Марат К. , Middle, ML-инженер
О специалисте
Реализовал production-пайплайн сегментации повреждений аграрной техники в 4K-разрешении с F1-score 93.3% (ансамбль PIDNet + OneFormer, тайловая инференс-схема). Повысил качество моделей CV за счёт генерации синтетических данных (FLUX + LoRA): прирост F1 с 88% до 93% без ручной разметки. Ускорил пайплайн детекции повреждений в 1.4 раза, внедрив предварительную ML-фильтрацию и оптимизировав архитектуру под бизнес-требования. Улучшил OCR-модель распознавания номеров, снизив CER на 3% за счёт претрейна на расширенном собственном датасете. Протестировал использование LLM (Qwen) для OCR и синтетической разметки данных без участия человека. Реализовал zero-shot псевдоразметку с BLIP и SigLIP, увеличив объём размеченных данных в 2 раза. Разработал и вывел в продакшен систему детекции и сегментации логотипов (MAP@50 = 94%), оформленную как FastAPI-сервис. Повысил производительность YOLOX-модели для детекции персонала на 32% за счёт оптимизации бэкбона. Стандартизировал ML-эксперименты и трекинг метрик, переведя процессы на MLflow.
Примеры работ
- Реализовал высокоточный пайплайн сегментации повреждений аграрной техники в 4K-разрешении с использованием ансамбля SOTA-моделей PIDNet и OneFormer; достиг F1-score 93,3% за счёт тайлового инференса и оптимизации обработки изображений.
- Разработал и внедрил генерацию синтетических данных повреждений на базе FLUX + LoRA, что позволило увеличить F1-score с 88% до 93% без привлечения дополнительной ручной разметки.
- Оптимизировал пайплайн обнаружения повреждений оборудования: внедрил этап предварительной фильтрации с отдельной моделью, ускорив общее время обработки в 1,4 раза; участвовал в коммуникации с заказчиком и формировании бизнес-требований.
- Улучшил OCR-модель распознавания номерных знаков за счёт дополнительного pretraining на расширенном собственном датасете текстов, снизив CER (Character Error Rate) на 3%.
- Исследовал применение LLM (Qwen) для OCR и автоматической синтетической разметки данных без участия человека.
- Реализовал zero-shot псевдоразметку с использованием BLIP и SigLIP, что позволило в 2 раза увеличить объём размеченных данных.
- Разработал и внедрил пайплайн детекции логотипов и их instance-сегментации с использованием YOLO ACT++, достигнув точности MAP@50 = 94%. Решение обёрнуто в FastAPI-сервис и выведено в продакшен.
- Спроектировал систему детекции персонала с точностью >98%; оптимизировал модель YOLOX за счёт репараметризации бэкбона, увеличив скорость инференса на 32%.
- Централизовал и стандартизировал процесс экспериментов, переведя обучение и трекинг моделей на MLflow (метрики, артефакты, версии моделей).
Образование
Оставьте заявку и, наша команда в кратчайшие сроки подберёт необходимого специалиста за вас!
Помните, что заключение договора и оплата услуг происходит после того, как вы выбрали специалиста
