Coffee Bean Classification System

ระบบตรวจจับ ติดตาม จำแนก และคัดแยกเมล็ดกาแฟแบบเรียลไทม์ด้วยกล้อง 2 ตัว โดยใช้ YOLO + ByteTrack + Vision Transformer (ViT) ร่วมกับ Arduino สำหรับควบคุมชุดดีดเมล็ดกาแฟที่ระบบยืนยันเป็น Unknown

Repository: https://github.com/Non41045/Coffee-Bean-Classification-System

---

📖 ภาพรวมโปรเจกต์

โปรเจกต์นี้เป็นระบบ AI สำหรับสายพานคัดแยกเมล็ดกาแฟ ระบบรับภาพจากกล้องหลักและกล้องด้านข้าง นำภาพมาต่อกันแล้วใช้ YOLO ตรวจจับเมล็ดกาแฟ พร้อมใช้ ByteTrack กำหนด Tracking ID ให้แต่ละวัตถุ

เมล็ดที่ยังไม่ได้รับการยืนยันจะถูกตัดจากภาพและส่งเข้าโมเดล Vision Transformer แบบ Batch เพื่อจำแนกเป็นหนึ่งใน 9 คลาสที่โมเดลได้รับการฝึกไว้ ระบบมี Unknown/OOD Filter ซึ่งพิจารณาค่า Confidence, Margin ระหว่างอันดับ 1 และอันดับ 2, Normalized Entropy และความต่อเนื่องของผลทำนายหลายเฟรม

เมื่อระบบยืนยันคลาสแล้ว จะบันทึกผลลง CSV นับสถิติ และบันทึกภาพ Crop สำหรับวัตถุจากกล้องหลัก หากคลาสอยู่ใน EJECTCLASSES และวัตถุเคลื่อนเข้าสู่โซนดีด ระบบจะส่งคำสั่ง C ผ่าน Serial ไปยัง Arduino

---

✨ ความสามารถหลัก

รับภาพแบบเรียลไทม์จากกล้อง USB 2 ตัว
ตั้งค่าความละเอียด FPS Autofocus และ Manual Focus แยกแต่ละกล้อง
ตรวจจับเมล็ดกาแฟด้วย YOLO
ติดตามวัตถุด้วย ByteTrack
สร้าง Tracking ID แบบอ่านง่าย
- M1, M2, ... สำหรับกล้องหลัก
- S1, S2, ... สำหรับกล้องด้านข้าง
จำแนกภาพแบบ Batch ด้วย Vision Transformer
รองรับ ViT 3 Architecture
- torchvision vit\_b\_16
- timm vit\_small\_patch16\_224
- timm vit\_tiny\_patch16\_224
รองรับ Checkpoint หลายรูปแบบ
- State dictionary โดยตรง
- model\_state\_dict
- state\_dict
- model
- Checkpoint ที่มี Prefix module. จาก DataParallel
กรอง Unknown/OOD ด้วย Confidence, Margin และ Normalized Entropy
ยืนยัน Known Class จากผลทำนายคลาสเดียวกันหลายเฟรมติดต่อกัน
ยืนยันเป็น Unknown เมื่อยังไม่สามารถยืนยัน Known Class ภายในจำนวนเฟรมที่กำหนด
ควบคุมชุดดีดผ่าน Arduino Serial
จำกัดการดีดด้วย Eject Zone, Lead Time และ Command Cooldown
บันทึกผลที่ยืนยันแล้วลง CSV
บันทึกเวลา YOLO และ ViT ลง Performance CSV
บันทึกภาพ Frame และ Crop แบบ Asynchronous
สร้างรายงานสรุปเมื่อปิดระบบ
ใช้ CUDA อัตโนมัติเมื่อพบ GPU

---

🧠 คลาสที่โมเดล ViT รองรับ

A
AA
AAA
B
wash
Dry
Honey
Peaberry
C wash

Unknown ไม่ใช่คลาสที่ใช้ฝึกโมเดล ViT แต่เป็นผลลัพธ์จากกฎ Unknown/OOD Filter ดังนั้นห้ามเพิ่ม Unknown เข้า VIT\_CLASSNAMES ถ้ายังไม่ได้ฝึกโมเดลใหม่ให้มีเอาต์พุตคลาสดังกล่าว

---

🔄 ลำดับการทำงาน

กล้องหลัก 90 องศา        กล้องด้านข้าง 45 องศา
        │                          │
        └──────── ต่อภาพแนวนอน ───┘
                         │
                         ▼
                YOLO ตรวจจับเมล็ด
                         │
                         ▼
            ByteTrack กำหนด Tracking ID
                         │
                         ▼
            ตรวจสอบ Camera Detection Zone
                         │
                         ▼
                  Crop เมล็ดกาแฟ
                         │
                         ▼
              ViT Batch Classification
                         │
                         ▼
       Confidence + Margin + Entropy Filter
                         │
               ┌─────────┴─────────┐
               ▼                   ▼
       Known Candidate          Unknown
               │                   │
               ▼                   ▼
       ยืนยันต่อเนื่อง 5 เฟรม   รอสูงสุด 15 เฟรม
               └─────────┬─────────┘
                         ▼
                 ยืนยันคลาสสุดท้าย
                         │
            ┌────────────┼────────────┐
            ▼            ▼            ▼
        บันทึก CSV    บันทึก Crop    นับสถิติ
                                      │
                                      ▼
                       ถ้าเป็นคลาสที่ต้องดีด
                                      │
                                      ▼
                       ตรวจ Zone และ Delay
                                      │
                                      ▼
                         ส่งคำสั่ง C ไป Arduino

---

📷 หน้าที่ของกล้องแต่ละตัว

กล้องหลัก

ค่าเริ่มต้นคือ Camera Index 1
ใช้สำหรับยืนยันผล นับสถิติ และควบคุมการดีด
มี Eject Zone ตามแกน X ตั้งแต่ 30% ถึง 70% ของความกว้างกล้อง
เฉพาะวัตถุที่เริ่ม Track จากกล้องหลักเท่านั้นที่ถูกเพิ่มใน Total
ภาพ Crop แยกคลาสและภาพ Ejected มาจากวัตถุของกล้องหลัก

กล้องด้านข้าง

ค่าเริ่มต้นคือ Camera Index 2
เปิดหรือปิดได้ด้วย USEDUALCAMERA
มี Detection Zone ตามแกน Y ตั้งแต่ 25% ถึง 85% ของความสูงภาพ
วัตถุนอก Detection Zone จะไม่ถูกส่งเข้า ViT
ผลที่ยืนยันได้จะถูกบันทึกใน confirmed\_beans.csv แต่ไม่ถูกเพิ่มในสถิติรวมของกล้องหลัก

YOLO และ ByteTrack ทำงานบนภาพที่นำสองกล้องมาต่อกันในแนวนอน ไม่ได้ประมวลผลแยกกันคนละรอบ

---

🛡️ หลักการ Unknown/OOD Filter

ระบบจะรับผลอันดับ 1 และอันดับ 2 จาก Softmax แล้วคำนวณ 3 ค่า

Top-1 Confidence คือความมั่นใจของคลาสอันดับแรก
Confidence Margin คือ Top-1 Confidence ลบ Top-2 Confidence
Normalized Entropy คือระดับความลังเลของการกระจายความน่าจะเป็น โดยหาร Entropy ด้วย log(จำนวนคลาส)

ผลของเฟรมจะถูกระบุเป็น Unknown หากเป็นจริงอย่างน้อยหนึ่งเงื่อนไข

confidence < VIT\_MIN\_CONFIDENCE
confidence\_margin < VIT\_MIN\_MARGIN
normalized\_entropy > VIT\_MAX\_NORMALIZED\_ENTROPY

ค่าตั้งต้นคือ

VIT\_MIN\_CONFIDENCE = 0.80
VIT\_MIN\_MARGIN = 0.20
VIT\_MAX\_NORMALIZED\_ENTROPY = 0.65

การยืนยัน Known Class

Known Class จะได้รับการยืนยันเมื่อโมเดลทำนายคลาสเดียวกันผ่าน Unknown Filter ติดต่อกันครบ

FRAMESTOCONFIRM = 5

หากผลเปลี่ยนเป็น Known Class อื่น ระบบจะเริ่มนับใหม่จาก 1 และหากเฟรมปัจจุบันเป็น Unknown ระบบจะล้าง Candidate และจำนวนเฟรมต่อเนื่อง

การยืนยัน Unknown

หากวัตถุยังไม่สามารถสะสม Known Candidate ได้ครบภายใน

MAXFRAMESBEFOREUNKNOWN = 15

ระบบจะยืนยันวัตถุนั้นเป็น Unknown โดย Confidence ที่บันทึกเป็นค่าเฉลี่ยของ Top-1 Confidence ทุกเฟรมที่ประมวลผล ไม่ใช่ Probability ของคลาส Unknown

---

💥 หลักการควบคุม Arduino Ejector

ระบบเชื่อมต่อ Arduino ผ่าน Serial

SERIALPORT = "COM3"
BAUDRATE = 9600

คลาสที่ต้องการดีดกำหนดใน

EJECTCLASSES = \["Unknown"]

วัตถุจะได้รับคำสั่งดีดเมื่อครบทุกเงื่อนไขต่อไปนี้

Track เริ่มต้นจากกล้องหลัก
ได้รับการยืนยันเป็นคลาสใน EJECTCLASSES
ยังไม่เคยส่งคำสั่งดีดสำหรับ Track นี้
จุดกึ่งกลางวัตถุอยู่ใน Main Eject Zone
ผ่านเวลาจากการพบครั้งแรกอย่างน้อย LEADTIMEMS
ผ่านช่วงพักจากคำสั่งก่อนหน้าอย่างน้อย COMMANDCOOLDOWNMS
Arduino เชื่อมต่ออยู่และสามารถรับข้อมูลได้

ค่าตั้งต้น

MAINZONESTART = 0.30
MAINZONEEND = 0.70
LEADTIMEMS = 500
COMMANDCOOLDOWNMS = 150

เมื่อผ่านเงื่อนไข โปรแกรมส่ง Byte ต่อไปนี้

ser.write(b"C")

Arduino ต้องมีโปรแกรมที่รอรับอักขระ C และสั่งงานอุปกรณ์ดีด หาก Arduino ไม่เชื่อมต่อ ระบบ AI ยังทำงานต่อได้ แต่จะไม่สามารถสั่งดีดจริง

---

⏱️ การวัดประสิทธิภาพ

ระบบใช้ time.perf\_counter() จับเวลา AI และใช้ torch.cuda.synchronize() ก่อนและหลังจับเวลาเมื่อทำงานบน CUDA

YOLO Time

รวมเวลาของ

modelyolo.track(...)

ViT Time

รวมเฉพาะเวลาที่เรียก Forward Pass

outputs = modelvit(batchinputtensor)

จึงไม่รวมเวลาของ

การ Crop ภาพ
การแปลง OpenCV เป็น PIL
Resize, ToTensor และ Normalize
การ Stack Batch
Softmax
Top-k
Entropy
การบันทึก CSV หรือรูปภาพ

Estimated AI FPS คำนวณจาก

1000 / (YOLO Time + ViT Time)

จึงเป็นค่าประมาณความเร็วเฉพาะส่วน AI ไม่ใช่ FPS จริงแบบ End-to-End ของระบบทั้งหมด

---

🛠️ เทคโนโลยีที่ใช้

Python
OpenCV
Ultralytics YOLO
ByteTrack
PyTorch
Torchvision
timm
Pillow
NumPy
PySerial
Threading และ Queue
Arduino

---

📁 โครงสร้างไฟล์ที่แนะนำ

Coffee-Bean-Classification-System/
│
├── weights/
│   ├── best.pt
│   └── best\_vit\_small\_coffee.pth
│
├── logs/                         # สร้างอัตโนมัติเมื่อรัน
├── main.py                       # สคริปต์ระบบหลัก
├── requirements.txt
└── README.md

ชื่อสคริปต์หลักอาจแตกต่างจาก main.py ให้ใช้ชื่อไฟล์จริงของโปรเจกต์แทนในคำสั่งรัน

---

💻 ความต้องการของระบบ

Hardware

คอมพิวเตอร์ที่ใช้ Windows สำหรับ cv2.CAP\_DSHOW และพอร์ตแบบ COM3
กล้อง USB 1 หรือ 2 ตัว
Arduino และวงจรขับชุดดีด
GPU ที่รองรับ CUDA เป็นตัวเลือก แต่แนะนำสำหรับการทำงานแบบเรียลไทม์

Software

Python 3.9 หรือใหม่กว่า
ไดรเวอร์กล้อง
CUDA และ PyTorch รุ่นที่รองรับ GPU หากต้องการใช้ CUDA
Arduino Sketch ที่รองรับคำสั่ง C

---

🚀 การติดตั้ง

1. Clone Repository

git clone https://github.com/Non41045/Coffee-Bean-Classification-System.git
cd Coffee-Bean-Classification-System

2. สร้าง Virtual Environment

python -m venv venv
venv\\Scripts\\activate

3. ติดตั้งไลบรารี

หากมี requirements.txt

python -m pip install --upgrade pip
pip install -r requirements.txt

หากยังไม่มีไฟล์ดังกล่าว สามารถติดตั้งแพ็กเกจหลักได้ดังนี้

pip install pyserial opencv-python numpy ultralytics torch torchvision pillow timm

ควรติดตั้ง PyTorch ให้ตรงกับ CUDA Version ของเครื่อง หากใช้ GPU

4. เตรียมโมเดล

วางไฟล์โมเดลตามตำแหน่งต่อไปนี้

weights/best.pt
weights/best\_vit\_small\_coffee.pth

ไฟล์ YOLO ใช้ตรวจจับเมล็ดกาแฟ ส่วนไฟล์ ViT ต้องมี Output จำนวน 9 คลาสและลำดับคลาสตรงกับ VIT\_CLASSNAMES

5. เชื่อมต่อ Arduino

Upload Arduino Sketch ที่รอรับอักขระ C
เชื่อมต่อ Arduino ผ่าน USB
เปิด Device Manager เพื่อตรวจสอบ COM Port
แก้ค่า SERIALPORT ให้ตรงกับเครื่อง

SERIALPORT = "COM3"
BAUDRATE = 9600

6. ตรวจสอบ Camera Index

ค่าตั้งต้น

CAMERAMAININDEX = 1
CAMERASIDEINDEX = 2

หากกล้องเปิดไม่ได้ ให้ทดลอง 0, 1, 2 ตามลำดับ และตรวจสอบว่าไม่มีโปรแกรมอื่นกำลังใช้งานกล้อง

7. รันโปรแกรม

python main.py

เมื่อระบบพร้อมจะแสดงข้อความ

🚀 SYSTEM READY! Press 'q' to exit.

กด q ในหน้าต่าง OpenCV เพื่อปิดโปรแกรมอย่างถูกต้อง

---

⚙️ ค่าที่ควรตรวจสอบก่อนรัน

กล้อง

USEDUALCAMERA = True
CAMERAMAININDEX = 1
CAMERASIDEINDEX = 2
CAMERAWIDTH = 800
CAMERAHEIGHT = 600
CAMERA\_FPS = 30

หากใช้กล้องเดียว

USEDUALCAMERA = False

Focus

MAIN\_AUTOFOCUS = False
MAIN\_FOCUS = 120
SIDE\_AUTOFOCUS = False
SIDE\_FOCUS = 120

ความสามารถในการตั้ง Manual Focus ขึ้นอยู่กับ Driver และรุ่นกล้อง โปรแกรมจะแสดงค่าที่ขอและค่าจริงที่กล้องรายงาน

โมเดล

YOLOMODELPATH = "weights/best.pt"
VITMODELPATH = "weights/best\_vit\_small\_coffee.pth"
CONFIDENCETHRESHOLD = 0.4

Architecture ของ ViT ถูกเลือกจากชื่อไฟล์

ชื่อมี base ใช้ torchvision vit\_b\_16
ชื่อมี tiny ใช้ timm vit\_tiny\_patch16\_224
กรณีอื่นใช้ timm vit\_small\_patch16\_224

ดังนั้นชื่อไฟล์น้ำหนักต้องสอดคล้องกับ Architecture ที่ใช้ฝึก มิฉะนั้น load\_state\_dict จะเกิดข้อผิดพลาด

การบันทึกไฟล์

SAVEFRAMES = True
FRAMESAVEINTERVAL = 10
SAVECROPS = True
SAVE\_PERFORMANCE\_CSV = True
PERFORMANCE\_SAVE\_INTERVAL = 1
PERFORMANCE\_FLUSH\_INTERVAL = 30

การบันทึก Frame ทุก 10 เฟรมและ Performance ทุกเฟรมอาจใช้พื้นที่ดิสก์มากเมื่อเปิดระบบเป็นเวลานาน

---

📊 ไฟล์ผลลัพธ์

เมื่อเริ่มโปรแกรม ระบบสร้าง Run Folder จากวันและเวลา

logs/YYYY-MM-DD\_HH-MM-SS/
│
├── frames/
├── crops/
│   ├── ejected/
│   ├── Unknown/
│   ├── A/
│   ├── AA/
│   ├── AAA/
│   ├── B/
│   ├── wash/
│   ├── Dry/
│   ├── Honey/
│   ├── Peaberry/
│   └── C wash/
│
├── confirmed\_beans.csv
├── performance\_metrics.csv
└── summary\_report.txt

`confirmed\_beans.csv`

เก็บหนึ่งแถวต่อหนึ่ง Track ที่ได้รับการยืนยัน ทั้งจากกล้องหลักและกล้องด้านข้าง

เวลา
ชนิดที่ยืนยัน
ค่า Confidence เฉลี่ย
Margin ล่าสุด
Entropy ล่าสุด
กล้องที่ยืนยัน
Tracking ID

`performance\_metrics.csv`

Timestamp
Frame Number
YOLO Time (ms)
YOLO Detected Objects
ViT Time (ms)
ViT Batch Size
ViT Time per Object (ms)
Total AI Time (ms)
Estimated AI FPS
Device

`summary\_report.txt`

สร้างตอนปิดโปรแกรมและเก็บ

เวลาสิ้นสุด
ค่า Unknown Filter
ค่า Performance Logging
สถิติสุดท้ายของแต่ละคลาส
Total และ Ejected

การบันทึกภาพแบบ Async

โปรแกรมใช้ Queue และ Background Thread ในการเขียนภาพลงดิสก์ เพื่อลดเวลาที่ Main Loop ต้องหยุดรอ cv2.imwrite() และจะรอให้งานบันทึกที่ค้างอยู่เสร็จก่อนปิดโปรแกรม

---

🎨 ความหมายของสีบนหน้าจอ

เขียว: ยืนยัน Known Class แล้ว
แดง: คลาสที่อยู่ใน EJECTCLASSES
ส้ม: ผลล่าสุดหรือผลยืนยันเป็น Unknown
ฟ้า: กำลังตรวจสอบและยังไม่ยืนยัน
เทา: ยังไม่ได้กำหนด Custom Tracking ID
เหลือง: เส้นขอบเขต Eject Zone ของกล้องหลัก
แดง: เส้น Detection Zone ของกล้องด้านข้าง
ขาว: เส้นแบ่งภาพจากกล้องหลักและกล้องด้านข้าง

ด้านบนของหน้าต่างแสดง Total Confirmed, Unknown, Ejected, เวลา YOLO, เวลา ViT และจำนวนของคลาสที่ตรวจพบ

---

📌 พฤติกรรมสำคัญของระบบ

Total และจำนวนรายคลาสเพิ่มเฉพาะวัตถุจากกล้องหลัก
CSV บันทึกผลยืนยันจากทั้งสองกล้อง
ViT ประมวลผลเฉพาะ Track ที่ยังไม่มี confirmedclass
เมื่อตัดสินคลาสแล้ว Track เดิมจะไม่ถูกจำแนกซ้ำ
Track ที่หายจากภาพเกิน 3 วินาทีจะถูกลบ
หาก Track เดิมกลับมาหลังถูกลบ ByteTrack อาจกำหนด ID ใหม่และอาจถูกนับใหม่
Ejected เพิ่มเฉพาะเมื่อส่งคำสั่ง C สำเร็จ
หาก Arduino ไม่เชื่อมต่อ ระบบกำหนด sentcommand=True หลังถึงจุดดีด เพื่อไม่พยายามส่งซ้ำกับ Track เดิม
CLASS\_GROUPS มีผลเฉพาะชื่อและสถิติที่แสดงบนหน้าจอ ไม่ได้เปลี่ยนคลาสที่บันทึกใน CSV

---

🛠️ การแก้ปัญหาเบื้องต้น

เปิดกล้องไม่ได้

❌ Cannot open camera

ตรวจสอบ Camera Index
ปิดโปรแกรมอื่นที่ใช้งานกล้อง
ถอดและเสียบกล้องใหม่
ลดความละเอียดหรือ FPS
ตรวจสอบ Driver กล้อง

ตั้ง Focus ไม่สำเร็จ

กล้องบางรุ่นหรือ Driver บางตัวไม่รองรับ CAP\_PROP\_AUTOFOCUS และ CAP\_PROP\_FOCUS ให้ตรวจสอบค่าที่โปรแกรมพิมพ์ออกมา หรือเปิด Autofocus แทน

MAIN\_AUTOFOCUS = True
SIDE\_AUTOFOCUS = True

เชื่อมต่อ Arduino ไม่ได้

⚠️ Arduino NOT connected

ตรวจสอบ COM Port และ Baud Rate
ปิด Serial Monitor ของ Arduino IDE
ตรวจสอบสาย USB และ Driver
ตรวจสอบว่าไม่มีโปรแกรมอื่นจับพอร์ตอยู่

โหลด ViT ไม่สำเร็จ

ตรวจสอบ Path ของไฟล์ .pth
ตรวจสอบชื่อไฟล์ว่าเลือก Architecture ถูกต้อง
ตรวจสอบจำนวนคลาสเป็น 9
ตรวจสอบลำดับ VIT\_CLASSNAMES ให้ตรงกับตอนฝึก
ตรวจสอบว่า Checkpoint ไม่เสียหาย

CUDA Out of Memory

ลดความละเอียดกล้อง
ลดจำนวนวัตถุในภาพ
ใช้ vit\_tiny\_patch16\_224
ใช้งาน CPU ชั่วคราว
ปิดโปรแกรมอื่นที่ใช้ GPU

จำแนกเป็น Unknown มากเกินไป

ทดลองปรับทีละค่าโดยตรวจสอบกับ Validation Dataset

VIT\_MIN\_CONFIDENCE = 0.75
VIT\_MIN\_MARGIN = 0.15
VIT\_MAX\_NORMALIZED\_ENTROPY = 0.70

การลดเกณฑ์อาจลด Unknown แต่เพิ่มความเสี่ยงในการยืนยันคลาสผิด

ยืนยันช้าเกินไป

ลด

FRAMESTOCONFIRM = 3
MAXFRAMESBEFOREUNKNOWN = 10

แต่การลดจำนวนเฟรมอาจทำให้ผลยืนยันไม่นิ่ง

ดีดเร็วหรือช้าเกินไป

ปรับ

LEADTIMEMS = 500
MAINZONESTART = 0.30
MAINZONEEND = 0.70

ค่าที่เหมาะสมขึ้นอยู่กับความเร็วสายพาน ตำแหน่งกล้อง ตำแหน่งหัวดีด และความหน่วงของอุปกรณ์

พื้นที่ดิสก์เพิ่มเร็ว

SAVEFRAMES = False
SAVECROPS = False
SAVE\_PERFORMANCE\_CSV = False

หรือเพิ่ม FRAMESAVEINTERVAL และ PERFORMANCE\_SAVE\_INTERVAL

---

⚠️ ข้อควรระวัง

ก่อนเปิดระบบจริง ควรทดสอบ Arduino Ejector โดยไม่มีวัตถุและรักษาระยะห่างจากชิ้นส่วนที่เคลื่อนไหว
ตรวจสอบพิกัด Eject Zone ให้ตรงกับตำแหน่งหัวดีดจริง
อย่าเพิ่ม Unknown เข้า VIT\_CLASSNAMES เว้นแต่จะฝึกโมเดลใหม่
อย่าเปลี่ยนลำดับคลาสหลังฝึกโมเดล เพราะ Index ของเอาต์พุตจะไม่ตรงกับชื่อคลาส
หากเปลี่ยนชื่อไฟล์ ViT ต้องรักษาคำว่า base, small หรือ tiny ให้สอดคล้องกับ Architecture
ควรสำรองพื้นที่ดิสก์สำหรับโฟลเดอร์ logs
ควรปิดโปรแกรมด้วยปุ่ม q เพื่อให้ CSV, Queue, กล้อง และ Serial ถูกปิดอย่างสมบูรณ์

---

👤 ผู้จัดทำ

นางสาว ฑิตฐิตา ประจำเมือง

นาย ณัฐชนน สังข์ทอง

นาย ธีรภัทร์ กันทา

---

🙏 Acknowledgements

Ultralytics YOLO
ByteTrack
PyTorch
Torchvision
timm
OpenCV
Pillow
NumPy
PySerial

Name		Name	Last commit message	Last commit date
Coffee-Bean-Sorting-System-main		Coffee-Bean-Sorting-System-main
README.md		README.md

Latest commit

History

Folders and files

Repository files navigation