Бюджет: 150 USD Термін: 3 дні
Привіт!
Ваш проект - це саме той вид інженерного виклику, який мені подобається — поєднання комп'ютерного зору, машинного навчання та надійної обробки даних у готову до виробництва систему, а не лише зосередження на навчанні моделей.
У мене є досвід створення кінцевих ML-пайплайнів за допомогою Python та PyTorch, від збору даних і попередньої обробки до навчання, оцінки, розгортання та інтеграції API. Я вважаю, що успішні проекти комп'ютерного зору залежать не лише від архітектури моделі, а й від якості даних, відтворюваних пайплайнів та ретельної оцінки.
Мій підхід включатиме:
* Створення масштабованого пайплайна для збору зображень, попередньої обробки, видобутку ознак, навчання та інференції.
* Реалізацію класичних технік комп'ютерного зору поряд із сучасними моделями глибокого навчання для встановлення надійних базових показників перед збільшенням складності моделі.
* Навчання та тонке налаштування моделей зору для виявлення, виявлення аномалій та навчання представлення, де це доречно.
* Роботу з PostgreSQL, зберіганням ознак, відстеженням експериментів та відтворюваним версіюванням наборів даних.
* Проектування методологій оцінки, які вимірюють реальну продуктивність, а не покладаються лише на бенчмаркові метрики.
* Розробку підтримуваних API та сервісів інференції для розгортання в виробництві.
Мені комфортно працювати з технологіями, такими як Python, PyTorch, OpenCV, scikit-image, NumPy, SciPy, scikit-learn, FastAPI, PostgreSQL, Redis, MLflow, Docker та сучасними практиками MLOps. Ваш запропонований стек добре узгоджується з тим, як я зазвичай структурую виробничі ML-системи.
Я також ціную ваш акцент на прагматичній інженерії. Моя перевага полягає в тому, щоб спочатку перевірити припущення простими статистичними або класичними підходами до CV, встановити вимірювальні базові показники, а потім вводити більш складні моделі лише тоді, коли вони забезпечують чітке покращення.
Я був би радий обговорити ваш набір даних, характеристики промислових зображень, якість анотацій, критерії оцінки та середовище розгортання. Як тільки я зрозумію робочий процес, я зможу запропонувати план реалізації, який збалансує точність, надійність та підтримуваність.
Я з нетерпінням чекаю можливості співпрацювати над цим проектом.
