Python Developer / Web Scraping Specialist do zbierania i klasyfikacji architektonicznych obrazów

Budżet: 10000 UAH Termin: 1 dzień

Cześć!

Możemy zaangażować zewnętrznego specjalistę lub zespół do zadań związanych z zbieraniem i klasyfikowaniem obrazów.

1. Czy rozważają Państwo zaangażowanie zewnętrznego wykonawcy lub zespołu do tych zadań?
2. Jakie zadania i technologie należy zrealizować w pierwszej kolejności?

—
O nas

Jesteśmy dZENcode – firmą IT zajmującą się pełnym cyklem rozwoju: od projektowania i programowania po integracje i wsparcie posprzedażowe rozwiązań cyfrowych.
Tworzymy projekty od podstaw, a także angażujemy się w już istniejące rozwiązania, które potrzebują poprawek, rozwoju lub wsparcia technicznego.

Szczegółowe informacje o naszych usługach i stawkach znajdą Państwo na oficjalnej stronie: Freelancehunt

Proszę spojrzeć – po tym będziemy mogli omówić szczegóły i ustalić następny krok.

⚠️ Po wyjaśnieniu wszystkich szczegółów określimy zakres prac, odpowiedni format współpracy: zadaniowy, outsourcing lub outstaffing – oraz ostateczną cenę.

Z nami projekty gwarantowanie dochodzą do wydania:
• 10+ lat świadczymy usługi IT;
• 90+ pracowników na etacie;
• 250+ publicznych opinii od 2015 roku;
• Wspieramy produkty zgodnie z SLA po uruchomieniu;
• Pracujemy na podstawie NDA i umowy z firmą! Rozwiń

Budżet: 20000 UAH Termin: 20 dni

Zacznę od pierwszego etapu: przeanalizuję źródła, ocenię podejście do scrapingu w Pythonie, strukturę przechowywania, jakość obrazów, deduplikację oraz logikę klasyfikacji Exterior / Interior / Exterior Top View.

Obecnie głównym ryzykiem jest to, że można szybko załadować dużą ilość obrazów, ale otrzymać duplikaty, uszkodzone pliki, słabą jakość i pomieszane kategorie, które następnie trzeba będzie czyścić ręcznie?

Budżet i terminy — w prywatnej korespondencji po przeglądzie źródeł danych i potrzebnej ilości obrazów.

Budżet: 2000 UAH Termin: 2 dni

Dzień dobry. Mam duże doświadczenie w Web Scraping w Pythonie. Pracuję z dużymi zbiorami danych - Pandas. Budżet i terminy - po ocenie stron.

Budżet: 2000 UAH Termin: 2 dni

Cześć!

Mam odpowiednie doświadczenie do tego projektu:

— Opracowywałem komercyjne skrypty na Playwright + BeautifulSoup z omijaniem ochrony antybotowej i rotacją proxy
— Zbierałem i normalizowałem duże zbiory danych (ponad 27 000 rekordów) z późniejszym zapisem w PostgreSQL
— Doświadczenie w ładowaniu plików w maksymalnej jakości poprzez analizę zapytań sieciowych
— Zintegrowałem OpenAI Vision API w projektach produkcyjnych — mogę wykorzystać do klasyfikacji obrazów

Proponowane podejście:
1. Analiza struktury Źródła — ochrona antybotowa, dostępność pełnej jakości obrazów
2. Asynchroniczny parser na Playwright/aiohttp do równoległego zbierania
3. Klasyfikacja według kategorii Exterior / Interior / Exterior Top View za pomocą OpenAI Vision API lub według metadanych (w zależności od budżetu)
4. Zapis w uporządkowane foldery + raport CSV

Budżet: od 50 USD za jedno Źródło (ostateczna cena po zapoznaniu się z Źródłami)
Terminy: 3–5 dni na jedno Źródło

Chętnie omówię szczegóły po zapoznaniu się z Linkami do Źródeł! Rozwiń

Budżet: 4000 UAH Termin: 3 dni

Mogę to zrobić szybko i jakościowo. Musimy to bardziej szczegółowo omówić. Będę zadowolony ze współpracy.

Budżet: 12000 UAH Termin: 12 dni

Cześć! Mam doświadczenie w pracy z Pythonem i mogę zrealizować zautomatyzowane zbieranie i ładowanie obrazów (asynchronicznie, dla szybkości). Dla najtrudniejszej części — klasyfikacji na Exterior/Interior — proponuję wykorzystać [tutaj podaj swoje podejście: na przykład, integrację z gotowym API Computer Vision lub użycie wcześniej wytrenowanego modelu]. Jestem gotów przeanalizować twoje źródła danych i przedstawić ocenę czasową.

Budżet: 8000 UAH Termin: 7 dni

Witam. Mam duże doświadczenie w tworzeniu parserów. Czy mogę zapoznać się z witrynami, które należy sparsować?

Budżet: 2000 UAH Termin: 3 dni

Cześć! Twój projekt przykuł moją uwagę. Jestem gotów rozpocząć pracę i zapewnić wysoką jakość wykonania.

Budżet: 5000 UAH Termin: 15 dni

Mam doświadczenie w takim stosie: Python-scrapery (Scrapy / Playwright), masowe ładowanie obrazów i klasyfikacja przez CLIP/EfficientNet. Podejście w skrócie: 1. Analiza źródeł - wybór strategii (statyczny HTML / renderowanie JS / API) 2. Asynchroniczne zbieranie z ładowaniem w maksymalnej jakości 3. Autoklasyfikacja: Exterior / Interior / Exterior Top View przez model zero-shot lub fine-tuned 4. Strukturalny zestaw danych z metadanymi Termin: 2–3 tygodnie po starcie (zależy od objętości) Budżet: omówimy po przeglądzie źródeł Czekam na szczegóły!