Специалисты

Описание

Технологии и основные скилы: Python, SQL, Английский язык, Linux, Git, PostgreSQL, Docker, Big Data, Базы данных, Machine Learning, Data Mining, Data Analysis, Машинное обучение, ML, Deep Learning, Gitlab, PyTorch, Keras, Sklearn, Computer Vision, Matplotlib, OpenCV, Математический анализ, TensorFlow, Классическое машинное обучение, Теория вероятностей, Математическая статистика, pandas, Предобработка данных, Scikit-learn.

Опыт
Проект

Система подсчёта зёрен кукурузы на изображении с использованием компьютерного зрения и нейросетей

Описание

Роль в проекте: ML специалист. Описание: Участие в разработке решения для автоматизации анализа урожайности сельскохозяйственных культур — в частности, определение количества зёрен кукурузы по фотографии початка. Создана и обучена нейросеть для распознавания зёрен как вдоль початка, так и на поперечном срезе. Модель была интегрирована в Android-приложение, а также доработана для работы в реальном времени через камеру устройства. Также занимался разработкой backend-части: создание API для обработки данных, хранения изображений и последующего дообучения модели. Задачи: • Разработка и обучение нейросетевой модели : • Сбор и подготовка датасета (разметка изображений). • Обучение моделей на основе YOLO (Ultralytics), Keras, PyTorch. • Конвертация моделей в форматы TFLite / ONNX для использования на мобильных устройствах. • Настройка метрик precision и recall: улучшение показателей с 83% до 91% (precision) и с 80% до 87% (recall) за счёт изменения архитектуры и параметров обучения. • Интеграция модели в Android-приложение: • Интеграция модели на TensorFlow Lite и OpenCV в Android-приложение (Kotlin). • Реализация функции распознавания в реальном времени через камеру телефона. • Добавление возможности отправки пользовательских фото на сервер для пополнения выборки и дообучения модели. • Разработка backend-сервиса: • Создание REST API с использованием FastAPI . • Реализация эндпоинтов для загрузки изображений, получения результатов и обратной связи от клиента. • Работа с БД (PostgreSQL ) для хранения метаданных и пользовательских изображений. • Взаимодействие с хранилищем файлов, логирование и обработка ошибок. • Тестирование и оптимизация: • Проверка точности модели на тестовой выборке. • Оптимизация производительности модели для работы на устройствах с ограниченными ресурсами.

Технологии

Python, FastAPI, SQLAlchemy, PostgreSQL, Tensorflow, Keras, PyTorch, Ultralytics, YOLO, TFLite, ONNX, OpenCV, PIL, Kotlin, Android SDK, Docker (опционально), GitLab.

Проект

Android-приложение с нейросетью для автоматической оценки стоимости ремонта автомобилей

Описание

Роль в проекте: ML специалист Описание: Разработка мобильного Android-приложения на основе Kotlin , предназначенного для клиентов сети станций технического обслуживания (СТО). Приложение позволяет пользователю загрузить фотографию повреждённого автомобиля, после чего нейросеть анализирует изображение и предоставляет: • Оценку стоимости ремонта • Список необходимых запасных частей • Примерную стоимость работ Цель проекта — ускорить и упростить процесс диагностики и ценообразования при обращении клиента в СТО, повысить прозрачность и качество взаимодействия. Задачи: Основные задачи: 1. Разработка и обучение нейросетевой модели: • Создание модели компьютерного зрения на основе YOLO / CNN / Vision Transformers. • Подготовка датасета: сбор изображений повреждений, разметка, аугментация. • Обучение модели распознавать типы повреждений, марку/модель авто, уровень износа. • Конвертация модели в форматы ONNX / TFLite для использования в мобильном приложении. 2. Интеграция модели в Android-приложение: • Интеграция нейросети в мобильное приложение на Kotlin . • Реализация функции загрузки изображения и вывода результатов анализа. • Настройка UI/UX для отображения стоимости работ, списка запчастей и рекомендаций. 3. Работа с backend-частью: • Разработка REST API для передачи данных между мобильным приложением и сервером. • Хранение истории запросов, обновление цен на запчасти и работы. • Логирование обращений пользователей и сбор обратной связи для дообучения модели. 4. Улучшение точности и функционала: • Добавление логики корреляции между типом повреждения и базой данных запчастей и услуг. • Внедрение механизма обновления цен на основе актуальных прайсов поставщиков. • Тестирование производительности модели на мобильных устройствах, оптимизация под слабые смартфоны. 5. Документирование и тестирование: • Написание технической документации по API и интеграции модели. • Проведение юзабилити-тестирования с реальными пользователями. • Исправление ошибок, доработка интерфейса, добавление новых возможностей по фидбеку.

Технологии

Kotlin, Android SDK, Python, TensorFlow / PyTorch / Ultralytics, ONNX, TFLite, FastAPI / Flask (backend), PostgreSQL, OpenCV, PIL, GitLab, Docker (опционально)

Проект

мобильное приложение с нейросетью для распознавания повреждений автомобиля и оценки стоимости ремонта

Описание

Роль в проекте: ML специалист. Описание: Разработка нейросетевого решения на основе модели object detection для автоматического распознавания повреждений автомобилей по фотографии. Модель была интегрирована в мобильное Android-приложение, позволяя пользователям получать информацию о типе повреждения, необходимых запчастях и примерной стоимости ремонта. Также реализована backend-часть: создание базы данных и REST API для хранения истории запросов, управления данными пользователей и обновления цен на услуги и запчасти. Проект ориентирован на использование в сетях СТО для ускорения и упрощения первичной диагностики. 1. Задачи: Разработка и обучение модели компьютерного зрения: • Создание модели object detection (например, YOLO / Faster R-CNN) для распознавания локаций повреждений на кузове автомобиля. • Подготовка датасета: сбор изображений, разметка повреждений (bounding boxes), аугментация. • Обучение и тестирование модели, оптимизация метрик precision/recall. • Добавление новых изображений в датасет и дообучение модели для повышения точности. 2. Интеграция модели в мобильное приложение: • Конвертация модели в формат TFLite или ONNX для использования на Android. • Интеграция нейросети в мобильное приложение на Kotlin . • Реализация интерфейса отображения результатов анализа: список повреждений, стоимость работ, рекомендуемые запчасти. 3. Разработка backend-части: • Создание REST API для взаимодействия мобильного приложения с сервером. • Разработка PostgreSQL базы данных для хранения: • Истории запросов пользователей • Метаданных изображений • Справочников запчастей и услуг • Реализация механизма загрузки новых изображений для пополнения обучающей выборки. 4. Улучшение функционала и производительности: • Тестирование модели на различных устройствах, оптимизация скорости работы. • Внесение изменений в модель и логику обработки изображений по фидбеку пользователей. • Логирование ошибок и доработка UI/UX под нужды клиентов.

Технологии

Python, Kotlin, TensorFlow / PyTorch / Ultralytics, YOLO, OpenCV, PIL, TFLite, ONNX, FastAPI / Flask, PostgreSQL, REST API, Docker (опционально), GitLab