Je vais construire des modèles de détection d'objets, de classification et d'estimation de pose
Ingénieur en vision par ordinateur et intelligence artificielle, de la détection et OCR au déploiement
Niveau 2
Répond à des critères de performance élevés et a fait ses preuves en matière de satisfaction clients.
À propos de ce service
Je conçois et déploie des modèles personnalisés de détection d’objets, segmentation, classification et estimation de pose — et je les amène jusqu’à une utilisation en temps réel en production.
Exemples concrets livrés : évaluation de cartes à jouer par vision par ordinateur ; détection d’alertes sur tableau de bord de voiture (moteur, frein, AdBlue/DPF) à 15 FPS ; pipelines d’extraction de documents et d’étiquettes.
Ce que vous obtenez :
- Stratégie de dataset : revue d’annotation, augmentation, données synthétiques si cela aide
- Modèles modernes (YOLO, RT-DETR, transformers), ajustés à vos données
- Rapport d’évaluation honnête : mAP, précision/rappel sur un ensemble de test — pas des démonstrations sélectionnées
- Optimisation pour le temps réel : TensorRT/ONNX, GPU ou edge (Jetson), déploiement avec FastAPI
Activité principale : ingénieur en vision par ordinateur dans une startup d’IA, créant des pipelines de détection en temps réel. Finaliste (4e sur 198 équipes) d’un hackathon national d’IA. 48 commandes, 4.9 sur Fiverr.
Licence indiquée dès le départ : modèles AGPL (Ultralytics) versus alternatives Apache — vous choisissez en toute connaissance de cause.
GitHub : https://github.com/ArseniiStratiuk
Contactez-moi avec votre tâche et des données d’exemple — j’évaluerai honnêtement la faisabilité avant que vous passiez commande.
APIs:
Google Cloud Vision API
Langage de programmation:
Python
•
R
•
SQL
•
Colab
•
Java
Outils:
Jupyter Notebook
•
opencv
•
tensorflow
•
Excel
•
CVAT
•
Colab
•
PyTorch
Frameworks:
Scikit-learn
•
DeepPy
•
keras
•
PyTorch
•
Panda
Mon portfolio
FAQ
Traduction automatique
Combien d'images sont nécessaires pour de bons résultats ?
Minimum environ 100 images par classe pour des objets simples, plus de 300 pour des scènes complexes. Plus de données sont toujours utiles, mais j'obtiens les meilleurs résultats avec de petits ensembles de données en utilisant une augmentation forte et un fine-tuning efficace en paramètres (LoRA) — en adaptant de grands modèles préentraînés en ne réglant qu'une petite partie de leurs poids.
Fournissez-vous un support de déploiement ?
Je fournis des modèles dans plusieurs formats (PyTorch, ONNX, TensorRT) avec des scripts d'inférence. Une guidance de déploiement de base est incluse, mais le déploiement complexe sur cloud ou en edge est un service supplémentaire.
Le modèle peut-il fonctionner en temps réel ou sur des appareils en edge ?
Oui - c'est ma spécialité. J'optimise avec TensorRT/ONNX pour le GPU, Jetson et les déploiements en edge, et je fournis de vrais chiffres de FPS sur votre matériel cible, pas des benchmarks en laboratoire.
Qu’en est-il de la licence des modèles pour un usage commercial ?
Je précise la licence dès le départ : certains modèles (par exemple Ultralytics YOLO) sont sous licence AGPL et peuvent nécessiter une licence commerciale ; des alternatives sous licence Apache/MIT existent (par exemple RT-DETR). Vous choisissez en toute connaissance de cause.

