Описание товара Образовательный набор «ИИ-питомник для животных и растений» М1 ЙоТик 32

Образовательный набор «ИИ-питомник для животных и растений» М1 ЙоТик 32 предназначен для изучения базовых концепций искусственного интеллекта (AI), технологий компьютерного зрения и автоматизации в сфере растениеводства и животноводства. Комплект является важным элементом оснащения школьных IT- и агроклассов.

Набор помогает развивать навыки обучения нейросетей, программирования, конструирования и проектирования автоматизированных систем. Процесс работы нагляден: камера фиксирует фигурки животных, обученная модель распознает их, а контроллер «ЙоТик 32» управляет исполнительными механизмами — например, меняет цвет RGB-подсветки или открывает калитку с сервоприводом. Благодаря этому учащиеся осваивают всю технологическую цепочку: объект → камера → распознавание → команда → действие. Возможность подключения дополнительных датчиков и исполнительных устройств позволяет масштабировать проекты, расширяя знания школьников в области ИИ и интернета вещей (IoT). Комплект поддерживает программирование как в блочной, так и в текстовой средах (MGBot AI и IoTik Studio), что обеспечивает сквозное обучение кодированию — от начального до продвинутого уровня.

Решаемые учебные задачи:

1. Сборка, программирование и управление робототехнической системой:

• Распознавание объектов с помощью камеры MGB-CAM и контроллера «ЙоТик 32».


• Графическая и текстовая визуализация данных, а также мониторинг текущего состояния питомника.


• Настройка цвета и яркости встроенной RGB-подсветки.


• Управление калиткой с помощью сервопривода.


• Настройка оповещений о внештатных ситуациях (ошибки распознавания, низкий уровень уверенности модели и др.).


• Сбор данных с лазерного датчика расстояния и их интеграция в алгоритмы автоматического управления питомником.

2. Создание собственных алгоритмов питомника и систем управления, которые задают условия и фиксируют данные:

• Распознавание объектов (животных и растений).


• Изучение уверенности предсказания системы (confidence).


• Настройка порогов принятия решения и разбор ложных срабатываний.


• Проверка устойчивости модели к изменению ракурса, масштаба, фона и освещения.


• Учет расстояния до объекта с помощью датчика расстояния.


• Сравнение подходов к созданию моделей YOLO и FOMO.


• Разбор архитектур локального и серверного AI.

3. Исследование и обучение моделей компьютерного зрения:

• Демонстрация камере знакомых моделей-фигурок и наблюдение за результатами распознавания.


• Проверка причин, почему ИИ ошибается: изменение расстояния, ракурса, положения в кадре, освещения, фона или частичное закрытие объекта.


• Обучение собственных моделей: сбор изображений, распределение их по классам и проверка модели на новых примерах.


• Формирование размеченного датасета, обучение модели компьютерного зрения и проведение инференса на изображениях с MGB-CAM.


• Проведение инженерных испытаний: сравнение результатов опытов, поиск причин ошибок и улучшение работы системы.