Il problema
Dopo aver addestrato i modelli dietro SwishAI e RotoAI, avevo imparato la lezione che ogni praticante di Computer Vision impara nel modo peggiore: il collo di bottiglia non è quasi mai l'algoritmo. Sono i dati, immagini duplicate, label sovrapposte, nomi di classe che non coincidono tra le fonti, split che non reggono. E gli strumenti per sistemare tutto questo erano o cloud, o a pagamento, o una pila di script Python usa e getta.
Volevo un unico posto, in esecuzione interamente sulla mia macchina, dove poter guardare un dataset negli occhi prima di affidargli 48 ore di training. Niente upload, niente abbonamenti, nessun dato che lascia il computer, il che lo rende adatto anche ai dataset industriali sensibili che incontro nel mio lavoro.
Quattro moduli, un unico ciclo
Dataset Engine è organizzato in quattro moduli che chiudono l'intero ciclo della qualità del dato, dal vedere i tuoi dati, al misurarli, al combinarli, fino a migliorare attivamente il modello che ci hai addestrato sopra.
La parte di cui vado più fiero
L'Improver chiude quel ciclo di active learning che di solito richiede una piattaforma MLOps: testi il modello dove fallisce davvero, correggi esattamente quei frame in un editor stile Photoshop costruito su Konva, e li esporti direttamente nel fine-tuning successivo. Trasforma «il mio modello perde la palla in controluce» da un'alzata di spalle a una correzione da 15 minuti.
Sotto il cofano c'è un backend FastAPI che fa il lavoro pesante, inferenza Ultralytics, estrazione frame con OpenCV, gestione dei dataset YAML, con un frontend React + Vite abbastanza veloce da sfogliare migliaia di immagini locali senza mai sembrare una web app.
