Потрібен спеціаліст для навчання моделі детекції об’єктів на архітектурних креслення

Бюджет: 27000 UAH Термін: 21 день

МАємо практично готовий підхід для детекції обʼєктів на кресленнях, який можна швидко адаптувати під ваші класи і довести до робочого JSON-виводу ))

оцінка - 90000 грн і 21 день за перший етап без бекенду.

у цей етап входить аудит 20-30 типових креслень, підготовка формату розмітки, навчання базової моделі, Python-скрипт запуску, приклад JSON, README і звіт по precision, recall, mAP.

дивіться, тут нюанс... 90%+ precision і recall можна обіцяти тільки після перевірки датасету і якості розмітки.

якщо розмітки ще немає, її потрбно закласти окремо або зробити напівавтоматичний процес розмітки - інакше модель почне красиво помилятись, а це не той театр, де потрібні квитки.

- підхід - детекція bbox для електрики, освітлення, меблів і архітектурних елементів
- окремо врахуємо повороти символів на 45, 90 і 180 градусів
- результат - навчена модель, скрипт запуску, JSON, README, метрики і рекомендації для донавчання

уточнення
- у вас вже є розмічені креслення з bbox і класами, чи тільки сирі файли
- файли переважно PDF, DWG, PNG або JPG

релевантні приклади Ingello
- https://business.ingello.com/fractal - близько по побудові складної ШІ-автоматизації навколо бізнес-процесу
- https://business.ingello.com/vorfahr - приклад ШІ-підходу, де важлива стабільна прикладна логіка, а не просто експеримент

головний профіль Ingello для біржі - https://systems-fl.ingello.com/ua

можемо почати з невеликого етапу перевірки даних і прототипу, щоб не завищувати очікування до того, як буде видно реальну якість креслень (: Розгорнути

Бюджет: 22500 UAH Термін: 12 днів

Доброго дня. Завдання зрозумів: навчити або адаптувати модель детекції, яка на архітектурних кресленнях знаходить елементи (електрика, освітлення, меблі, архітектурні позначення), обводить їх bbox, визначає клас і повертає результат у JSON з підрахунком кількості. Цільова якість 90%+ по precision і recall.

Підхід бачу такий: береться сучасна модель детекції під донавчання на ваших 500-800 кресленнях. Спочатку етап розмітки даних під ваш перелік класів, потім ітеративне навчання з контролем метрик на тестовій вибірці. Окремо варто врахувати повороти символів на 45, 90, 180 градусів і різні стилі графіки, а частину класів типу специфікаційних таблиць і рамок краще брати не лише детекцією, а з привʼязкою до структури аркуша.

Чесно про реалістичність планки: 90% одразу по всіх класах амбітно, бо рідкісні символи освітлення і дрібні позначки навчаються гірше за умови малої кількості прикладів. Тому зазвичай ідуть поетапно: спочатку впевнено беремо часті класи, далі догодовуємо модель по слабких до потрібної якості.

Щоб оцінити обсяг: ваші 500-800 креслень вже розмічені під ці класи чи розмітку теж потрібно робити в межах проєкту? Це найбільше впливає на строки.

Бюджет: 20000 UAH Термін: 10 днів

Добрий день!

Зацікавив Ваш проєкт. Маю досвід роботи з Computer Vision, Object Detection та Python(зокрема у обороній сфері), тому розумію специфіку автоматичного аналізу технічних креслень і можу реалізувати рішення "під ключ".

### Як бачу реалізацію проєкту

**1. Аналіз і підготовка даних**

* перевірка якості креслень;
* уніфікація форматів;
* рекомендації щодо оптимальної розмітки;
* підготовка train/validation/test вибірок.

**2. Навчання моделі**
Для детекції буде використана сучасна архітектура (YOLO / RT-DETR або аналог, залежно від результатів тестування), яка добре працює з великою кількістю класів та забезпечує високу швидкість inference.

Під час навчання будуть застосовані:

* rotation augmentation (45°, 90°, 180° та довільні кути);
* масштабування;
* зміна товщини ліній;
* шум та контраст;
* інші методи аугментації для підвищення узагальнюючої здатності моделі.

Це дозволить моделі стабільно працювати з кресленнями різних стилів, мов та умовних позначень.

### Детекція

Модель буде знаходити:

* електрику;
* освітлення;
* меблі;
* сантехніку;
* архітектурні елементи;
* специфікації та службові блоки.

Для кожного об'єкта буде повертатися:

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

### Що Ви отримаєте

✅ Навчену модель

✅ Python inference script

✅ JSON-вивід

✅ README із запуском

✅ Метрики:

* Precision
* Recall
* mAP

✅ Приклади тестування на нових кресленнях

✅ Рекомендації щодо подальшої розмітки та донавчання моделі.

### Якість

Основною ціллю буде не просто навчити модель на одному типі креслень, а зробити її максимально стійкою до різних стилів оформлення, поворотів символів, масштабів та відмінностей між дизайн-проєктами.

Перед фінальною передачею проведу тестування на окремій test-вибірці та надам короткий звіт із фактичними метриками якості.

Буду радий обговорити деталі проєкту, переглянути приклади креслень і запропонувати оптимальний підхід для досягнення точності 90%+. Розгорнути

Бюджет: 5000 UAH Термін: 1 день

Доброго дня. Готовий виконати цей проект, маю великий досвід розробки різних додатків.

Бюджет: 27000 UAH Термін: 60 днів

Доброго дня. Робив для себе нейромережу - щоб знаходила наявність тексту на зображенні - робив через батчи 32х32 - якщо цікаво можу показати результат в особистих повідомленнях. Тому думаю що зможу зробити таку нейромережу - можна зробити так само через батчи але більшого розміру. Є питання - по параметрам modifier и quantity - покажіть на прикладі коли там будуть значення.
60000 грн / 60 днів

Бюджет: 25000 UAH Термін: 14 днів

Ми маємо досвід у розробці систем комп'ютерного зору для специфічних технічних документів. Реалізуємо це через донавчання архітектури YOLOv8 на Вашому датасеті з подальшою оптимізацією під складні геометричні форми креслень. Це забезпечить високу точність детекції навіть при великому масштабі. Готові обговорити деталі та підхід до розмітки даних.