Skip to content

CHANGELOG.md

Latest commit

 

History

History
120 lines (89 loc) · 3.92 KB

CHANGELOG.md

File metadata and controls

120 lines (89 loc) · 3.92 KB
Raw

Changelog

Todos los cambios notables en este proyecto se documentan en este archivo.

El formato está basado en Keep a Changelog, y este proyecto adhiere a Semantic Versioning.

[1.3.0] - 2026-05-03

Added

  • Dashboard Streamlit con actualización fragmentada (@st.fragment)
  • Tres niveles de refresco independientes en dashboard:
    • FAST_REFRESH: Estado/KPIs (60 s)
    • STATS_REFRESH: Estadísticas del pipeline (120 s)
    • DASHBOARD_REFRESH: Gráficos de análisis (300 s)
  • Variables de entorno para configurar refresh rates del dashboard
  • Soporte para múltiples días de fallback en dashboard

Changed

  • Dashboard refactorizado con mejor rendimiento y separación de concerns

Fixed

  • Corrección en colecta de metadatos en realtime_dashboard.py

[1.2.1] - 2026-04-30

Added

  • Política de versionado documentada en CLAUDE.md

Changed

  • Actualización general del sistema de realtime_dashboard

[1.2.0] - 2026-04-28

Added

  • Sistema completo de reconocimiento vehicular integrado

Changed

  • Refactorización de dashboard realtime_dashboard

[1.0.1] - 2026-04-27

Added

  • Validación vehicular idempotente por planta y día
  • Detección con YOLOv8m (auto, moto, bus, camión)
  • Generación de JSONL estructurado con metadata de detección
  • Dibujo de bounding boxes sobre imágenes

Changed

  • validate_vehiculos.py ahora es idempotente (reanuda desde último checkpoint)
  • Reescritura de rutas JSONL a metadata/capturas/YYYY/MM/DD/{Planta}/
  • Integración de subida multipart con buffer de 5 MB

Fixed

  • Corrección de ubicación JSONL en S3

[1.0.0] - 2025-12-15

Added

  • Sistema asíncrono de captura CCTV desde 14 cámaras IP
  • Compresión JPEG + eliminación de EXIF en paralelo
  • Deduplicación MD5 para evitar duplicados consecutivos
  • Cola productor-consumidor para desacoplar captura/subida
  • Subida a S3 con configuración INTELLIGENT_TIERING
  • Metricas periódicas (cada 5 minutos) con estadísticas de compresión
  • Control de horarios por planta (lun-sáb; domingos suspendido)
  • Margen previo de 20 minutos antes de apertura de planta
  • Shutdown limpio con drenaje de cola (hasta 5 minutos)
  • Resiliencia: 5 reintentos con espera de 2.5s entre intentos
  • Pausa de 10 minutos tras 10 errores consecutivos en una cámara
  • Soporte para uvloop en Linux (fallback a asyncio en Windows)
  • Logging con logger flujo-prt y prefijos informativos
  • Verificación de credenciales AWS antes de iniciar
  • Metadata EC2 vía IMDS v2 (best-effort)

Architecture

  • asyncio + aiohttp: Captura no-bloqueante
  • asyncio.Queue: Productor-consumidor desacoplado
  • asyncio.Semaphore: Control de descargas simultaneas
  • ThreadPoolExecutor: Compresión JPEG CPU-bound
  • aioboto3: Subida S3 asíncrona

Configuration

  • 14 cámaras monitoreadas en 3 regiones de Chile
  • Horarios por planta (lunes-viernes y sábados diferenciados)
  • Almacenamiento: s3://flujo-prt-imagenes/capturas/YYYY/MM/DD/{Planta}/

Historial Completo (sin Semantic Versioning)

[Pre_VehicleRecognition_AI]

  • Agregada guía de despliegue AWS (DEPLOY_AWS.md)
  • Remoción de permisos S3 legacy

Cambios anteriores a versionado

  • Implementación repository Vehicle Recognition AI
  • Creación de tests unitarios
  • Integración dashboard Streamlit
  • Eliminación de módulo Timelapse (commits 4cc98fe, 5ac0c72)
  • Consolidación de ImageRecompiler + MetadataIngestor
  • Optimización S3 download con resilencia y throttling
  • Implementación horarios por planta
  • Optimizaciones de recursos en EC2

Notas

  • Versionado centralizado: Desde 1.3.0 todos los módulos deben usar la misma versión.
  • Cambios arquitectónicos mayores: Eliminación de timelapse (commits 4cc98fe, 5ac0c72) fue deliberada.
  • Compatibilidad: Sistema requiere Python 3.9+, aiohttp 3.9.2+, y ultralytics>=8.0 para reconocimiento vehicular.