Добавил запуск конвейера офлайн, убрал хвосты про сборку

docs/CONNECTOME.md

@@ -147,36 +147,6 @@ T4 получает вход из ON-пути, T5 — из OFF-пути; каж
 
 ---
 
-## 3.5. Атлас: те же клетки, видимые глазом
-
-Проверить, что архитектура действительно собрана из заявленных схем, можно не на
-словах. `tools/build_brain_atlas.py` берёт публичные выгрузки Codex (FAFB v783) и
-сводит их в атлас: положение сомы каждого нейрона и номер стадии FlyGuard, которой
-он соответствует. Привязка идёт по **имени типа клетки**, а не по догадке, и все
-типы находятся поимённо:
-
-| Тип | В коннектоме | Где используется |
-|---|---|---|
-| LC11 | 127 | `lobula.py` — кандидаты как компактные группы лучей |
-| LPLC2 | 210 | `medulla.py` — надвигание как дивергенция потока |
-| HS (HSE/HSN/HSS) | 6 | `medulla.py` — широкопольный поток |
-| VS1…VS8 | 16 | там же, вертикальный канал |
-| T4a–d / T5a–d | 6243 / 6002 | `medulla.py` — коррелятор Хассенштайна–Райхардта |
-| L1 / L2 | 3503 | `lamina.py` — каналы ON и OFF |
-| Клетки Кеньона | 5177 | `mushroom_body.py` — разрежённый код |
-| MBON | 96 | там же, выход памяти |
-| APL | 2 | там же, глобальное торможение |
-| EPG | 47 | `central_complex.py` — кольцевой аттрактор |
-| DNp01 | 2 | `descending.py` — гигантское волокно |
-
-Совпадение с литературой полное: LC11 около 110–130 клеток, HS по три на сторону,
-VS по восемь, APL и гигантское волокно — по одной на полушарие.
-
-Вид `brain_style: cloud` рисует эти 139 255 нейронов на их анатомических местах и
-подсвечивает активностью соответствующей стадии. Симуляции по-прежнему нет:
-коннектом даёт анатомию, конвейер даёт активность, вид накладывает одно на другое
-за 8 мс на кадр.
-
 ## 4. Источники
 
 * Dorkenwald S. и др. **Neuronal wiring diagram of an adult brain.** Nature, 2024 —

docs/EXPERIMENTS.md

@@ -339,7 +339,7 @@ numba являются ламина и оценка движения — вме
 | Кадров с тревогой | **9.4 %** | 17.2 % |
 | Посторонних тревог на кадр (полигон) | **0.055** | 0.171 |
 | Реальный объект на 55 м | 98.9 % | 98.9 % |
-| Задержка, медиана в контейнере | 32 мс | 33 мс |
+| Задержка, медиана | 32 мс | 33 мс |
 
 **Включено по умолчанию.** Размен здесь принципиально лучше, чем у разделения фигуры
 и фона (п. 9.4): там было вчетверо больше ложных за +29 % дальности, здесь — в 1.75

tools/run_pipeline.py

@@ -0,0 +1,80 @@
+"""Сквозной прогон конвейера по бэгу: решения, треки, тайминги.
+
+    python tools/run_pipeline.py --bag data/for_hackathon/doubleT_obstacle --verbose
+    python tools/run_pipeline.py --all --memory artifacts/mushroom_body.npz
+"""
+from __future__ import annotations
+
+import argparse
+
+import numpy as np
+
+import _bootstrap as B  # noqa: F401
+from flyguard.bag import Bag, find_bags
+from flyguard.mushroom_body import MushroomBody
+from flyguard.pipeline import FlyGuard, Params
+
+
+def run(bag_path, params: Params, memory, limit: int | None, verbose: bool) -> dict:
+    bag = Bag(bag_path)
+    fg = FlyGuard(params, memory=memory)
+    stages: dict[str, list[float]] = {}
+    n_det = n_frames = 0
+    dists, speeds, ncand = [], [], []
+
+    for _, pc in bag.frames(stop=limit):
+        res = fg.process(pc)
+        if res is None:
+            continue
+        n_frames += 1
+        for k, v in res.timings.items():
+            stages.setdefault(k, []).append(v)
+        ncand.append(len(res.candidates))
+        speeds.append(res.ego.speed if res.ego else 0.0)
+        d = res.decision
+        if d.detected:
+            n_det += 1
+            dists.append(d.distance)
+        if verbose and n_frames % 10 == 0:
+            obj = (f"{d.distance:6.1f} м conf={d.confidence:.2f} "
+                   f"{'ЭКСТРЕННО' if d.emergency else 'предупр.'}"
+                   if d.detected else "путь свободен")
+            print(f"  кадр {n_frames:4d} v={res.ego.speed*3.6:5.1f} км/ч "
+                  f"канд.={len(res.candidates):3d} треков={len(fg.cx.tracks):3d} | {obj} "
+                  f"| {res.total_ms:5.1f} мс")
+
+    tot = np.array([sum(v[i] for v in stages.values()) for i in range(n_frames)]) \
+        if n_frames else np.zeros(1)
+    res = dict(name=bag.path.name, frames=n_frames, det_rate=n_det / max(n_frames, 1),
+               p50=float(np.median(tot)), p95=float(np.percentile(tot, 95)),
+               cands=float(np.mean(ncand)) if ncand else 0.0,
+               v=float(np.median(speeds) * 3.6) if speeds else 0.0,
+               d_med=float(np.median(dists)) if dists else float("nan"))
+    print(f"{res['name']:40s} кадров {res['frames']:4d} | тревога в {res['det_rate']:6.1%} "
+          f"кадров (медиана {res['d_med']:6.1f} м) | канд./кадр {res['cands']:5.1f} | "
+          f"v={res['v']:5.1f} км/ч | {res['p50']:5.1f}/{res['p95']:5.1f} мс (p50/p95)")
+    if verbose:
+        for k in sorted(stages, key=lambda k: -np.median(stages[k])):
+            print(f"      {k:12s} {np.median(stages[k]):6.2f} мс")
+    return res
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__)
+    ap.add_argument("--bag")
+    ap.add_argument("--all", action="store_true")
+    ap.add_argument("--limit", type=int, default=150)
+    ap.add_argument("--memory", default=None)
+    ap.add_argument("--fov", type=float, default=30.0)
+    ap.add_argument("--verbose", action="store_true")
+    args = ap.parse_args()
+
+    memory = MushroomBody.load(args.memory) if args.memory else None
+    params = Params(fov_deg=args.fov)
+    bags = find_bags(B.DATA / "for_hackathon") if args.all else [args.bag]
+    for b in bags:
+        run(b, params, memory, args.limit, args.verbose)
+
+
+if __name__ == "__main__":
+    main()