Доработка существующего продукта. Дано: Есть ML-сервис, который состоит из двух моделей YOLO: первая — находит объект инфраструктуры наиболее близкий к центру кадра, вторая — находит на данном объекте различные типы дефектов. Есть сформированные продуктовые метрики, которую по одному из классов надо довести до значения не ниже 70%. В текущем варианте она составляет порядка 68%. Постановка задач: 1. Попробовать более новые архитектуры: YOLO v11 и, возможно, совсем недавнюю YOLO v12 Оценка сроков: 1 неделя 2. Попробовать другую политику аугментаций. Не случайное преобразование изображения, а дублирование аугментированного изображения. Оценка сроков: 1-2 недели 3. Понять, схожи ли наши классы с чем-то из предобученных датасетов: COCO, ImageNet. Это может помочь модели сохранить предыдущую генерализацию при обучении на новых классах. Однако вероятность того, что в предобученных датасетах есть схожие по характеристикам объекты, не высока. Оценка сроков: 1-2 недели 4. Попробовать обучение с нуля (from scratch) Оценка сроков: 1-2 дня 5. Провести дообучение модели на новых данных, которые будут размечаться в процессе Требования к исполнителю: - Наличие реализованных проектов в области Computer Vision, в частности решение задач детекции - Хорошее владение CV-библиотеками (cv2, ultralytics, timm, segmentation-models pytorch) - Умение сворачивать ML-модель в сервис, владение контейнеризацией (docker) - Знание что такое gRPC и умение писать сервер/клиент для взаимодействия между ML-Service и Backend приложений - Умение подготавливать данные для обучения моделей компьютерного зрения.