Локальная модель уничтожает комаров лазером: разбор DIY проекта с AI | AiManual
AiManual Logo Ai / Manual.
02 Июн 2026 Новости

Как я обучил локальную модель уничтожать комаров лазером: разбор проекта и возможности DIY

Эксперимент: обучение YOLOv12 на локальной машине для детекции комаров и лазерной стрельбы. Технические детали, безопасность и как повторить.

Лето. Веранда. Нейросеть с лазерной указкой

Звон в ушах от комариного писка выводит из себя. Сижу с ноутбуком и думаю: почему я должен страдать, когда у меня есть GPU и локальная нейросеть? Так родился этот проект — система, которая сама находит комара, прицеливается и поджаривает лазером. Звучит как фантастика, но на деле это YOLOv12, камера за 15 баксов и Arduino. Спойлер: работает лучше, чем фумигатор.

Дисклеймер: используйте лазеры только в контролируемых условиях. Автор не несет ответственности за выжженные глаза, подгоревшие занавески или домашних питомцев. Это DIY-эксперимент, а не игрушка.

Почему локальная модель, а не облачная?

Комары летают быстро. Задержка даже в 200 мс на передачу кадра в облако — и цель улетела. Локальная инференция на Jetson Nano или даже на ноутбуке с RTX 4060 дает latency < 30 мс. Плюс не нужен интернет. Если вы только начинаете погружаться в локальный AI, советую прочитать руководство по демонстрации возможностей локальных нейросетей — там разобраны типичные ошибки новичков.

Шаг 1. Датасет: как собрать тысячи комаров, не сходя с места

В открытом доступе датасетов комаров в разных ракурсах кот наплакал. Пришлось снимать самому: сажал комаров в прозрачный контейнер, снимал на 120 fps, а потом нарезал кадры. Разметил около 5000 bounding box'ов вручную. Использовал инструмент LabelImg (он же на Python, кстати). Если лень — на Kaggle есть датасет 'Insects in Flight' с размеченными мухами, но комары меньше и быстрее. Пришлось дообучать на своих данных.

Шаг 2. Выбор модели: YOLOv12 vs NanoDet

На 2026 год YOLOv12 — стандарт индустрии для real-time детекции. Я взял версию Nano (1.8M параметров) — она работает на 30 FPS даже на Raspberry Pi 5. Но для точного прицеливания понадобилось больше: после тестов остановился на YOLOv12-Small (8M параметров). На моем ноутбуке с RTX 4060 она выдает 70 FPS. Альтернатива — NanoDet Plus, но его точность на мелких объектах ниже.

💡
Обучение проводил на kaggle-ноутбуке с Tesla T4, но финальную модель квантовал до INT8 через TensorRT. Это дало прирост скорости еще в 2 раза без потери качества. Если у вас скромное железо, советую прочитать гайд по избежанию ошибок при локальном запуске моделей — там про квантование и профилирование.

Шаг 3. Прицел и выстрел: как лазер попадает в цель

Модель выдает координаты центра комара в пикселях. Дальше нужна калибровка: перевести пиксели в углы поворота двух сервоприводов (pan/tilt). Я использовал библиотеку OpenCV 5.0 с калибровочными шахматными досками. После калибровки точность наведения — около 2 мм на расстоянии 30 см. Лазер — обычный 500mW 445nm модуль, запитанный через MOSFET от Arduino. Выстрел длится 200 мс — этого хватает, чтобы комар загорелся. Безопасность: лазер включается только при уверенной детекции (>0.9 confidence) и выключается, если объект исчез.

Шаг 4. Сборка железа

  • Камера: OV5640 с USB (или вот такая, с автофокусом).
  • Контроллер: Arduino Nano или ESP32 (у ESP32 Wi-Fi — удобно для мониторинга).
  • Сервоприводы: MG996R (металлические шестерни, выдерживают вес лазера).
  • Лазерный модуль: 500mW 445nm с драйвером.
  • Оптика: коллиматор для фокусировки пятна.

Весь проект умещается в корпус от 3D-принтера. Скетчи и STL-файлы — в моем GitHub (ссылку дам в комментариях, если статья зайдет).

Результаты: перестрелял 50 комаров за вечер

Первая версия убивала только неподвижных комаров на стене. После дообучения на аугментированных данных (повороты, размытие) научилась сбивать летящих — точность около 70%. Проблема: если комар быстро меняет направление, лазер не успевает. Решение — предсказание траектории (простая линейная экстраполяция по 3 кадрам).

Осторожно: лазер 500 mW может поджечь легковоспламеняющиеся материалы и временно ослепить. Не направляйте на людей, животных или блестящие поверхности. Проводите тесты в защитных очках.

Может ли DIY-сообщество повторить?

Да, при наличии 3D-принтера и базовых навыков пайки. Модель я выложил в ONNX формате — можно запустить на любом Python-устройстве. Для тех, кто хочет глубже разобраться в локальных агентах, советую обзор лучших агентов для локальных LLM — там есть инструменты, которые автоматизируют часть сборки. И не забывайте про безопасность промптов: статья про prompt injection актуальна и для CV-пайплайнов (например, чтобы злоумышленник не заставил лазер стрелять по лицу).

В итоге проект — отличный способ прокачать навыки компьютерного зрения, встраиваемых систем и просто эффектно хлопнуть дверью перед комарами. Конечно, практической пользы мало: проще купить фумигатор. Но если хочется почувствовать себя героем фантастического фильма — дерзайте. Главное, не промахнитесь по своему пальцу.

Подписаться на канал