Computer Vision Software Engineer / Разработчик систем компьютерного зрения Профессиональный ИТ инженер. Опыт работы по специальности более 10 лет.

Опыт решения задач связанных с :
- Онлайн обработкой потокового видео с IP-камер;
- Детектированием объектов в видеопотоке;
- Трекингом объектов;
- Распознаванием / классификацией / фильтрацией объектов;
- Выделением аттрибутов / извлечением признаков / поиском в пространстве признаков;
- Разворачиванием моделей с использованием ONNX и TensorRT.

Знаком с большинством современных технологий применяющихся для извлечения информации из изображений и видео:

Классификаторы: Resnet -*,DenseNet, MobileNet ... / оптимизаторы / функции активации
Детекторы: tinyYolo, YOLOv3
Сегментация YOLACT, Fr-RCNN, UNET
Распознавание действий на видео ResNet3D/2+1
Семантическая сегментация DeepLab
Нахождение ключевых точек/ landmark detection / pose estimation
Посторонние векторов-признаков (embedding) , TripletLoss, кластеризация.

Использую технологический стек: Python / Pytorch / Numpy / OpenCV / TensorRT / git / Docker .

Кроме того этого есть значительный опыт разработки web - приложений (backend, REST, PHP/Laravel) может пригодится для быстрого прототипирования.

Интересны проекты связанные с обучением сверхточных нейросетей для анализа изображений: поиск объекта на изображении, определение свойств, распознавание надписей и.т.п.

Приоритет работе с командами в которыйх есть по крайне мерее один project-manager и тестировщик.

Образование, опыт, проекты здесь:
ru: http://gan4x4.ru
en: https://stackoverflow.com/story/gan4x4

Памятка для заказчика.
Прежде чем приступать к проекту связанным с машинным обучением нужно иметь ответы на два вопроса:

1. На каких данных обучать модель?

Если задача кем-то уже решалась, то данные для нее скорее всего уже есть в одном из открытых dataset:

Объекты популярные объекты (люди, машины, предметы)
http://cocodataset.org/
https://storage.googleapis.com/openimages/web/index.html

Лица:
http://www.cfpw.io/
http://www.robots.ox.ac.uk/~vgg/data/vgg_face2/

Улицы:
https://www.cityscapes-dataset.com/
https://www.mapillary.com/dataset/

Действия:
https://research.google.com/youtube8m/
https://deepmind.com/research/open-source/kinetics

Тогда можно не обучать собственную модель, использовать уже обученную и переходить ко 2-му вопросу.

В противном случае надо решить:
- где взять данные?
- кто их будет размечать?*

*Поручить разметку программисту плохая идея: это сделает проект в 10 раз дороже и в три раза дольше.

2. Какой требуется результат и как работа будет приниматься?

Стандартный способ иметь в запасе некоторое количество данных на которых модель должна отработать с определённой точностью.

При этом:

- данные должны быть того же качества что и те на которых модель обучалась
- данные не должны находиться в открытом доступе**

**Так как недобросовестный исполнитель просто может обучить модель на них.

Например, критерий приёмки может звучать так:

Пропуск не более 20% целевых объектов, при этом ложных срабатываний не более 7%. Тест проводится на ….