🏠 Indoor Navigation Algorithm

基于 EfficientNet 的室内场景识别系统 — 分类走廊、教室、楼梯间等室内环境，辅助室内导航。

EfficientNet-based indoor scene recognition for navigation assistance.

语言切换：本文档为中文。For English, see below.

---

📸 Demo

启动 Gradio Web 演示：

pip install -r requirements.txt
python app.py
# 打开浏览器访问 http://localhost:7860

💡 功能：上传图片或拍照 → 显示场景类别 + 置信度 → Top-3 预测结果排名

Features：Upload or snap → scene class + confidence → top-3 predictions ranked

---

🏗 项目架构 / Architecture

                          ┌──────────────────────────┐
                          │      Gradio Web UI       │
                          │      (app.py :7860)       │
                          └────────────┬─────────────┘
                                       │
                          ┌────────────▼─────────────┐
                          │     Flask API Server      │
                          │    (server.py :5000)      │
                          │  /health  /recognize      │
                          │  /poll    (task queue)    │
                          └────────────┬─────────────┘
                                       │
                          ┌────────────▼─────────────┐
                          │    pre01.Eff (Inference)  │
                          │  ┌─────────────────────┐  │
                          │  │  EfficientNet V2-S   │  │
                          │  │  (PyTorch Backend)   │  │
                          │  └─────────────────────┘  │
                          └────────────┬─────────────┘
                                       │
                          ┌────────────▼─────────────┐
                          │    5-Class Prediction     │
                          │  classroom  ·  corridor   │
                          │  stairwell  ·  lobby      │
                          │  office                   │
                          └──────────────────────────┘

---

📁 项目结构 / Project Structure

Indoor-navigation-algorithm/
├── app.py                     # Gradio Web 演示 🌐
├── model.py                   # EfficientNet B0-B7 实现
├── train.py                   # 训练管线
├── predict.py                 # 单图预测 CLI
├── server.py                  # Flask API 推理服务器
├── pre01.py                   # 模型封装 / 推理辅助
├── utils.py                   # 数据加载、训练、评估工具
├── my_dataset.py              # 自定义 PyTorch Dataset
├── trans_weights_to_pytorch.py # 权重转换工具
├── config.py                  # 集中配置管理
├── requirements.txt           # 运行时依赖
├── requirements-dev.txt       # 开发依赖 (pytest, ruff, coverage)
├── Dockerfile                 # Docker 镜像
├── .dockerignore
├── tests/                     # 测试目录
├── .github/workflows/         # CI 配置
├── CONTRIBUTING.md            # 贡献指南
└── README.md

---

🚀 快速开始 / Quick Start

方式一：本地运行

环境要求：Python 3.9+，推荐使用虚拟环境。

# 1. 克隆仓库
git clone https://github.com/111wukong/Indoor-navigation-algorithm.git
cd Indoor-navigation-algorithm

# 2. 安装依赖
pip install -r requirements.txt

# 3. 准备模型权重（二选一）
#    方式 A：使用你训练好的权重，放入 weights/ 目录
#    方式 B：下载预训练权重
#       Baidu Netdisk: https://pan.baidu.com/s/1ouX0UmjCsmSx3ZrqXbowjw  (pwd: 090i)

# 4a. 启动 Gradio Web 演示
python app.py
# 访问 http://localhost:7860

# 4b. 或启动 Flask API 服务器
python server.py
# 访问 http://localhost:5000

# 4c. 或训练自己的模型
python train.py --data-path /path/to/dataset --epochs 30 --batch-size 16

方式二：Docker 运行

# 构建镜像
docker build -t indoor-nav .

# 运行 Gradio Web 演示
docker run -p 7860:7860 \
  -v $(pwd)/weights:/app/weights \
  indoor-nav python app.py

# 运行 Flask API 服务器
docker run -p 5000:5000 \
  -v $(pwd)/weights:/app/weights \
  indoor-nav

# GPU 加速（需要 nvidia-docker）
docker run --gpus all -p 7860:7860 \
  -v $(pwd)/weights:/app/weights \
  indoor-nav python app.py

访问：

• Gradio 演示：http://localhost:7860
• Flask API：http://localhost:5000

---

🧠 模型 / Model

本项目使用 EfficientNet 架构，通过复合缩放（compound scaling）在参数量与精度之间取得优异平衡。预训练推理使用 EfficientNet V2-S。

变体	输入尺寸	参数量	用途
B0	224×224	5.3M	快速推理 / 移动端
B1	240×240	7.8M	边缘设备
B2	260×260	9.2M	平衡选择
B3	300×300	12M	服务器推理
B4	380×380	19M	高精度场景
B5	456×456	30M	大规模部署
B6	528×528	43M	研究用途
B7	600×600	66M	最佳精度

---

📊 训练 / Training

1. 准备数据集

按类别组织图片：

dataset/
├── classroom/
│   ├── img001.jpg
│   └── ...
├── corridor/
├── stairwell/
├── lobby/
└── office/

数据集下载：

• 百度网盘：下载链接 (提取码: 8kzg)

2. 下载预训练权重

模型	下载
EfficientNet-B0	百度网盘 (提取码: 090i)

3. 开始训练

python train.py \
    --num_classes 5 \
    --epochs 30 \
    --batch-size 16 \
    --lr 0.01 \
    --data-path /path/to/dataset \
    --weights ./efficientnetb0.pth \
    --device cuda:0

训练日志写入 runs/ 目录，使用 TensorBoard 查看：

tensorboard --logdir=runs
# 访问 http://localhost:6006

训练参数

参数	默认值	说明
--num_classes	5	输出类别数
--epochs	30	训练轮数
--batch-size	16	批次大小
--lr	0.01	初始学习率
--lrf	0.01	最终学习率因子 (Cosine)
--data-path	/data/flower_photos	数据集根目录
--weights	./efficientnetb0.pth	预训练权重路径
--freeze-layers	False	冻结骨干网络
--device	cuda:0	训练设备

---

🔮 推理 / Inference

Python API

from pre01 import Eff

model = Eff()
result = model.predict("/path/to/image.jpg")
print(result)
# {'direct': 'corridor', 'rate': '0.987'}

Flask API 服务器

# 启动服务
python server.py
# Listening on http://0.0.0.0:5000

API 端点

方法	路径	说明
GET	/health	健康检查
POST	/recognize	单图识别
POST	/poll	任务队列轮询处理

示例

# 健康检查
curl http://localhost:5000/health

# 图片识别
curl -X POST http://localhost:5000/recognize \
  -H "Content-Type: application/json" \
  -d '{"image_path": "/path/to/image.jpg"}'

配置（环境变量）

变量	默认值	说明
API_BASE_URL	https://landbigdata.swjtu.edu.cn/deep/	远程任务队列 URL
INPUT_DIR	/root/temp/input/	输入图片目录
OUTPUT_DIR	/root/temp/output/	输出目录
SERVER_HOST	0.0.0.0	服务器绑定地址
SERVER_PORT	5000	服务器端口

---

📦 依赖 / Requirements

运行时 (requirements.txt)：

torch>=1.7.0, torchvision>=0.8.0, flask>=2.0.0, flask-cors>=3.0.0
Pillow>=8.0.0, numpy>=1.19.0, opencv-python>=4.5.0
gradio>=4.0.0, tqdm>=4.50.0, matplotlib>=3.3.0
requests>=2.25.0, tensorflow>=2.4.0, tensorboard>=2.4.0

开发 (requirements-dev.txt)：

pytest>=7.0.0, pytest-cov>=4.0.0, pytest-mock>=3.10.0
ruff>=0.4.0, coverage>=7.0.0

安装：

pip install -r requirements.txt        # 运行时
pip install -r requirements-dev.txt    # 开发

---

🤝 贡献 / Contributing

欢迎贡献！详见 CONTRIBUTING.md。

• 🐛 提交 Bug → GitHub Issues
• 💡 功能建议 → GitHub Issues
• 🔧 Pull Request → Fork → 新分支 → 写测试 → 提交 PR

---

📚 引用 / Citation

如果本项目对你的研究有帮助，请引用：

@misc{indoor-navigation-algorithm,
  author       = {111wukong},
  title        = {Indoor Navigation Algorithm},
  year         = {2025},
  publisher    = {GitHub},
  journal      = {GitHub repository},
  howpublished = {\url{https://github.com/111wukong/Indoor-navigation-algorithm}},
}

@inproceedings{tan2019efficientnet,
  title     = {EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks},
  author    = {Tan, Mingxing and Le, Quoc V.},
  booktitle = {International Conference on Machine Learning (ICML)},
  year      = {2019},
  url       = {https://arxiv.org/abs/1905.11946}
}

---

📄 许可证 / License

MIT License. 详见 LICENSE。

---

---

🏠 Indoor Navigation Algorithm (English)

EfficientNet-based indoor scene recognition system. Classifies indoor environments (corridors, classrooms, stairwells, lobbies, offices) for navigation assistance.

Quick Start

git clone https://github.com/111wukong/Indoor-navigation-algorithm.git
cd Indoor-navigation-algorithm
pip install -r requirements.txt

# Web demo
python app.py  # → http://localhost:7860

# API server
python server.py  # → http://localhost:5000

# Training
python train.py --data-path /path/to/dataset --epochs 30

Docker

docker build -t indoor-nav .
docker run -p 7860:7860 -v $(pwd)/weights:/app/weights indoor-nav python app.py

API

Method	Path	Description
GET	/health	Health check
POST	/recognize	Single image recognition
POST	/poll	Task queue polling

See the Chinese section above for full documentation, or open an issue if you have questions.