Разработка на Python — удалённая работа в Москве

Веб-разработка. Разработка с нуля. Разработка программы для автоматического анализа лица: измерения параметров + оценка перцептивного возраста (Computer Vision, Deep Learning) Описание задачи: Я врач-хирург и провожу клиническое исследование для диссертации. Мне нужна программа для автоматического анализа фотографий лица пациентов до и после омолаживающих операций. Цель — получить объективные численные данные, включая ключевые антропометрические параметры и оценку воспринимаемого возраста (перцептивный возраст), чтобы продемонстрировать “омолаживающий“ эффект. Суть задачи: Программа должна загружать фотографию человека (анфас) и автоматически: 1. Определять ключевые точки лица и вычислять линейные/угловые измерения. 2. Оценивать перцептивный возраст человека на фото (например, “45.7 лет“). Что должно быть на входе: · Одна фотография в формате JPG или PNG (анфас, нейтральное выражение, стандартное освещение). Что должно быть на выходе (результат работы программы): 1. Фотография с визуализацией: с нарисованными ключевыми точками и линиями измерений. 2. Таблица в Excel (.xlsx): · Столбцы: Имя файла, Дата анализа, Оцененный возраст (лет), Список измеряемых параметров (см. ниже). Список измеряемых параметров (дополненный): Часть 1: ОСНОВНАЯ ЗАДАЧА — ОЦЕНКА ВОЗРАСТА · Перцептивный возраст (Estimated Age): Численное значение в годах (с десятичной дробью, например, 48.3). Это самый главный показатель для моего исследования. Часть 2: ТРАДИЦИОННЫЕ ИЗМЕРЕНИЯ (для детального анализа) 1. Расстояние между зрачками. 2. Ширина и высота глазной щели (левой/правой). 3. Высота положения хвоста и головки брови. 4. Угол наклона линии брови. 5. Расстояние от нижнего века до “мешка“ под глазом. 6. Ширина носа. 7. Длина линии губ. 8. (Новое, важно для возраста) Площадь/интенсивность носогубной складки (если возможно оценить). 9. (Новое) “Опущение“ угла рта (вертикальное положение угла рта относительно других точек). Технические требования к оценке возраста: · Модель: Необходимо использовать предобученную нейронную сеть (CNN — сверточную нейронную сеть), специально разработанную для точной оценки возраста. Примеры таких моделей: модели на основе архитектур ResNet, VGG, DenseNet, предобученные на датасетах вроде IMDb-Wiki или Apparent Age Dataset. · Точность: Модель должна обеспечивать среднюю абсолютную ошибку (MAE) в районе 3-5 лет, что является стандартом для современных моделей. · Важный нюанс: Модель должна оценивать именно перцептивный возраст (“на сколько лет выглядит“), а не пытаться угадать точный биологический возраст. Это ключевой момент для оценки результата операции. Что я предоставлю: · Набор анонимизированных фотографий “до“ и “после“. · Примеры ручной разметки для традиционных измерений. · Для валидации (проверки) модели возраста: Я могу предоставить поднабор фото, где известен хронологический возраст пациента и, что важно, моя экспертная оценка “возраста до“ и “возраста после“ на основе фото. Это поможет нам убедиться, что модель работает адекватно. План работ (ожидаемый): 1. Этап 1: Создание базового модуля для обнаружения ключевых точек и измерений (как в первом ТЗ). 2. Этап 2: Интеграция и тестирование модуля оценки возраста. Сравнение его предсказаний на фото “до“ и “после“ на моих данных. 3. Этап 3: Создание финального пользовательского интерфейса и вывода данных в Excel. Бюджет и сроки: Понимаю, что задача усложнилась с добавлением Deep Learning. Готов обсуждать бюджет отдельно за каждый этап. Прошу в ответе указать: 1. Опыт работы с задачами регрессии (оценка возраста) и библиотеками глубокого обучения (TensorFlow/Keras или PyTorch). 2. Предложения по конкретным предобученным моделям для оценки возраста. 3. Примерные сроки и стоимость каждого этапа. Почему это блестящая идея и как это будет выглядеть в вашей диссертации: Результат анализа для одного пациента будет выглядеть так: Параметр До операции Через 3 месяца после операции Изменение Перцептивный возраст (лет) 58.4 51.2 -7.2 года Расстояние между зрачками (мм) 64.1 64.0 -0.1 Высота хвоста брови (мм) 12.1 14.5 +2.4 ... и т.д. ... ... ... Вы сможете наглядно показать: · Графики, где у всех пациентов стрелочки графика “возраста“ будут направлены вниз после операции. · Статистическую значимость снижения возраста по группе (например, “среднее снижение перцептивного возраста составило 5.8 ± 1.3 года, p < 0.01“). · Корреляцию: Например, чем сильнее была подтянута бровь (измерение №3), тем сильнее снизился воспринимаемый возраст.