Other Projects » 插管機器人 intubation bot

基於 5-Agent 自動化開發流程（Orchestrator → Data Engineer → Navigation Engineer → Model Architect → Video Pipeline → QA Lead），完成插管機器人視覺辨識系統的全鏈路建置。

1. 資料工程（Data Engineer）¶

• 新增離線資料增強管線 augmentation_pipeline.py（367 行），支援喉鏡影像專用增強（亮度、霧化、旋轉等）
• 將訓練集從 33 張擴充至 156 張（dataset_augmented/）
• 新增標註品質檢查工具 label_qa.py（316 行），產出 qa_report/ 視覺化報告
• 新增 5-Fold 交叉驗證 run_crossval.py（213 行）與 crossval_folds/ 資料分割
• 新增外部資料來源文件 data_sources.md、類別分佈統計 class_distribution.json

2. 導航工程（Navigation Engineer）¶

• 新增導航模組 navigation.py（300 行）：YOLO 偵測結果 → 導航向量（方位角、距離、是否置中）
• 新增導航疊圖 navigation_overlay.py（145 行）：十字準星、目標標記、方向箭頭繪製
• 整合導航功能至 detect.py：圖片偵測加入導航資訊輸出，影片偵測加入逐幀導航狀態追蹤與 JSON log 匯出
• 新增導航單元測試 test_navigation.py（253 行）

3. 模型架構（Model Architect）¶

• 新增實驗框架 experiments/：含 6 組設定檔（nano/small/medium/cosine/focal/highres）
• 新增實驗追蹤器 experiments/experiment_tracker.py、批次執行 experiments/run_all_experiments.py
• 新增模型匯出工具 experiments/export_model.py（ONNX/TensorRT）與 ensemble 推論 experiments/ensemble_inference.py
• V3 模型訓練完成（YOLOv11 Small, 100 epochs, GPU）：mAP50=0.787, Recall=0.748（較 V2 +30.5%）
• 產出多組訓練實驗結果（runs/detect/yolo11*）、交叉驗證結果、ONNX 匯出

4. 影片推論管線（Video Pipeline Engineer）¶

• 新增完整影片推論管線 video_pipeline.py（687 行）：物件追蹤（ByteTrack/BoT-SORT）、時序平滑（EMA）、導航整合
• 新增追蹤器設定 configs/bytetrack_intubation.yaml、configs/botsort_intubation.yaml
• 新增 CLI 入口 run_pipeline.py（122 行）
• 新增基準測試 benchmark.py（238 行）與視覺化比較工具 visual_qa.py（226 行）
• 兩段測試影片處理完成，結果存於 results_v3/（含 pipeline 影片、偵測 CSV、指標 JSON、導航 JSON）

5. 品質驗證（QA Lead）¶

• 新增品質指標框架 qa_metrics.py（385 行）：穩定性、導航平滑度、dropout 分析
• 新增整合 QA 執行器 run_qa.py（521 行）
• 新增 QA 設定 qa_config.yaml、pytest 設定 pytest.ini
• 新增測試套件 tests/（6 個測試檔案, 74 tests passed）
• QA 報告產出至 qa_results/（JUnit XML、指標 JSON、報告 MD）

6. 專案基礎建設¶

• 新增 CLAUDE.md AI Agent 團隊設定文件
• 新增 Orchestrator 統籌報告 orchestrator_report.md 及各 Agent 報告
• 新增預訓練權重 yolo11m.pt、yolo11s.pt、yolo26n.pt

影響範圍¶

• 新增 Python 檔案 24 個（共約 5,345 行）
• 修改 detect.py（+40 行，整合導航功能）
• 新增設定檔、報告、實驗結果、增強資料集等

測試結果¶

• 單元測試：74 passed
• 影片推論：115-175 FPS (RTX 5070 Ti)
• V3 模型 mAP50=0.787, Recall=0.748
• QA 整體：4/5 步驟通過（mAP50 未達 0.80 門檻，建議後續迭代改進）