Ich trainiere und stelle eigene yolo-Objekterkennungsmodelle in Echtzeit bereit

Einige Informationen wurden automatisch übersetzt.

Pakistan

Ich spreche Urdu, Englisch

Computer Vision Engineer, YOLO und Echtzeit-Deployment

Computer Vision Ingenieur, spezialisiert auf YOLO-Objekterkennung, Echtzeit-Deployment und Dataset-Qualitätsprüfung. Ich baue Pipelines in PyTorch, OpenCV, YOLO und TensorRT, inklusive multithreaded ...
Über diesen Service

Ich trainiere YOLO-Erkennungsmodelle, die auch nach dem Deployment noch funktionieren.


Die meisten Erkennungsarbeiten sehen im Bericht stark aus, verschlechtern sich aber in der Produktion. Die übliche Ursache ist eine geleakte Train/Test-Aufteilung: doppelte Frames auf beiden Seiten oder ein Artefakt in der Sammlung, das das Modell lernt, anstatt dein Objekt. Ich prüfe das zuerst, damit die Metriken, die ich berichte, auch die tatsächlichen sind, die du bekommst.


WAS DU BEKOMMST


Trainierte Modelgewichte, einsatzbereit

Vollständiger Trainings- und Inferenz-Code, dokumentiert

Präzision, Recall, F1, mAP@50, mAP@50-95, Verwirrungsmatrix

Aufschlüsselung der Stärken und Schwächen pro Klasse

Schriftliche Zusammenfassung der Fehlerarten und wie man sie behebt


DEPLOYMENT


Standardmäßig wird ein FastAPI-Inferenz-Endpunkt in Docker hinzugefügt, eine API, die deine Anwendung aufrufen kann.


Premium fügt ONNX- und TensorRT-Export mit benchmarkter Latenz und FPS auf deiner Zielhardware hinzu, wo die meisten Freelance-CV-Arbeiten aufhören.


WAS ICH BRAUCHE


Gelabelte Bilder in YOLO, COCO oder Pascal VOC. Unlabelled ist auch okay, ich annotiere ebenfalls.


Sende mir die Größe deines Datensatzes, die Klassenanzahl und die Zielhardware, und ich sage dir, welches Paket passt.

Expertise:

Bildverarbeitung

•

Feature-Lernen

•

Klassifizierung

Programmiersprache:

Python

•

SQL

Tools:

Jupyter-Notizbuch

•

opencv

•

PyTorch

•

Andere

Frameworks:

scikit-learn

•

keras

•

PyTorch

•

Andere

Mein Portfolio