска моделей (models), другая — для сохранения результатов в MongoDB (postprocessing → result). API сразу отдаёт ответ, тяжёлую работу выполняет в фоне; система не «висит» при пиковых нагрузках.
• 🗄️ Хранение результатов в MongoDB: Детекции и метаданные сохраняются в документной БД; удобный поиск и история инвентаризаций.
• 🐳 Единый Docker Compose запуск: Поднимает backend, frontend, MongoDB и RabbitMQ — развёртывание за минуты, без ручной настройки сервисов.
• 🎚️ Настраиваемый confidence_threshold: Можно подстроить баланс между полнотой распознавания и скоростью под свой сценарий.

Главная страница	Обработка одного изображения
Меню выбора: одно изображение или пакетная загрузка ZIP.	Drag-and-drop или выбор файла; отправка на инференс и просмотр детекций с возможностью правки.

Пакетная обработка	Разметка инструментов
Загрузка ZIP-архива; очередь задач, прогресс и сводка по всем изображениям.	Пример детекции: bbox и подписи классов на фото.

HackatonLCT2025/
├── backend/                    # FastAPI + очереди + интеграция с Triton
│   ├── kitmatch/src/kitmatch/  # Код приложения
│   ├── docker-compose.yml      # Главный compose для всего стека
│   ├── Dockerfiles/Dockerfile
│   ├── pyproject.toml
│   └── .env                    # Переменные окружения backend (пример добавлен)
├── front/                      # React + Vite, разворачивается через Nginx
├── triton-models-inference/    # Triton Inference Server c YOLO моделью
└── experiments/                # Ноутбуки и скрипты экспериментов

• Docker, Docker Compose
• (Опционально) NVIDIA GPU + NVIDIA Container Toolkit для ускорения Triton

1. Создайте внешнюю сеть (нужна для связи backend и triton):

docker network create shared_network || true

2. Запустите Triton Inference Server:

cd triton-models-inference
docker compose up --build -d

По умолчанию Triton доступен как сервис triton_server внутри сети shared_network.

3. Проверьте/настройте переменные окружения backend (backend/.env уже добавлен):

API_PORT_EXTERNAL=8080
API_PORT_INTERNAL=8000
API_HOST=0.0.0.0
APP_ENV=development
MONGODB_URI=mongo_host
MONGO_PORT=27017
RABBITMQ_HOST=rabbit_host
RABBIT_HEARTBEAT_MODELS=600
RABBIT_BLOCKED_CONN_TIMEOUT_MODELS=300
RABBIT_HEARTBEAT_REQUESTS=3000
RABBIT_BLOCKED_CONN_TIMEOUT_REQUESTS=3000
BACKEND__TRITON_URL=http://triton_server:8000
MODEL_NAME="yolo11"

4. Запустите весь стек (backend, frontend, MongoDB, RabbitMQ, Dozzle):

cd backend
docker compose up --build -d

Откройте приложение: http://localhost:8080.

1. Frontend (React + Nginx) обслуживает UI и проксирует /api/* на backend.
2. Backend (FastAPI) принимает изображения, создает задачи в RabbitMQ.
3. Воркеры обращаются к Triton для инференса, результаты сохраняются в MongoDB.
4. UI отображает результаты, поддерживается пакетная обработка .zip.

Базовый URL: http://localhost:8080

— Загрузка одного изображения:

curl -X POST http://localhost:8080/api/v1/infer/image \
  -H "Content-Type: multipart/form-data" \
  -F "file=@/path/to/image.jpg" \
  -F "confidence_threshold=0.6"

— Загрузка ZIP-архива:

curl -X POST http://localhost:8080/api/v1/infer/archive \
  -H "Content-Type: multipart/form-data" \
  -F "file=@/path/to/archive.zip" \
  -F "confidence_threshold=0.75" \
  --output results.json

Дополнительно:

• GET /health — состояние сервиса
• GET /api/ping — пинг API

• backend/: FastAPI, очереди, интеграция Triton, Docker Compose главного стека.
• front/: React + Vite, сборка и запуск через Nginx контейнером.
• triton-models-inference/: Triton Server, репозиторий моделей, тестовый клиент инференса.
• experiments/: эксперименты (YOLO, DINOv3 и т.д.).

• Backend запускается внутри контейнера; зависимости управляются pyproject.toml.
• Frontend — стандартный Vite-поток разработки; для продакшена используется Nginx-образ.
• Triton — конфигурация модели в model_repository/*/config.pbtxt.

• При первом запуске убедитесь, что существует сеть shared_network.
• Пути к датасетам/кэшам в Triton compose (host-пути) при необходимости адаптируйте под свою машину.
• Крупные веса/артефакты рекомендуется хранить через Git LFS.