Ver categorias
Explorar
Fiverr Pro
Português
$
USD
Construirei modelos de detecção, classificação e estimativa de pose de objetos
De linhas de código a sorrisos!
Olá. Meu nome é Arsenii e sou estudante de Ciência da Computação na UCU. Estou aqui para ganhar experiência e ajudar pessoas que precisam das minhas habilidades.
Outro de meus objetivos é oferecer va...
Nível 1
Atendeu a determinados critérios de desempenho e demonstra forte potencial no marketplace.
Sobre este Serviço
Ofereço modelos personalizados profissionais para detecção de objetos, classificação, estimativa de pose e segmentação. Os modelos são construídos usando arquiteturas de ponta como YOLOv8, YOLOv11, Mask R-CNN, Swin Transformer e ResNet.
Tenho realizado diversos projetos em imagens médicas, automação industrial, garantia de qualidade (detecção de defeitos) e biomecânica humana (análise de movimento).
O pipeline inclui preparação de dataset, treinamento, avaliação (mAP, precisão, recall, matriz de confusão) e scripts de inferência prontos para implantação. Processamento de vídeo em tempo real é suportado. Modelos de ensemble avançados são usados para tarefas críticas de precisão em soluções premium.
Treinamento em CPU, GPU, multi-GPU e TPU é suportado. TPU acelera significativamente o treinamento de grandes datasets usando TensorFlow, PyTorch/XLA e HuggingFace Transformers (para modelos Swin).
Todos os pacotes incluem um relatório detalhado de avaliação e um período curto de testes para garantir que o modelo atenda às suas necessidades de precisão e velocidade.
APIs:
API do Google Cloud Vision
Linguagem de programação:
Python
•
SQL
•
Colab
Ferramentas:
caderno Jupyter
•
opencv
•
fluxo tensor
•
CVAT
•
Colab
•
PyTorch
Frameworks:
Scikit-learn
•
DeepPy
•
keras
•
PyTorch
•
Panda
Meu portfólio
Perguntas frequentes
Tradução automática
Quantas imagens preciso para bons resultados?
No mínimo 100 imagens por classe para objetos simples, 300 ou mais para cenários complexos. Quanto mais dados, melhor o desempenho, mas uso técnicas avançadas de aumento para maximizar resultados com datasets menores.
E sobre métodos de ensemble no pacote Premium?
Ensemble combina previsões de múltiplos modelos (por exemplo, YOLOv8, EfficientDet, Faster R-CNN) usando técnicas como fusão de Non-Maximum Suppression ou média ponderada. Geralmente melhora o mAP em 2-5%, mas aumenta o tempo de inferência.
Vocês fornecem suporte de implantação?
Entrego modelos em múltiplos formatos (PyTorch, ONNX, TensorRT) com scripts de inferência. Orientações básicas de implantação estão incluídas, mas implantação complexa na nuvem ou na borda é um serviço adicional.
