Проект инженерии ML (компьютерное зрение)

Бюджет: 700 USD Срок: 13 дней

сопоставление 16-битных сканированных изображений с записями в базе данных всегда сложно, потому что стандартные архитектуры ожидают 8-битный rgb, а наивное масштабирование портит контраст на промышленных дефектах. у меня был такой случай раньше. разбиение postgres по месяцам требует специальной обработки запросов для pgvector, потому что разделенные таблицы не поддерживают глобальные векторные индексы из коробки.

импортировать cv2
импортировать numpy как 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, websiteLOR_GRAY2RGB)

мой план:
сначала мы настраиваем конвейер предварительной обработки и локальный анализ с использованием duckdb.
во-вторых, мы обучаем модель обнаружения аномалий с помощью timm архитектур и записываем в mlflow.
в-третьих, мы разворачиваем fastapi worker с pgvector и проводим валидации.

дайте знать, если у вас есть вопросы. Развернуть

Бюджет: 700 USD Срок: 4 дня

Здравствуйте, я нахожусь в ТОП 10 фрилансеров платформы, такие проекты уже выполнял, сделаю быстро, качественно и недорого.

Бюджет: 2000 USD Срок: 15 дней

Доброго дня. Можу взятися за цей проєкт.

Маю сильний досвід із Python, PyTorch, OpenCV, ML/CV, PostgreSQL та побудовою повних конвеєрів — від обробки даних і навчання моделей до API та розгортання. Стек і поставлені завдання зрозумілі.

Готовий обговорити деталі.

Бюджет: 20000 USD Срок: 21 день

Я увидел этот проект и хочу быть откровенным: моя основная специализация — это работа с TypeScript и Node.js в полном стекe, а не с Python или ML. Тем не менее, я думаю, что есть реальные причины, по которым я мог бы внести свой вклад здесь.

PostgreSQL — это то, что я использую ежедневно, включая проектирование схем и работу со структурированными записями, поэтому работа с данными в этом конвейере кажется естественной. Я создавал потоки загрузки данных и конвейеры функций на бэкенде, и я понимаю, как выглядит чистая, поддерживаемая архитектура конвейера, независимо от языка. Синтаксис Python 3.11 не является для меня препятствием, и я достаточно работал с обработкой данных в стиле NumPy, чтобы быстро освоиться с предобработкой CV.

Где я, честно говоря, менее опытен, так это в глубокой настройке PyTorch. Я знаю концепции, связанные с моделями зрения и обнаружением аномалий, но я не обучал модели в коммерческих масштабах. Если роль позволяет развиваться в этом направлении, в то время как я буду активно участвовать в инженерии данных, обслуживании API (FastAPI достаточно близок к паттернам NestJS) и работе с Postgres/pgvector, я думаю, что мы сможем это сделать.

Буду рад обсудить детали и дать вам возможность оценить соответствие.

Бюджет: 100 USD Срок: 1 день

Здравствуйте. Меня зовут Алексей, я представляю группу разработчиков – NC-1. Более пяти лет мы создаем веб-сайты, мобильные приложения, ERP/CRM системы, а также сложные продукты с использованием искусственного интеллекта, машинного обучения и компьютерного зрения (AI / ML / Computer Vision).
В нашей команде есть python-developer, senior с необходимыми для вас опытом и знаниями.
Его стек: Python, PyTorch, OpenCV, scikit-image, scikit-learn, FastAPI, PostgreSQL (pgvector), Pandas, NumPy, DuckDB, Parquet, MLflow, DVC, Prefect, Redis, Docker.
Ставка в час - 24 usd (может быть ниже, если полная загрузка у разраьотчика)
Опыт коммерческой разработки - более 5 лет.
Промышленное компьютерное зрение (Anomaly Detection): Разработал и внедрил пайплайн компьютерного зрения (PyTorch, OpenCV) для анализа промышленных 16-битных сканов. Обучал модели для поиска аномалий и несоответствий с использованием самонаблюдаемых основ (self-supervised learning).
MLOps и версионирование данных: «Самостоятельно выстроил весь ML-пайплайн: настроил версионирование датасетов с изображениями через DVC, логировал эксперименты в MLflow и реализовал оркестрацию потоков данных с помощью Prefect.
Продвинутая работа с данными: Оптимизировал хранение извлеченных признаков (features) с использованием таблиц Parquet и анализировал их через DuckDB. Настроил векторный поиск в PostgreSQL с помощью pgvector для сравнения эмбеддингов изображений.
Развертывание моделей: Завернул обученные CV-модели в микросервисы на FastAPI с использованием очередей Redis/RQ для асинхронной обработки тяжелых изображений (включая работу с форматом DICOS).
С уважением, Алексей М.

Бюджет: 2000 USD Срок: 15 дней

Привет,

Ваш проект отлично соответствует моему опыту с Python, компьютерным зрением и полными ML-пайплайнами. Я могу построить полный рабочий процесс, от предварительной обработки изображений и извлечения признаков до обучения модели, оценки и развертывания. Я сосредотачиваюсь на создании надежных, хорошо протестированных решений и предпочитаю проверять простые базовые модели перед переходом к более сложным.

Я рекомендую использовать Python, PyTorch, OpenCV, scikit-image, PostgreSQL с pgvector, MLflow, Prefect, FastAPI и Redis для масштабируемого и поддерживаемого пайплайна.

Несколько вопросов: Какой формат изображения будет использоваться? У вас уже есть размеченные обучающие данные, и какой результат вы ожидаете от системы?

С уважением,
Jeo Carretas

Бюджет: 150 USD Срок: 5 дней

Прочитайте бриф: сопоставление изображений промышленного сканирования с структурированными записями и выявление несоответствий для проверки, от начала до конца, от загрузки до обслуживания.

Мой опыт в производстве больше связан с инженерией данных и бэкендом: полные конвейеры, построенные и поддерживаемые в одиночку, включая распределенную систему с TimescaleDB и pgvector в большом масштабе, и бэкенд поиска, комбинирующий BM25 с внешними весами ранжирования, где горячий путь был переписан с Python на Go для уменьшения задержки. В области компьютерного зрения я использую PyTorch и классическую компьютерную визуализацию, но у меня нет флагманского производственного случая для дообучения детекторов или основ аномального обнаружения так, как вы это описываете.

Учитывая указанный бюджет и сроки, практический первый шаг выглядит одинаково, независимо от того, кто его выполнит: подтвердить, являются ли сырые сканы DICOS или чем-то другим, выполнить 16-битную предобработку с помощью scikit-image и OpenCV и собрать простую статистическую базу в Postgres, прежде чем вообще касаться обученной модели. Буду рад сначала предоставить именно этот объем работы, а затем обсудить остальное, как только мы увидим, как базовая линия работает с реальным качеством аннотаций.

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. Развернуть

Бюджет: 700 USD Срок: 5 дней

Здравствуйте! Я Сергей, у меня 8 лет опыта в IT на различных технологиях: web/mobile, backend, API, интеграции, автоматизация и работа с данными.
Вижу главную задачу так: Проект по инженерии ML (компьютерное зрение). Этот проект находится на пересечении компьютерного зрения и классической инженерии данных. Мы строим...

Скиллы под задачу:
- backend/API и интеграции
- AI/ML, RAG и автоматизация
- боты, парсинг и работа с данными

Портфолио: https://software.campstudio.net/#showcases

Бюджет: 150 USD Срок: 5 дней

Этот проект — именно тот случай, где классическое резюме и глубокое обучение должны работать в паре, а не конкурировать. Я видел, как многие ML-инженеры бросаются в обучение моделей, игнорируя препроцессинг и бейзлайны, а потом удивляются, почему метрики врут. Поэтому мой подход: сначала тщательный анализ данных, построение простых статистических бейзлайнов, и лишь потом — тонкая настройка современных архитектур. У меня 5+ лет опыта с Python и PyTorch, работал с 16-битными научными изображениями, поэтому понимаю специфику обработки таких данных. Смогу самостоятельно построить пайплайн: от инжестации в PostgreSQL (с pgvector для векторных поисков) до сервинга через FastAPI. Конечно, с валидацией на каждом этапе — без “волшебных” чисел. Если нужно, могу подключить DVC для версионирования данных и Prefect для оркестрации. Оцениваю работу в 1200-1800$ в зависимости от объема данных и сложности моделей. Срок — 21 день на MVP, далее итеративно.

Бюджет: 92 USD Срок: 5 дней

Я бы рассматривал это как два потока, встречающихся в Postgres: характеристики изображений из сканов против структурированных записей как эталона, несоответствия отмечены для проверки.

Первый шаг: предварительная обработка 16-битных изображений (scikit-image/OpenCV), затем простая статистическая база для аномалий перед использованием модели PyTorch.

Могу показать работающий фрагмент пайплайна примерно через 5 дней, как только вы подтвердите, что сырой формат — это DICOS.

Бюджет: 1000 USD Срок: 12 дней

Здравствуйте, я могу помочь с частью компьютерного зрения и инженерии данных: Python, PyTorch, обработка изображений, сопоставление структурированных данных и обнаружение несоответствий.
Я начну с уточнения формата сканирования, схемы записи и правил валидации, затем создам конвейер для предварительной обработки, вывода признаков/моделей, сопоставления и флагов для человеческой проверки.
Для бэкенда/слоя данных я могу использовать Python с FastAPI или сервис пакетной обработки, в зависимости от того, как система должна функционировать.
У меня есть соответствующий опыт работы с Python-бэкендами и ориентированными на производство рабочими процессами данных, включая работу на бэкенде для ZEM Center: https://zem.center/
Готов обсудить текущую структуру набора данных и предложить практический план реализации.
git: github.com/onyx144

Бюджет: 82 USD Срок: 4 дня

Задача: сверка сканов с БД, флаги расхождений. Препроцессинг 16-bit, статистический baseline, затем модель детекции.

Postgres с pgvector, пайплайн MLflow.

Сканы DICOS или другой формат? Результат ориентировочно за 4 дня.