pipeline in linea single thread

aggiornamento-2026-05-17-20-57.md

@@ -0,0 +1,166 @@
+# Aggiornamento 2026-05-17 20:57
+
+## Obiettivo
+
+Provare la strada del dataset aumentato per il riconoscimento OCR numerico via YOLO, senza integrare ancora nulla in `flywms`.
+
+## Dataset aumentato
+
+Creato lo script:
+
+```text
+C:\devel\yolo-ocr\tools\augment_yolo_dataset.py
+```
+
+Generato il dataset:
+
+```text
+C:\devel\yolo-ocr\dataset_augmented
+```
+
+Composizione:
+
+```text
+train: 247 immagini, 1482 bbox
+val:     5 immagini,   30 bbox
+test:    2 immagini,   12 bbox
+```
+
+Nota importante: l'aumento dati e' applicato solo al train. Validation e test restano immagini originali, quindi sono utili per misurare se il modello generalizza.
+
+Augmentation applicate:
+
+- piccole rotazioni;
+- piccole traslazioni;
+- scala leggera;
+- contrasto/luminosita';
+- CLAHE;
+- sharpening;
+- blur leggero;
+- rumore;
+- compressione JPEG simulata.
+
+## Training GPU
+
+Addestramento eseguito sulla RTX 3050:
+
+```powershell
+yolo detect train data=C:\devel\yolo-ocr\dataset_augmented\data.yaml model=yolov8n.pt epochs=120 imgsz=640 batch=16 workers=0 device=0 project=C:\devel\yolo-ocr\training_runs name=digits_yolov8n_aug_gpu patience=30 seed=42
+```
+
+Il training e' terminato con early stopping:
+
+```text
+Best epoch: 11
+Epoch completate: 41
+Durata: circa 0.098 ore
+```
+
+Metriche YOLO finali su validation:
+
+```text
+precision: 0.826
+recall:    0.873
+mAP50:     0.990
+mAP50-95:  0.745
+```
+
+Velocita' indicativa:
+
+```text
+preprocess: 0.6 ms
+inference:  7.7 ms
+postprocess: 4.1 ms
+```
+
+## Artefatti
+
+Peso PyTorch:
+
+```text
+C:\devel\yolo-ocr\models\udc_digits_yolov8n_aug.pt
+```
+
+Export ONNX:
+
+```text
+C:\devel\yolo-ocr\models\udc_digits_yolov8n_aug.onnx
+```
+
+Run originale:
+
+```text
+C:\devel\yolo-ocr\training_runs\digits_yolov8n_aug_gpu
+```
+
+## Valutazione codice intero
+
+Con soglia standard:
+
+```powershell
+python C:\devel\yolo-ocr\tools\evaluate_code_accuracy.py --model C:\devel\yolo-ocr\training_runs\digits_yolov8n_aug_gpu\weights\best.pt --dataset C:\devel\yolo-ocr\dataset_augmented --split test --device 0 --conf 0.25 --iou 0.50 --output C:\devel\yolo-ocr\outputs\code_eval_aug_test
+```
+
+Risultato su test:
+
+```text
+images=2
+code_ok=0
+code_accuracy=0.0000
+char_accuracy=0.3333
+```
+
+Il problema era una cifra mancante nei due codici:
+
+```text
+187184 -> 17184
+182368 -> 18268
+```
+
+Abbassando la soglia a `conf=0.15`, sui 2 test il codice completo diventa corretto:
+
+```text
+conf=0.15, iou=0.35..0.65
+code_accuracy=1.0000
+char_accuracy=1.0000
+```
+
+Pero' sulla validation originale, sempre con `conf=0.15`, il risultato resta insufficiente:
+
+```text
+images=5
+code_ok=1
+code_accuracy=0.2000
+char_accuracy=0.7812
+```
+
+Esempi validation:
+
+```text
+187184 -> 187184   OK
+182430 -> 18243601 NO
+182519 -> 182610   NO
+182511 -> 182611   NO
+182242 -> 18224    NO
+```
+
+## Conclusione
+
+La strada del dataset aumentato e' utile: le metriche YOLO sugli oggetti sono migliorate molto e la GPU funziona bene.
+
+Pero' il problema reale non e' ancora risolto, perche' noi non dobbiamo solo rilevare cifre: dobbiamo ricostruire un codice numerico affidabile. Il modello ora e' sensibile alla soglia di confidenza e produce ancora cifre duplicate, mancanti o confuse.
+
+Non conviene integrare questo OCR in `flywms` in questa forma.
+
+## Prossimo passo tecnico
+
+Prima di altro training, serve migliorare il post-processing del codice:
+
+- soglia bassa controllata;
+- ordinamento sinistra-destra;
+- clustering/merge dei bbox vicini;
+- vincolo codice a 6 cifre;
+- gestione duplicati;
+- report per capire quali cifre sono davvero ambigue.
+
+Solo dopo questa fase ha senso decidere se aumentare ancora il dataset o cambiare architettura.