# Биопортал Лаб

Русскоязычный frontend-прототип платформы для лабораторных расчётов и анализа микробиологических экспериментов.

Текущий фокус — демонстрационный сценарий PetriCount: загрузка фотографии чашки Петри, поиск кандидатов на колонии CV-baseline, ручная коррекция и передача результата в расчёт КОЕ/мл.

> Важно: текущий PetriCount — экспериментальный интерфейс и baseline-модель. Результаты не являются лабораторно валидированным измерением и требуют ручной проверки.

## Что есть в проекте

- адаптивный дашборд Биопортал Лаб;
- экран PetriCount с загрузкой JPG, PNG и WEBP;
- добавление и удаление маркеров вручную;
- локальный Flask API для анализа изображений;
- обучаемый CV-baseline: генерация многомасштабных кандидатов + Random Forest, обучаемый на JSON-разметке AGAR;
- скрипт повторного обучения модели.

## Быстрый запуск

Требуется Python 3.13 или новее.

```bash
python3 -m venv .venv
.venv/bin/python -m pip install -r requirements.txt
.venv/bin/python server.py
```

Откройте [http://127.0.0.1:8000](http://127.0.0.1:8000) и перейдите в карточку PetriCount.

## Повторное обучение CV-baseline

Чтобы переобучить модель, положите пары `*.jpg` и `*.json` в `AGAR_representative/`, сохраняя относительную структуру каталогов, затем выполните:

```bash
.venv/bin/python train_petri_model.py
```

Разметка должна содержать поля `x`, `y`, `width`, `height` и `class` для каждой колонии. Полученная модель записывается в `models/petri_candidate_classifier.joblib`.

Каталоги с датасетом, моделью и виртуальным окружением исключены из Git: они весят около 400 МБ и создаются или поставляются локально.

## Структура

```text
index.html / styles.css / app.js    Главный дашборд
petricount.*                        Интерфейс PetriCount
server.py                           Локальный Flask API и раздача frontend
petri_cv.py                         Признаки и генерация CV-кандидатов
train_petri_model.py                Обучение baseline-модели
requirements.txt                    Версии Python-зависимостей
```

## Ограничения текущего прототипа

- модель обучена на небольшой выборке и не имеет независимой валидации;
- API предназначен для локального запуска, без авторизации и хранения данных;
- экспорт, расчёт КОЕ/мл и сохранение экспериментов пока являются интерфейсными сценариями, а не полноценным backend-функционалом.