Oleksander Zaitsev
Zaproponuj Oleksander pracę nad swoim kolejnym zleceniem.
Prywatna wiadomość
Zaproponuj zlecenie
Kijów,
Ukraina
24 dni 23 godziny temu
częściowo zajęty
w Serwisie 3 lata
Ranking
Zakończonych zleceń
Średnia ocena
Umiejętności i kwalifikacje
Programowanie
Design i sztuka
Portfolio
-
Analizator emocji
AI i uczenie maszynowe
Emocjonalny marketing dla detalicznej sprzedaży, usług i innych. Szkolenie przeprowadzono na znanym zbiorze danych Expression in-the-Wild (ExpW). Liczba klas - 7. Całkowita liczba obrazów 91793. Szkolenie odbywało się na Google Colaboratory z wykorzystaniem biblioteki. Architektura modelu - YOLO11; Inferencja zrealizowana w dwóch wariantach w Pythonie z wykorzystaniem biblioteki Ultralytics oraz w C++ z wykorzystaniem TensorRT dla kart graficznych NVIDIA oraz dla mini komputerów NVIDIA Jetson Nano. Do realizacji wykorzystuje się dwa modele. Pierwszy - to inferencja twarzy, drugi inferencja emocji, dla modeli NVIDIA YOLO skonwertowanych na silniki engine. Ultralytics.
-
System treningowy ujemnego sprzężenia zwrotnego NFTS
AI i uczenie maszynowe
Zastosowanie.
Zastosowuje się w strzeleckich kompleksach szkoleniowo-treningowych jako autonomiczne narzędzie strzeleckie, które samodzielnie podejmuje decyzję o wykonaniu strzału. Naprowadzanie i podejmowanie decyzji odbywa się na algorytmach komputerowego widzenia z wykorzystaniem wcześniej wytrenowanego modelu neuronowego.
Kryteria.
Podstawowym kryterium podejmowania decyzji o strzale jest ocena pozycji strzelca (kursanta). Ocena pozycji to zadanie, które polega na określeniu miejsca położenia określonych punktów na obrazie, tak zwanych punktów kluczowych.
… Punkty kluczowe mogą reprezentować różne części ciała człowieka, takie jak stawy, kończyny lub inne charakterystyczne cechy.
Wynikiem modelu oceny pozycji jest zestaw punktów, które reprezentują punkty kluczowe obiektu na obrazie, wraz z ocenami wiarygodności dla każdego punktu.
Ocena pozycji to wybór, kiedy trzeba określić konkretne części obiektu i ich położenie.
Tryb pracy.
Przy określaniu przez system pozycji strzelca (kursanta), jako osoby strzelającej, system rozpoczyna odliczanie czasu, ustalone przez operatora, od 1 do 15 sekund.
Po upływie czasu, jeśli strzelec (kursant) nie zmienił miejsca położenia, system określa środek obiektu w osi X, wykonuje celowanie i strzał. Jeśli strzelec (kursant) zmienił miejsce położenia przed ustalonym przez operatora czasem, odliczanie zostaje anulowane, a system przechodzi w tryb oczekiwania.
Rozwiązanie techniczne.
Do szkolenia modelu oceny pozycji wykorzystano bazowy model yolov8-pose, plik wideo ze strzelcami oraz wcześniej wygenerowany plik z punktami kontrolnymi. Szkolenie odbywało się na procesorze graficznym NVIDIA w Pythonie, biblioteka Ultralytics. Do wykorzystania wytrenowanego modelu na mikrokontrolerze NVIDIA Jetson lub na komputerze z kartą graficzną #NVIDIA plik modelu #YOLO został skonwertowany do pliku typu tensorrt. Inferencja odbywa się za pomocą bibliotek #OpenCV, #CUDA C++.
położenia jeden względem drugiego.
-
Projekt RH-1
C i C++
Opracowanie systemów sterowania za pomocą urządzeń robotowych
#OpenCV
Używanie mini-komutera #NVIDIA Jetson Nano lub RPi.
Język programowania C++, biblioteka #OpenCV cv v.4
… Urządzenie jest jakikolwiek manipulatorem. Wiadomość WiFi lub BlueTooth.
Aktywność
| Ostatnie oferty 1 | Budżet | Dodana | Terminy | Oferta | |
|---|---|---|---|---|---|
|
CUDA
41 PLN
|
