Бюджет: 150 USD Срок: 3 дня
Здравствуйте!
Ваш проект именно тот инженерный вызов, который мне нравится — сочетание компьютерного зрения, машинного обучения и надежной инженерии данных в готовую к производству систему, а не только сосредоточение на обучении модели.
У меня есть опыт создания конвейеров машинного обучения от начала до конца с использованием Python и PyTorch, от загрузки и предварительной обработки данных до обучения, оценки, развертывания и интеграции API. Я считаю, что успешные проекты в области компьютерного зрения зависят не только от архитектуры модели, но и от качества данных, воспроизводимых конвейеров и строгой оценки.
Мой подход будет включать:
* Создание масштабируемого конвейера для загрузки изображений, предварительной обработки, извлечения признаков, обучения и вывода.
* Реализацию классических методов компьютерного зрения наряду с современными моделями глубокого обучения для установления надежных базовых линий перед увеличением сложности модели.
* Обучение и тонкую настройку моделей зрения для обнаружения, обнаружения аномалий и обучения представлениям, где это уместно.
* Работа с PostgreSQL, хранением признаков, отслеживанием экспериментов и воспроизводимым версионированием наборов данных.
* Проектирование методологий оценки, которые измеряют реальную производительность, а не полагаются исключительно на эталонные метрики.
* Разработка поддерживаемых API и сервисов вывода для развертывания в производстве.
Мне комфортно работать с такими технологиями, как Python, PyTorch, OpenCV, scikit-image, NumPy, SciPy, scikit-learn, FastAPI, PostgreSQL, Redis, MLflow, Docker и современными практиками MLOps. Ваш предложенный стек хорошо соответствует тому, как я обычно структурирую производственные системы машинного обучения.
Я также ценю ваш акцент на прагматичной инженерии. Мой подход заключается в том, чтобы сначала проверять предположения с помощью простых статистических или классических методов компьютерного зрения, устанавливать измеримые базовые линии, а затем вводить более сложные модели только тогда, когда они обеспечивают явное улучшение.
Я буду рад обсудить ваш набор данных, характеристики промышленной визуализации, качество аннотаций, критерии оценки и среду развертывания. Как только я пойму рабочий процесс, я смогу предложить план реализации, который сбалансирует точность, надежность и поддерживаемость.
С нетерпением жду возможности сотрудничать над этим проектом.
