Специалисты

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

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.

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

Android-приложение с нейросетью для автоматической оценки стоимости ремонта автомобилей

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.

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

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

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.

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