Budżet: 1500 USD Termin: 30 dni
Specjalizuję się w computer vision. Mam duże doświadczenie w rozwiązywaniu różnych zadań. Zainteresował mnie Państwa projekt. Proszę o podanie szczegółów, a jeszcze lepiej przykładu dla lepszego zrozumienia i stworzenia prototypu.
Budżet: 1200 USD Termin: 7 dni
Dzień dobry, Mar!
Rozwój komputerowego widzenia i przetwarzanie danych to skomplikowany proces, który wymaga głębokiej wiedzy i doświadczenia. Posiadam umiejętności w Pythonie, PyTorch oraz klasycznych podstawach komputerowego widzenia, które pomogą Ci stworzyć efektywny system do weryfikacji obrazów przemysłowych.
Rozumiem, że Twoim zadaniem jest zbudowanie systemu, który porównuje duże ilości obrazów z danymi strukturalnymi. Ważne jest uwzględnienie specyfiki przetwarzania 16-bitowych obrazów naukowych oraz tworzenie niezawodnych modeli do wykrywania anomalii.
Aby zaproponować konkretny plan działania, należy przeprowadzić wstępną analizę Twojego projektu. Proponuję omówić:
1. Jakie dane już posiadasz do szkolenia modeli?
2. Jakie konkretne zadania chcesz rozwiązać na pierwszym etapie?
3. Jakie są wymagania dotyczące wdrożenia systemu: lokalne czy na krawędzi?
Wstępny koszt moich usług to od 400$ miesięcznie. W zależności od złożoności zadania, wyniki mogą pojawić się w ciągu 2-8 miesięcy.
W profilu znajdziesz przykłady moich prac, które pokazują udane przypadki w podobnych projektach.
Proponuję przejść do omówienia szczegółów Twojego projektu w prywatnych wiadomościach, aby dokładnie rozważyć Twoje cele i plan działania.
Budżet: 700 USD Termin: 13 dni
dopasowywanie obrazów skanów 16-bitowych do rekordów w bazie danych jest zawsze trudne, ponieważ standardowe struktury oczekują 8-bitowego rgb, a naiwne skalowanie psuje kontrast na defektach przemysłowych. miałem już ten przypadek wcześniej. partycjonowanie postgres według miesiąca wymaga niestandardowego przetwarzania zapytań dla pgvector, ponieważ partycjonowane tabele nie obsługują globalnych indeksów wektorowych od razu.
import cv2
import numpy as np
img = cv2.imread(path, cv2.IMREAD_UNCHANGED)
low, high = np.percentile(img, [1, 99])
img_scaled = np.clip((img - low) / (high - low) * 255, 0, 255).astype(np.uint8)
img_rgb = cv2.cvtColor(img_scaled, cv2.COLOR_GRAY2RGB)
mój plan:
najpierw ustawiamy pipeline wstępnego przetwarzania i lokalną analizę przy użyciu duckdb.
po drugie, trenujemy model wykrywania anomalii z backbone'ami timm i logujemy do mlflow.
po trzecie, wdrażamy pracownika fastapi z pgvector i przeprowadzamy walidacje.
daj mi znać, jeśli masz pytania
Budżet: 700 USD Termin: 4 dni
Witam, znajduję się w TOP 10 freelancerów platformy, takie projekty już realizowałem, zrobię szybko, jakościowo i niedrogo.
Budżet: 2000 USD Termin: 15 dni
Dzień dobry. Mogę zająć się tym projektem.
Mam silne doświadczenie w Pythonie, PyTorch, OpenCV, ML/CV, PostgreSQL oraz budowie pełnych pipeline'ów — od przetwarzania danych i uczenia modeli po API i wdrażanie. Stos i postawione zadania są zrozumiałe.
Jestem gotów omówić szczegóły.
Budżet: 20000 USD Termin: 21 dni
Widziałem ten projekt i chcę być szczery: moje główne doświadczenie to praca fullstack w TypeScript i Node.js, a nie Python czy ML. Mimo to, myślę, że istnieje realny powód, dla którego mogę tutaj wnieść wkład.
PostgreSQL to coś, z czego korzystam na co dzień, w tym projektowanie schematów i praca z uporządkowanymi rekordami, więc strona warstwy danych tego pipeline'u wydaje się naturalna. Zbudowałem przepływy wprowadzania danych i pipeline'y funkcji po stronie backendu, i rozumiem, jak wygląda czysta, łatwa w utrzymaniu architektura pipeline'u, niezależnie od języka. Składnia Pythona 3.11 nie jest dla mnie przeszkodą, a pracowałem wystarczająco z obsługą danych w stylu NumPy, aby nadrobić zaległości w zakresie wstępnego przetwarzania CV.
Gdzie szczerze mówiąc mam mniej doświadczenia, to głębokie dostrajanie PyTorch. Znam koncepcje związane z modelami wizji i wykrywaniem anomalii, ale nie trenowałem modeli na dużą skalę komercyjnie. Jeśli rola pozwala na rozwój w tej dziedzinie, jednocześnie mocno przyczyniając się do inżynierii danych, serwowania API (FastAPI jest wystarczająco bliskie wzorcom NestJS) i strony Postgres/pgvector, myślę, że moglibyśmy to zrealizować.
Chętnie porozmawiam o szczegółach i pozwolę Ci ocenić dopasowanie.
Budżet: 100 USD Termin: 1 dzień
Witaj. Nazywam się Aleksiej, reprezentuję grupę deweloperów – NC-1. Od ponad pięciu lat tworzymy strony internetowe, aplikacje mobilne, systemy ERP/CRM, a także złożone produkty z wykorzystaniem sztucznej inteligencji, uczenia maszynowego i widzenia komputerowego (AI / ML / Computer Vision).
W naszej drużynie jest programista Python, senior z niezbędnym doświadczeniem i wiedzą.
Jego stos technologiczny: Python, PyTorch, OpenCV, scikit-image, scikit-learn, FastAPI, PostgreSQL (pgvector), Pandas, NumPy, DuckDB, Parquet, MLflow, DVC, Prefect, Redis, Docker.
Stawka za godzinę - 24 USD (może być niższa, jeśli programista będzie w pełni obciążony).
Doświadczenie w komercyjnej produkcji - ponad 5 lat.
Przemysłowe widzenie komputerowe (Wykrywanie anomalii): Opracował i wdrożył pipeline widzenia komputerowego (PyTorch, OpenCV) do analizy przemysłowych skanów 16-bitowych. Uczył modele do wykrywania anomalii i niezgodności z wykorzystaniem uczenia samonadzorowanego (self-supervised learning).
MLOps i wersjonowanie danych: „Samodzielnie zbudowałem cały pipeline ML: skonfigurowałem wersjonowanie zbiorów danych z obrazami przez DVC, logowałem eksperymenty w MLflow i zrealizowałem orkiestrację strumieni danych za pomocą Prefect.
Zaawansowana praca z danymi: Optymalizowałem przechowywanie wyodrębnionych cech (features) z wykorzystaniem tabel Parquet i analizowałem je przez DuckDB. Skonfigurowałem wyszukiwanie wektorowe w PostgreSQL za pomocą pgvector do porównywania embeddingów obrazów.
Wdrażanie modeli: Owinąłem wyuczone modele CV w mikroserwisy na FastAPI z wykorzystaniem kolejek Redis/RQ do asynchronicznego przetwarzania ciężkich obrazów (w tym praca z formatem DICOS).
Z poważaniem, Aleksiej M.
Budżet: 2000 USD Termin: 15 dni
Cześć,
Twój projekt idealnie pasuje do mojego doświadczenia z Pythonem, wizją komputerową i end-to-end ML pipelines. Mogę zbudować kompletny workflow, od wstępnego przetwarzania obrazów i ekstrakcji cech po trening modelu, ocenę i wdrożenie. Skupiam się na tworzeniu niezawodnych, dobrze przetestowanych rozwiązań i wolę walidować proste podstawy przed przejściem do bardziej zaawansowanych modeli.
Zalecam użycie Pythona, PyTorch, OpenCV, scikit-image, PostgreSQL z pgvector, MLflow, Prefect, FastAPI i Redis do skalowalnego i łatwego w utrzymaniu pipeline'u.
Kilka pytań: Jaki format obrazu będzie używany? Czy masz już oznaczone dane treningowe i jakie wyniki oczekujesz od systemu?
Pozdrawiam,
Jeo Carretas
Budżet: 150 USD Termin: 5 dni
Przeczytaj brief: porównanie obrazów skanów przemysłowych z uporządkowanymi rekordami i oznaczanie niespójności do przeglądu, od początku do końca, od pobrania do serwowania.
Moje doświadczenie produkcyjne jest bardziej związane z inżynierią danych i backendem: pełne pipeline'y budowane i utrzymywane samodzielnie, w tym rozproszony system z TimescaleDB i pgvector na dużą skalę, oraz backend wyszukiwania łączący BM25 z zewnętrznymi wagami rankingowymi, gdzie krytyczna ścieżka została przepisana z Pythona na Go w celu zmniejszenia opóźnień. W zakresie wizji, szczególnie używam PyTorch i klasycznej CV, ale nie mam flagowego przypadku produkcyjnego do dostrajania detekcji lub backbone'ów detekcji anomalii w sposób, w jaki to opisujesz.
Biorąc pod uwagę budżet i harmonogram, praktyczny pierwszy krok wygląda tak samo, niezależnie od tego, kto się tym zajmie: potwierdzenie, czy surowe skany to DICOS czy coś innego, przeprowadzenie wstępnego przetwarzania 16-bitowego za pomocą scikit-image i OpenCV oraz stworzenie prostego statystycznego punktu odniesienia w Postgres przed dotykaniem wytrenowanego modelu. Chętnie dostarczę dokładnie ten określony element jako pierwszy, a następnie omówię resztę, gdy zobaczymy, jak punkt odniesienia wypada w porównaniu z rzeczywistą jakością adnotacji.
Budżet: 150 USD Termin: 3 dni
Cześć!
Twój projekt to dokładnie taki rodzaj wyzwania inżynieryjnego, który lubię — łączenie wizji komputerowej, uczenia maszynowego i solidnego inżynierii danych w system gotowy do produkcji, zamiast skupiać się tylko na treningu modeli.
Mam doświadczenie w budowaniu end-to-end pipeline'ów ML przy użyciu Pythona i PyTorch, od pobierania danych i wstępnego przetwarzania, przez trening, ewaluację, wdrożenie, aż po integrację API. Uważam, że udane projekty wizji komputerowej zależą w równym stopniu od jakości danych, powtarzalnych pipeline'ów i rygorystycznej ewaluacji, jak od architektury modelu.
Moje podejście obejmowałoby:
* Budowanie skalowalnego pipeline'u do pobierania obrazów, wstępnego przetwarzania, ekstrakcji cech, treningu i wnioskowania.
* Wdrażanie klasycznych technik wizji komputerowej obok nowoczesnych modeli głębokiego uczenia, aby ustalić wiarygodne punkty odniesienia przed zwiększeniem złożoności modelu.
* Trening i dostosowywanie modeli wizji do detekcji, detekcji anomalii i uczenia reprezentacji, gdzie to stosowne.
* Pracę z PostgreSQL, przechowywaniem cech, śledzeniem eksperymentów i powtarzalnym wersjonowaniem zbiorów danych.
* Projektowanie metodologii ewaluacji, które mierzą rzeczywistą wydajność, zamiast polegać wyłącznie na metrykach benchmarkowych.
* Rozwój utrzymywalnych API i usług wnioskowania do wdrożenia produkcyjnego.
Czuję się komfortowo pracując z technologiami takimi jak Python, PyTorch, OpenCV, scikit-image, NumPy, SciPy, scikit-learn, FastAPI, PostgreSQL, Redis, MLflow, Docker i nowoczesnymi praktykami MLOps. Proponowany przez Ciebie stos technologiczny dobrze pasuje do tego, jak zazwyczaj strukturyzuję systemy ML w produkcji.
Doceniam również Twoje naciski na pragmatyczne inżynierstwo. Moim preferencją jest najpierw weryfikacja założeń za pomocą prostych podejść statystycznych lub klasycznych CV, ustalenie mierzalnych punktów odniesienia, a następnie wprowadzenie bardziej zaawansowanych modeli tylko wtedy, gdy przynoszą one wyraźną poprawę.
Chętnie porozmawiam o Twoim zbiorze danych, cechach obrazów przemysłowych, jakości adnotacji, kryteriach ewaluacji i środowisku wdrożeniowym. Gdy zrozumiem przepływ pracy, mogę zaproponować plan wdrożenia, który zrównoważy dokładność, niezawodność i utrzymywalność.
Czekam na możliwość współpracy przy tym projekcie.
Budżet: 700 USD Termin: 5 dni
Witaj! Jestem Serhij, mam 8-letnie doświadczenie w IT w różnych technologiach: web/mobile, backend, API, integracje, automatyzacja i praca z danymi. Widzę główne zadanie tak: Projekt z inżynierii ML (wzrok komputerowy). Ten projekt znajduje się na styku wizji komputerowej i klasycznej inżynierii danych. Budujemy...
Umiejętności pod zadanie:
- backend/API i integracje
- AI/ML, RAG i automatyzacja
- boty, parsowanie i praca z danymi
Portfolio: https://software.campstudio.net/#showcases
Budżet: 150 USD Termin: 5 dni
Ten projekt to idealny przypadek, w którym klasyczne CV i deep learning powinny współpracować, a nie konkurować. Widziałem, jak wielu inżynierów ML rzuca się w trening modeli, ignorując preprocessing i baseline'y, a potem dziwi się, dlaczego metryki kłamią. Dlatego moje podejście: najpierw dokładna analiza danych, budowa prostych statystycznych baseline'ów, a dopiero potem fine-tuning nowoczesnych architektur. Mam ponad 5-letnie doświadczenie z Pythonem i PyTorchem, pracowałem z 16-bitowymi obrazami naukowymi, więc rozumiem specyfikę przetwarzania takich danych. Będę w stanie samodzielnie zbudować pipeline: od ingesji w PostgreSQL (z pgvector do wyszukiwania wektorowego) do serwowania przez FastAPI. Oczywiście, z walidacją na każdym etapie — bez "magicznych" liczb. Jeśli to konieczne, mogę podłączyć DVC do wersjonowania danych i Prefect do orkiestracji. Oceniam pracę na 1200-1800$ w zależności od objętości danych i złożoności modeli. Termin — 21 dni na MVP, potem iteracyjnie.
Budżet: 92 USD Termin: 5 dni
Traktowałbym to jako dwa tory spotykające się w Postgres: cechy obrazów z skanów w porównaniu do ustrukturyzowanych rekordów jako prawda podstawowa, niezgodności oznaczone do przeglądu.
Pierwszy krok: wstępne przetwarzanie obrazów 16-bitowych (scikit-image/OpenCV), a następnie prosta statystyczna baza dla anomalii przed sięgnięciem po model PyTorch.
Mogę pokazać działający fragment pipeline'u w ciągu około 5 dni, gdy potwierdzisz, czy surowy format to DICOS.
Budżet: 1000 USD Termin: 12 dni
Cześć, mogę pomóc w zakresie wizji komputerowej i inżynierii danych: Python, PyTorch, przetwarzanie obrazów, dopasowywanie danych strukturalnych i wykrywanie niespójności. Zacząłbym od wyjaśnienia formatu skanowania, schematu rekordów i zasad walidacji, a następnie zbudowałbym pipeline do wstępnego przetwarzania, wnioskowania cech/modelu, dopasowywania i flag przeglądu przez człowieka. Dla warstwy backendowej/danych mogę użyć Pythona z FastAPI lub usługi przetwarzania wsadowego, w zależności od tego, jak system powinien działać. Mam odpowiednie doświadczenie z backendami w Pythonie i procesami danych ukierunkowanymi na produkcję, w tym pracą backendową dla ZEM Center: https://zem.center/ Gotowy do omówienia aktualnej struktury zbioru danych i zaproponowania praktycznego planu wdrożenia. git: github.com/onyx144
Budżet: 82 USD Termin: 4 dni
Zadanie: porównanie skanów z bazą danych, flagi rozbieżności. Preprocessing 16-bit, statystyczna baza, potem model detekcji.
Postgres z pgvector, pipeline MLflow.
Skan DICOS czy inny format? Wynik orientacyjnie za 4 dni.
