🌿 Цифровой гербарий

Создаём определитель деревьев по фото — от сбора данных до веб-приложения

Информатика · Биология · География · История
Занятие 1

🌳 Разведка и сбор

Фотографируем деревья, фиксируем координаты и собираем истории посадки
  • Снимаем листья и кору с разных ракурсов и при разном освещении — так модель научится обобщать.
  • Записываем GPS-координаты каждого дерева — они станут цифровым маркером для уникальной идентификации.
  • Опрашиваем учителей и работаем со школьным архивом, чтобы узнать историю посадки.
  • Чем больше качественных фото — тем точнее будет работать нейросеть.
  • Каждое дерево получает свой «паспорт»: вид, координаты, историческая справка.
📸 Симулятор сбора данных кликай, чтобы собрать фото
🌳 Дуб0
🌲 Сосна0
🌿 Берёза0
🍁 Клён0
🌸 Липа0
Всего фото: 0 Цель: 30 фото на вид

❓ Вопрос 1: Что произойдёт с точностью модели, если собрать только 5 фото дуба и 50 фото сосны?

❓ Вопрос 2: Почему важно фотографировать листья при разном освещении и с разных ракурсов?

❓ Вопрос 3: Зачем нужны GPS-координаты, если вид дерева уже определён?

Чем больше разнообразных фото — тем точнее будет модель.

Координаты позволяют различать деревья одного вида с разной историей.

Исторические справки превращают гербарий в экскурсионный гид.

Занятие 2

📋 Каталогизация и описание

Структурируем данные, заполняем CSV и пишем экологические + исторические справки
  • Сортируем фото по папкам: каждый вид — отдельная папка с единым форматом имён.
  • Создаём CSV-таблицу: filename, species, latitude, longitude, leaf_shape, bark_type, history.
  • Пишем экологическую справку: семейство, ареал, интересные факты.
  • Добавляем историческую справку: кто посадил, когда, в честь какого события.
  • Проверяем данные: ошибки в разметке приведут к ошибкам модели.
🗂️ Каталог дерева заполни поля и добавь запись
ВидКоординатыФорма листаКораИстория
Пока нет записей. Добавьте дерево!
Записей: 0

❓ Вопрос 1: Что произойдёт, если в CSV-файле перепутать координаты двух деревьев?

❓ Вопрос 2: Почему важно, чтобы все записи были заполнены по единому шаблону?

❓ Вопрос 3: Как историческая справка может помочь в проведении экскурсии?

Структура данных (CSV) — основа для обучения модели и работы приложения.

Каждая запись должна быть полной и непротиворечивой.

Экологическая + историческая справка делают продукт уникальным.

Занятие 3

🧠 Обучение модели

Тренируем нейросеть распознавать деревья по фотографиям
  • Загружаем датасет в российскую платформу (Visary AI или NNTrack).
  • Настраиваем параметры: количество эпох, размер батча, доля валидации.
  • Запускаем обучение и следим за accuracy — долей правильных ответов.
  • Анализируем ошибки: какие виды путаются, и добавляем больше фото для них.
  • Экспортируем модель в формате TensorFlow.js или ONNX для встраивания в сайт.
📈 Тренировка нейросети двигай ползунок — наблюдай за обучением

(1–25)
Точность на обучении 0.00
Точность на валидации 0.00
⚡ Обучение не запущено
Модель учится на ваших данных
📊 Динамика accuracy
Эпоха →

❓ Вопрос 1: Что происходит с accuracy при увеличении числа эпох? Почему?

❓ Вопрос 2: Если модель путает дуб и клён, что нужно сделать?

❓ Вопрос 3: Почему важно отслеживать accuracy на валидации, а не только на обучении?

Больше эпох — выше точность, но есть предел (переобучение).

Ошибки модели указывают на недостаток или плохое качество данных.

Валидационная выборка показывает, как модель справится с новыми фото.

Занятие 4

💻 Сборка веб-приложения

Создаём страницу с загрузкой фото, распознаванием, картой и справками
  • Вёрстка страницы: форма загрузки фото, блок вывода результата, карта.
  • Встраиваем обученную модель на страницу с помощью TensorFlow.js.
  • Подключаем Яндекс.Карты с метками деревьев и фильтрацией по типу.
  • При клике на метку — показываем экологическую и историческую справку.
  • Добавляем режим «Экскурсия» — построение маршрута по выбранным точкам.
📱 Макет определителя выбери дерево и нажми «Распознать»
Выберите образец для распознавания:
🌳 Дуб
🌲 Сосна
🌿 Берёза
🍁 Клён
🌸 Липа
Выбрано: —
🌳 Дуб
Семейство Буковые, ареал — умеренная зона, листья лопастные.
📜 Посажено мэром города в 2010 году в честь Дня города.
📍 55.7512, 37.6184
🗺️ Карта с метками
🗺️ [Здесь будет карта с деревьями школы]
Метки: 🌳 Дуб (3), 🌲 Сосна (2), 🌿 Берёза (4), 🍁 Клён (1), 🌸 Липа (2)

❓ Вопрос 1: Почему важно показывать не только вид, но и координаты и историю?

❓ Вопрос 2: Как фильтрация на карте помогает при проведении экскурсии?

❓ Вопрос 3: Что делает интерфейс удобным для пользователя?

Веб-интерфейс объединяет модель, карту и базу данных в единый инструмент.

Карта с фильтрацией превращает определитель в экскурсионный гид.

Чем проще и понятнее интерфейс — тем охотнее им пользуются.

Занятие 5

✅ Тестирование и презентация

Проверяем модель на новых фото, собираем обратную связь и защищаем проект
  • Тестируем модель на фото, которые не использовались при обучении.
  • Считаем точность (accuracy) и анализируем ошибки.
  • Приглашаем учителей биологии, географии и истории для оценки продукта.
  • Добавляем на сайт форму «Помочь проекту» для пополнения базы.
  • Готовим презентацию и защищаем проект перед классом и администрацией.
🧪 Тестирование модели проверь, как модель справляется с новыми фото
Нажмите на кнопку теста, чтобы проверить модель.
Всего тестов: 0
Правильных: 0
Точность:
📋 Обратная связь от учителей

🧑‍🏫 Биология: «Отличная работа! Модель правильно определяет все виды. Рекомендую добавить фото плодов.»

🧑‍🏫 География: «Карта с ареалами очень полезна для уроков. Хорошо бы добавить климатические зоны.»

🧑‍🏫 История: «Исторические справки делают экскурсии живыми и запоминающимися. Отлично!»

❓ Вопрос 1: Почему точность на новых фото может быть ниже, чем на обучающих?

❓ Вопрос 2: Как обратная связь от учителей помогает улучшить продукт?

❓ Вопрос 3: Зачем нужна форма «Помочь проекту»?

Тестирование на новых данных — единственный способ оценить реальную точность модели.

Обратная связь от экспертов помогает увидеть слабые места и доработать продукт.

Краудсорсинг (вклад пользователей) позволяет модели постоянно улучшаться.