Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Je vais construire un modèle personnalisé de détection d'objets, segmentation
Quan P
À propos de ce service
Traduction automatique
Je crée et déploie des modèles personnalisés de détection d'objets pour le contrôle qualité industriel, l'inspection des défauts et la surveillance visuelle en temps réel.
Ce que j'apporte :
- Expérience pratique dans la formation et le déploiement de YOLOv8, RF-DETR et MVANet pour la détection de défauts industriels et les pipelines d'inspection de produits
- Co-auteur d'un article de recherche sur l'inspection des défauts de chaussures (publié à IPMV 2026), axé sur des modèles de détection efficaces et compacts
- Capacité de gestion complète du pipeline : prétraitement des données, formation, évaluation, déploiement API REST (FastAPI)
Ce que vous obtenez :
- Un modèle entraîné adapté à vos classes d'objets/défauts spécifiques
- Des métriques de précision claires (précision, rappel, mAP) pour que vous sachiez exactement ses performances
- Un code d'inférence propre, documenté, pas une boîte noire
Je travaille mieux avec des clients qui disposent déjà d'un dataset (même petit/non étiqueté, je peux vous guider à ce sujet). Discutons de votre cas d'utilisation avant de commander pour m'assurer de bien comprendre vos besoins.
Découvrez Quan P
Quan P
AI Engineer
- DeVietnam
- Membre depuissept. 2026
- Temps de réponse moy.1 heure
Langues
Vietnamien, Anglais
I'm an AI Engineer specializing in Computer Vision and LLM integration. I've built and deployed object detection & defect inspection models (YOLOv8, RF-DETR, RTMDet) for industrial quality control, and developed RAG-based chatbots and AI automation workflows using FastAPI and n8n. I focus on shipping production-ready AI solutions — not just prototypes — that solve real business problems fast.
Traduction automatique
FAQ
Traduction automatique
Combien d'images dois-je fournir ?
Pour un modèle de départ solide, je recommande au moins 200 à 300 images étiquetées par classe d'objet/défaut. Moins est possible mais la précision sera inférieure — je serai transparent sur les performances attendues en fonction de la taille de votre dataset avant de commencer.
À quelle précision puis-je m'attendre ?
Cela dépend fortement de la qualité des données et de la complexité des classes. Des projets similaires de détection de défauts industriels sur lesquels j'ai travaillé ont atteint entre 85 et 95 % de mAP avec des données bien étiquetées. Je partagerai des métriques réelles sur votre dataset spécifique pendant le projet, pas seulement une promesse.
Mon dataset n'est pas encore étiqueté — pouvez-vous quand même aider ?
Oui, mais l'annotation n'est pas incluse dans le tarif Basic/Standard. Contactez-moi d'abord avec un échantillon de vos données pour que je puisse estimer précisément le temps d'annotation.
Pouvez-vous déployer cela en tant qu'API que je peux intégrer dans mon système ?
Oui — c'est le package Premium, qui inclut un endpoint FastAPI prêt à l'intégration, plus 7 jours de support après livraison.
