1Aspect1

Нет. К сожалению.
Хотя наверное можно просто сделать меньше базу и оставить только людей и животных и тогда на расбе получится +пара фпс

Да может. Мобильные телефоны используют уже обученные модели для коррекции лиц.

Поскольку речь идет уже об обученной модели - то от нее много не потребуется. Кроме того
в задачах работы с графикой всегда есть большая фора - разрешение картики. Если ее регулировать
то можно даже слабую конфигурацию заставить работать но она будет работать с разрешением 320х240
хотя и будет терять лица которые слишком далеко отошли от камеры.

Если нужна возможность определять предмет перед нейронкой с платы rapsberry надо самому обучать нейросеть на минимальное кол-во предметов, снижать разрешение до 100 на 100, а лучше до 50 на 50, и тогда может выйдет получить хорошую и стабильную производительность. Очевидно качество при такой работает страдает, может иногда не распознавать, но в целом работает такое хорошо. Yolo на рапсберри работать не будет

Вопрос в том, как сделать, чтобы, как только камера увидит излом - сразу отправлять фото в бд

В целом хранить картики/файлы в БД обычно не имеет смысла, логичнее помещать картинки на диск а в бд хранить путь/найден ли был дефект/дату и т.д. и потом по запросу можно будет получить выборку почему плохо хранить файлы в бд

Для отправки данных с камеры в базу данных в Python, вы можете использовать следующий подход:

1. Получите данные с камеры: Используйте библиотеку OpenCV для получения данных с камеры. Вы можете использовать метод cv2.VideoCapture() для получения кадров с камеры.
   
2. Подключитесь к базе данных: Используйте библиотеку Python для работы с базами данных, такую как sqlite3 или pymysql. Вы можете использовать метод connect() для подключения к базе данных и создания объекта подключения.
   
3. Создайте таблицу в базе данных: Используйте SQL-запросы для создания таблицы в базе данных. Например, если вы используете SQLite, то можете создать таблицу следующим образом
   

import sqlite3

conn = sqlite3.connect('database.db')
c = conn.cursor()

c.execute('''CREATE TABLE frames
             (frame BLOB)''')

Вставьте данные в таблицу: Используйте SQL-запросы для вставки данных в таблицу. Например, если вы используете SQLite, то можете вставить данные следующим образом:

import sqlite3

conn = sqlite3.connect('database.db')
c = conn.cursor()

frame_data = # полученные данные с камеры
c.execute("INSERT INTO frames VALUES (?)", (frame_data,))

Закройте соединение с базой данных: Используйте метод commit() для сохранения изменений в базе данных, а затем метод close() для закрытия соединения.

import sqlite3

conn = sqlite3.connect('database.db')
c = conn.cursor()

frame_data = # полученные данные с камеры
c.execute("INSERT INTO frames VALUES (?)", (frame_data,))
conn.commit()

conn.close()

Это основной подход к отправке данных с камеры в базу данных в Python. Однако, конечный результат может отличаться в зависимости от ваших требований и используемой базы данных.

1. Данные, данные и ещё раз данные. У тебя есть выборка на несколько тысяч (а лучше десятков тысяч) дефектов? А выборка "приемлемо чистых", т.е. с незначительными дефектами?
2. Допуски. Сколько допустимо пропущенных дефектов? На 100% даже не надейся, 90% уже будет подвигом. Аналогично, сколько допустимо "ложных тревог"?
3. Как обеспечить условия съёмки? Какую предобработку изображения делать? Что за данные в итоге будет получать модель, которую ты будешь использовать? На эти вопросы нужно ответить. Кривые данные на входе - и ни одна ML модель не справится.
4. Эксперименты с моделями на тему "кто лучше". Подбор гиперпараметров модели.

Ну и просто для представления, что за жесть внедрение CV на производстве.
Тоссим руду: очень неочевидная ИТ-задача
Что случается с металлоломом и зачем там хардкорное ИТ

Короче, про "кратчайшие сроки" лучше забыть, имхо.

Если б мне поставили такую задачу, я бы уволился нафиг взял бы python-opencv для получения и предварительной обработки изображений, и tensorflow, если бы остановился в итоге на нейронках для анализа. Но это только потому что я другими инструментами не владею. =(

Ну и да, про "не углубляться в теорию" и "скопипастить половину кода" тоже забудь. С таким настроем лучше сразу на фриланс.

Смотреть следует в сторону CV2/OpenCV.

Вообще насколько это реальная задача, чтобы камера максимально точно обучилась это определять.

В теории - возможно, но все упирается в качество снимков и количество примеров поломок, которые вы сможете скормить нейросети.

Нужно в первую очередь определиться с камерой, методами измерений, чтобы получить наиболее контрастное и четкое изображение изломов и дефектов.
Применение нейросетей (если они вообще в этой задаче после этого понадобятся) - уже дело второе...

Тот, который Вы лучше знаете

В контексте самого HTML/JS - никакого.
Но вообще, это список зависимостей для какого-то установщика/сборщика.

По слухам в 21-м году производство одного Яндекс.Ровера обходитлось больше, чем в миллион.

Себестоимость железки навскидку тыщ в 500 уложится. Но это ерунда в масштабе всего проекта.
По факту там годы разработок и сотня неудачных прототипов.
Основное это инфраструктура, ПО робота, ПО для операторов, сервера для управления и обработки данных, зарплата всего коллектива проекта.

Я бы ориентировался примерно на 500к, ибо один только лидар может стоить 200к, если не больше.

Но так как яндекс сам для себя их (роботов и лидары) производит - только яндекс знает, во сколько они ему обходятся.

+ В цену надо ещё закладывать труд разработчиков, их доля в цене будет не маленькая, тк серия не очень большая.

Он не продаётся. Но можете поискть стоимость других роботов. Работают на складах.
https://nissa-eng.ru/

У того, что нельзя купить, цены нет.