Фриланс-проекты

Фриланс-проекты

Нужен специалист для обучения модели детекции объектов на архитектурных чертежах

AI и машинное обучение — неверно указаны категории?

Проект переведен автоматически. Войдите или зарегистрируйтесь, чтобы увидеть оригинал

1. Мета задачі

Необходимо обучить или адаптировать модель для автоматического поиска и классификации элементов на архитектурных чертежах интерьерных проектов.

Система должна находить объекты на планах, обводить их bbox/контуром, определять класс объекта и возвращать результат в JSON

Целевая качество после обучения: 90%+ по precision/recall на тестовой выборке.

2. Данные для обучения

Я предоставлю примерно 500–800 чертежей различных дизайн-проектов:

планы расположения мебели;
планы розеток и выключателей;
планы освещения;
спецификации / легенды / рамки чертежей;
чертежи с различными стилями графики, языками и условными обозначениями.

3. Классы объектов для детекции

Электрика:

розетка;
розетка интернет / TV / LAN;
выключатель;
электрический вывод;
щиток;
router / Wi-Fi точка, если обозначено на плане.

Освещение:

точечный светильник;
люстра / подвесной светильник;
трековое освещение;
LED-лента / LED-профиль;
бра / настенный светильник;
другие символы освещения из спецификации.

Мебель и оборудование:

кухня весь комплект мебели;
шкаф;
гардероб;
кровать;
диван;
кресло;
стол;
стул;
тумба;
комод;
стиральная машина;
сушильная машина;
посудомойка;
холодильник;
варочная поверхность;
духовка;
умывальник;
унитаз;
ванна;
душ;
другие типовые мебели с плана.

Архитектура:

двери;
окна;
проемы;
помещения / комнаты;
рамка чертежа;
название листа;
масштаб;
номер чертежа;
спецификационные таблицы.

4. Ожидаемый результат работы модели

Для каждого найденного объекта система должна возвращать:

{

"class": "socket",

"label": "Розетка 220V",

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

"confidence": 0.94,

"source": "model",

"modifier": "3",

"quantity": 3

}

{

"class": "furniture",

"label": "bed",

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

"confidence": 0.91

}

Требования к результату

модель должна находить объекты bbox-ами;
целевая качество: 90%+ precision/recall на тестовой выборке;
модель должна учитывать, что символ может быть повернут на 45°, 90°, 180°.
модель должна работать на различных чертежах, а не только на одном стиле;
результат inference должен быть JSON;
нужен короткий отчет по качеству: precision, recall, mAP. возможность тестирования

Что должен передать специалист

Обученную модель.
Python inference script.
Пример JSON-вывода.
README с запуском.
Метрики качества на test set.
Рекомендации по формату разметки для дальнейшего дообучения.

Важно

Не нужно делать backend
Нужна только модель, которая стабильно находит объекты на чертежах и возвращает bbox + class + confidence.

Ставки 8

Daria Kratofil

0 0

Проекты -
Оценка -
Рейтинг 196

Бюджет: 27000 UAH Срок: 21 день

У нас практически готовый подход для детекции объектов на чертежах, который можно быстро адаптировать под ваши классы и довести до рабочего JSON-вывода ))

оценка - 90000 грн и 21 день за первый этап без бэкенда.

в этот этап входит аудит 20-30 типовых чертежей, подготовка формата разметки, обучение базовой модели, Python-скрипт запуска, пример JSON, README и отчет по precision, recall, mAP.

смотрите, тут нюанс... 90%+ precision и recall можно обещать только после проверки датасета и качества разметки.

если разметки еще нет, ее нужно заложить отдельно или сделать наполовину автоматический процесс разметки - иначе модель начнет красиво ошибаться, а это не тот театр, где нужны билеты.

- подход - детекция bbox для электричества, освещения, мебели и архитектурных элементов
- отдельно учтем повороты символов на 45, 90 и 180 градусов
- результат - обученная модель, скрипт запуска, JSON, README, метрики и рекомендации для дообучения

уточнение
- у вас уже есть размеченные чертежи с bbox и классами, или только сырые файлы
- файлы преимущественно PDF, DWG, PNG или JPG

релевантные примеры Ingello
- https://business.ingello.com/fractal - близко по построению сложной ИИ-автоматизации вокруг бизнес-процесса
- https://business.ingello.com/vorfahr - пример ИИ-подхода, где важна стабильная прикладная логика, а не просто эксперимент

главный профиль Ingello для биржи - https://systems-fl.ingello.com/ua

можем начать с небольшого этапа проверки данных и прототипа, чтобы не завышать ожидания до того, как будет видно реальное качество чертежей (:

Матвій Марченко

20 0

Проекты 20
Оценка -
Рейтинг 2 116

Бюджет: 22500 UAH Срок: 12 дней

Добрый день. Задачу понял: обучить или адаптировать модель детекции, которая на архитектурных чертежах находит элементы (электрика, освещение, мебель, архитектурные обозначения), обводит их bbox, определяет класс и возвращает результат в JSON с подсчетом количества. Целевая качество 90%+ по precision и recall.

Подход вижу такой: берется современная модель детекции под дообучение на ваших 500-800 чертежах. Сначала этап разметки данных под ваш перечень классов, затем итеративное обучение с контролем метрик на тестовой выборке. Отдельно стоит учесть повороты символов на 45, 90, 180 градусов и разные стили графики, а часть классов типа спецификационных таблиц и рамок лучше брать не только детекцией, а с привязкой к структуре листа.

Честно о реалистичности планки: 90% сразу по всем классам амбициозно, так как редкие символы освещения и мелкие обозначения обучаются хуже при условии малого количества примеров. Поэтому обычно идут поэтапно: сначала уверенно берем частые классы, затем дообучаем модель по слабым до нужного качества.

Чтобы оценить объем: ваши 500-800 чертежей уже размечены под эти классы или разметку тоже нужно делать в рамках проекта? Это больше всего влияет на сроки.

Михайло Петрук

0 0

Проекты -
Оценка -
Рейтинг 310

Бюджет: 20000 UAH Срок: 10 дней

Добрый день!

Заинтересовал ваш проект. Имею опыт работы с Computer Vision, Object Detection и Python (в частности, в оборонной сфере), поэтому понимаю специфику автоматического анализа технических чертежей и могу реализовать решение "под ключ".

### Как вижу реализацию проекта

**1. Анализ и подготовка данных**

* проверка качества чертежей;
* унификация форматов;
* рекомендации по оптимальной разметке;
* подготовка train/validation/test выборок.

**2. Обучение модели**
Для детекции будет использована современная архитектура (YOLO / RT-DETR или аналог, в зависимости от результатов тестирования), которая хорошо работает с большим количеством классов и обеспечивает высокую скорость inference.

Во время обучения будут применены:

* rotation augmentation (45°, 90°, 180° и произвольные углы);
* масштабирование;
* изменение толщины линий;
* шум и контраст;
* другие методы аугментации для повышения обобщающей способности модели.

Это позволит модели стабильно работать с чертежами различных стилей, языков и условных обозначений.

### Детекция

Модель будет находить:

* электричество;
* освещение;
* мебель;
* сантехнику;
* архитектурные элементы;
* спецификации и служебные блоки.

Для каждого объекта будет возвращаться:

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

### Что вы получите

✅ Обученную модель

✅ Python inference script

✅ JSON-вывод

✅ README с запуском

✅ Метрики:

* Precision
* Recall
* mAP

✅ Примеры тестирования на новых чертежах

✅ Рекомендации по дальнейшей разметке и дообучению модели.

### Качество

Основной целью будет не просто обучить модель на одном типе чертежей, а сделать ее максимально устойчивой к различным стилям оформления, поворотам символов, масштабам и отличиям между дизайн-проектами.

Перед финальной передачей проведу тестирование на отдельной test-выборке и предоставлю короткий отчет с фактическими метриками качества.

Буду рад обсудить детали проекта, просмотреть примеры чертежей и предложить оптимальный подход для достижения точности 90%+.

Dmytro Zmenkov

1 1

Проекты -
Оценка -
Рейтинг 148

Бюджет: 5000 UAH Срок: 1 день

Добрый день. Готов выполнить данный проект есть большой опыт разработки различных приложений.

Олег Поляков

52 0

Проекты 55
Оценка 5.0
Рейтинг 1 890

Бюджет: 27000 UAH Срок: 60 дней

Добрый день. Делал для себя нейросеть - чтобы находила наличие текста на изображении - делал через батчи 32х32 - если интересно, могу показать результат в личных сообщениях. Поэтому думаю, что смогу сделать такую нейросеть - можно сделать так же через батчи, но большего размера. Есть вопросы - по параметрам modifier и quantity - покажите на примере, когда там будут значения.
60000 грн / 60 дней

Ihor Symchuk

11 0

Проекты 11
Оценка 5.0
Рейтинг 1 773

Бюджет: 25000 UAH Срок: 14 дней

У нас есть опыт в разработке систем компьютерного зрения для специфических технических документов. Реализуем это через дообучение архитектуры YOLOv8 на вашем датасете с дальнейшей оптимизацией под сложные геометрические формы чертежей. Это обеспечит высокую точность детекции даже при большом масштабе. Готовы обсудить детали и подход к разметке данных.

Юрій Коломбов
Украина

Проектов 56
Оценка 5.0
Рейтинг 1 060

Нужен специалист для обучения модели детекции объектов на архитектурных чертежах

1. Мета задачі

2. Данные для обучения

3. Классы объектов для детекции

Электрика:

Освещение:

Мебель и оборудование:

Архитектура:

4. Ожидаемый результат работы модели

Требования к результату

Что должен передать специалист

Важно

Daria Kratofil

Матвій Марченко

Михайло Петрук

Dmytro Zmenkov

Олег Поляков

Ihor Symchuk

Ставки скрыты

Ставки пока отсутствуют

Актуальные фриланс-проекты в категории AI и машинное обучение

Нужен специалист по ИИ агентам и ворокне продаж

Инженер по приложениям ИИ / Инженер полного стека бэкенда для рабочего процесса валидации документов API Claude

Проектирование Getaway Siemens IOT

Разработка решения для генерации 3D-моделей из изображений

Создание безопасной локальной ИИ-системы (LLM, RAG и ИИ-агенты)