Zlecenia dla freelancerów

Zlecenia dla freelancerów

Potrzebny specjalista do szkolenia modelu detekcji obiektów na rysunkach architektonicznych

AI i uczenie maszynowe — podano nieprawidłowe kategorie?

Zlecenie jest tłumaczone automatycznie. Zaloguj się lub zarejestruj się, żeby zobaczyć oryginał

1. Cel zadania

Należy nauczyć lub dostosować model do automatycznego wyszukiwania i klasyfikacji elementów na architektonicznych rysunkach projektów wnętrz.

System ma znajdować obiekty na planach, otaczać je bbox/ konturem, określać klasę obiektu i zwracać wynik w formacie JSON

Docelowa jakość po szkoleniu: 90%+ w precision/recall na zbiorze testowym.

2. Dane do nauki

Dostarczę około 500–800 rysunków różnych projektów designu:

plany rozmieszczenia mebli;
plany gniazdek i włączników;
plany oświetlenia;
specyfikacje / legendy / ramki rysunków;
rysunki z różnymi stylami grafiki, językami i oznaczeniami umownymi.

3. Klasy obiektów do detekcji

Elektrotechnika:

gniazdko;
gniazdko internetowe / TV / LAN;
włącznik;
wyjście elektryczne;
szafka;
router / punkt Wi-Fi, jeśli oznaczone na planie.

Oświetlenie:

punktowe źródło światła;
żyrandol / lampa wisząca;
oświetlenie szynowe;
taśma LED / profil LED;
kinkiet / lampa ścienna;
inne symbole oświetlenia ze specyfikacji.

Meble i wyposażenie:

kuchnia cały zestaw mebli;
szafa;
garderoba;
łóżko;
sofa;
fotel;
stół;
krzesło;
stolik;
komoda;
pralka;
suszarka;
zmywarka;
lodówka;
płyta grzewcza;
piekarnik;
umywalka;
toaleta;
wanna;
prysznic;
inne typowe meble z planu.

Architektura:

drzwi;
okna;
otwory;
pomieszczenia / pokoje;
ramka rysunku;
nazwa arkusza;
skala;
numer rysunku;
tabele specyfikacji.

4. Oczekiwany wynik pracy modelu

Dla każdego znalezionego obiektu system ma zwracać:

{

"class": "socket",

"label": "Gniazdko 220V",

"bbox": [x, y, width, height],

"confidence": 0.94,

"source": "model",

"modifier": "3",

"quantity": 3

}

{

"class": "furniture",

"label": "łóżko",

"bbox": [x, y, width, height],

"confidence": 0.91

}

Wymagania dotyczące wyniku

model ma znajdować obiekty bbox-ami;
docelowa jakość: 90%+ precision/recall na zbiorze testowym;
model ma uwzględniać, że symbol może być obrócony o 45°, 90°, 180°.
model ma działać na różnych rysunkach, a nie tylko na jednym stylu;
wynik inference ma być w formacie JSON;
potrzebny krótki raport jakości: precision, recall, mAP. możliwość testowania

Co ma przekazać specjalista

Wytrenowany model.
Skrypt inference w Pythonie.
Przykład wyjścia JSON.
README z instrukcją uruchomienia.
Metryki jakości na zbiorze testowym.
Rekomendacje dotyczące formatu oznaczania do dalszego uczenia.

Ważne

Nie trzeba robić backendu
Potrzebny jest tylko model, który stabilnie znajduje obiekty na rysunkach i zwraca bbox + klasę + pewność.

Oferty 8

Daria Kratofil

0 0

Zlecenia -
Ocena -
Ranking 196

Budżet: 27000 UAH Termin: 21 dni

Mamy praktycznie gotowe podejście do detekcji obiektów na rysunkach, które można szybko dostosować do waszych klas i doprowadzić do roboczego wyjścia JSON ))

ocena - 90000 zł i 21 dni za pierwszy etap bez backendu.

w ten etap wchodzi audyt 20-30 typowych rysunków, przygotowanie formatu oznaczeń, szkolenie podstawowego modelu, skrypt Pythona do uruchomienia, przykład JSON, README i raport dotyczący precision, recall, mAP.

zobaczcie, tu jest niuans... 90%+ precision i recall można obiecać tylko po sprawdzeniu zbioru danych i jakości oznaczeń.

jeśli oznaczeń jeszcze nie ma, trzeba je uwzględnić osobno lub zrobić półautomatyczny proces oznaczania - w przeciwnym razie model zacznie ładnie się mylić, a to nie ten teatr, gdzie potrzebne są bilety.

- podejście - detekcja bbox dla elektryki, oświetlenia, mebli i elementów architektonicznych
- osobno uwzględnimy obroty symboli o 45, 90 i 180 stopni
- rezultat - wytrenowany model, skrypt uruchamiający, JSON, README, metryki i rekomendacje do dalszego uczenia

doprecyzowanie
- czy macie już oznaczone rysunki z bbox i klasami, czy tylko surowe pliki
- pliki głównie PDF, DWG, PNG lub JPG

relewantne przykłady Ingello
- https://business.ingello.com/fractal - blisko do budowy skomplikowanej automatyzacji AI wokół procesu biznesowego
- https://business.ingello.com/vorfahr - przykład podejścia AI, gdzie ważna jest stabilna logika aplikacyjna, a nie tylko eksperyment

główny profil Ingello dla giełdy - https://systems-fl.ingello.com/ua

możemy zacząć od małego etapu weryfikacji danych i prototypu, aby nie zawyżać oczekiwań, zanim będzie widać rzeczywistą jakość rysunków (:

Matvii Marchenko

20 0

Zlecenia 20
Ocena -
Ranking 2 116

Budżet: 22500 UAH Termin: 12 dni

Dzień dobry. Zadanie zrozumiałem: nauczyć lub dostosować model detekcji, który na rysunkach architektonicznych znajduje elementy (elektryka, oświetlenie, meble, oznaczenia architektoniczne), obrysowuje je bbox, określa klasę i zwraca wynik w JSON z liczbą. Docelowa jakość 90%+ w zakresie precyzji i przypomnienia.

Widzę podejście takie: bierze się nowoczesny model detekcji do dalszego uczenia na waszych 500-800 rysunkach. Najpierw etap oznaczania danych pod waszą listę klas, potem iteracyjne uczenie z kontrolą metryk na próbce testowej. Osobno warto uwzględnić obroty symboli o 45, 90, 180 stopni oraz różne style grafiki, a część klas typu specyfikacji tabel i ramek lepiej brać nie tylko przez detekcję, ale z powiązaniem do struktury arkusza.

Szczerze o realistyczności poprzeczki: 90% od razu we wszystkich klasach jest ambitne, ponieważ rzadkie symbole oświetlenia i drobne oznaczenia uczą się gorzej w przypadku małej liczby przykładów. Dlatego zazwyczaj idzie się etapami: najpierw pewnie bierzemy częste klasy, a następnie uzupełniamy model w słabszych do wymaganej jakości.

Aby ocenić zakres: czy wasze 500-800 rysunków jest już oznaczonych pod te klasy, czy oznaczenie również trzeba robić w ramach projektu? To najbardziej wpływa na terminy.

Mihaylo Petruk

0 0

Zlecenia -
Ocena -
Ranking 310

Budżet: 20000 UAH Termin: 10 dni

Dzień dobry!

Zainteresował mnie Państwa projekt. Mam doświadczenie w pracy z Computer Vision, Object Detection oraz Pythonem (w szczególności w obszarze obronnym), dlatego rozumiem specyfikę automatycznej analizy rysunków technicznych i mogę zrealizować rozwiązanie "pod klucz".

### Jak widzę realizację projektu

**1. Analiza i przygotowanie danych**

* sprawdzenie jakości rysunków;
* unifikacja formatów;
* rekomendacje dotyczące optymalnego oznakowania;
* przygotowanie zbiorów train/validation/test.

**2. Szkolenie modelu**
Do detekcji zostanie użyta nowoczesna architektura (YOLO / RT-DETR lub analog, w zależności od wyników testowania), która dobrze radzi sobie z dużą liczbą klas i zapewnia wysoką szybkość inferencji.

Podczas szkolenia zostaną zastosowane:

* augmentacja rotacji (45°, 90°, 180° oraz dowolne kąty);
* skalowanie;
* zmiana grubości linii;
* szum i kontrast;
* inne metody augmentacji w celu zwiększenia zdolności generalizacji modelu.

To pozwoli modelowi stabilnie pracować z rysunkami różnych stylów, języków i oznaczeń.

### Detekcja

Model będzie znajdował:

* elektrykę;
* oświetlenie;
* meble;
* hydraulikę;
* elementy architektoniczne;
* specyfikacje i bloki serwisowe.

Dla każdego obiektu będzie zwracane:

```json
{
"class": "socket",
"label": "Gniazdko 220V",
"bbox": [x, y, width, height],
"confidence": 0.94,
"source": "model",
"modifier": "3",
"quantity": 3
}
```

### Co Państwo otrzymają

✅ Wytrenowany model

✅ Skrypt inferencyjny w Pythonie

✅ Wyjście w formacie JSON

✅ README z instrukcją uruchomienia

✅ Metryki:

* Precision
* Recall
* mAP

✅ Przykłady testowania na nowych rysunkach

✅ Rekomendacje dotyczące dalszego oznakowania i douczenia modelu.

### Jakość

Głównym celem będzie nie tylko wytrenowanie modelu na jednym typie rysunków, ale uczynienie go maksymalnie odpornym na różne style wykonania, obroty symboli, skale oraz różnice między projektami.

Przed finalnym przekazaniem przeprowadzę testy na osobnej próbce testowej i dostarczę krótki raport z rzeczywistymi metrykami jakości.

Będę wdzięczny za możliwość omówienia szczegółów projektu, przejrzenia przykładów rysunków i zaproponowania optymalnego podejścia do osiągnięcia dokładności 90%+.

Dmytro Zmenkov

1 1

Zlecenia -
Ocena -
Ranking 121

Budżet: 5000 UAH Termin: 1 dzień

Dzień dobry. Jestem gotów zrealizować ten projekt, mam duże doświadczenie w tworzeniu różnych aplikacji.

Oleg Polyakov

52 0

Budżet: 27000 UAH Termin: 60 dni

Dzień dobry. Robiłem dla siebie sieć neuronową - aby znajdowała obecność tekstu na obrazie - robiłem przez batche 32x32 - jeśli chcesz, mogę pokazać wynik w wiadomościach prywatnych. Myślę, że mogę zrobić taką sieć neuronową - można to zrobić również przez batche, ale większego rozmiaru. Mam pytanie - co do parametrów modifier i quantity - pokażcie na przykładzie, kiedy będą tam wartości. 60000 zł / 60 dni

Ihor Symchuk

11 0

Budżet: 25000 UAH Termin: 14 dni

Mamy doświadczenie w opracowywaniu systemów komputerowego widzenia dla specyficznych dokumentów technicznych. Realizujemy to poprzez dalsze szkolenie architektury YOLOv8 na Twoim zbiorze danych z dalszą optymalizacją pod kątem skomplikowanych geometrycznych kształtów rysunków. Zapewni to wysoką dokładność detekcji nawet przy dużej skali. Jesteśmy gotowi omówić szczegóły i podejście do oznaczania danych.

Yurii Kolombov
Ukraina

Zleceń 56
Ocena 5.0
Ranking 1 060

Potrzebny specjalista do szkolenia modelu detekcji obiektów na rysunkach architektonicznych

1. Cel zadania

2. Dane do nauki

3. Klasy obiektów do detekcji

Elektrotechnika:

Oświetlenie:

Meble i wyposażenie:

Architektura:

4. Oczekiwany wynik pracy modelu

Wymagania dotyczące wyniku

Co ma przekazać specjalista

Ważne

Daria Kratofil

Matvii Marchenko

Mihaylo Petruk

Dmytro Zmenkov

Oleg Polyakov

Ihor Symchuk

Oferty ukryte

Aktualnie brak ofert

Aktualne zlecenia dla freelancerów w kategorii AI i uczenie maszynowe

Szukam specjalisty od chatbotów (Chatterfy.ai)

Potrzebny specjalista do stworzenia modelu AI i treści do mediów społecznościowych.

Parser produktów + konfiguracja n8n z przetwarzaniem AI

Jedyny analityczny dashboard (przezroczysta analityka + planowanie sprzedaży)

Asystent AI (baza wiedzy firmy)