Создание нейросетей – работа для фрилансеров в Воронеже

Разработка с нуля, тестирование. Здраствуйте. Cейчас есть проблема со многими сельхозработами в поле из-за отсутствия сигнала GPS в некоторых областях из-за известных событий. Наши клиенты для автопилотирования тракторов пользовались ранее системами основанными на точном позиционировании, сейчас это стало невозможным из-за глушилок. Поэтому появилась идея использовать компьютерное зрение для корректировки движения трактора с прицепным орудием в поле. Тракторист не может всегда точно определять край обработки, так как орудие находится сзади трактора и без GPS возникают огрехи или двойная обработка, имеется в виду при посеве или культивации. Возможно ли установить видеокамеры на краях прицепного культиватора (или сеялки), вывести видео поток с них на какой-нибудь миникомпьютер в кабине трактора, обработать его алгоритмом с целью получения на выходе сигнала вправо — влево для корректировки трактории трактора? Ранее для этого использовались так называемые механические маркёры (сейчас они также используются). Но это решение на широкозахватных машинах не так удобно и технически трудоёмко. Кроме того, это уже анахронизм. Вот пример следа от пропашной сеялки, на видео https://youtu.be/ogDzUn4Dehg?t=496 это полоса от следа пропашной сеялки, которая идёт примерно 50 см вправо от края всходов озимой пшеницы. Возможно ли детекторовать такой след с достаточной точностью с помощью компьютерного зрения, если расположить над ним видеокамеру? Видеокамеру можно установить на краю сеялки и при обратном проходе уже корректировать движение трактора. На данном видео, при посеве корректировка (автопилотирование) происходит от навигации. Но, как я написал выше, сейчас это является проблемой. Если это возможно, то сколько примерно может стоить такая работа по написанию кода? Можете ли вы мне в этом помочь? Спасибо.

Разработка с нуля. Питон аишрам и тд. Вообщем автоматику надо реализовать.

Разработка с нуля. Техническое задание на разработку нейросети для работы с версиями DL USA Цель проекта Разработка и тренировка нейронной сети для обработки, распознавания и модификации всех версий DL (водительских удостоверений) США с целью сохранения оригинального вида документа включая шрифты, блики, потертости и метаданные после внесения изменений. Основные функциональные требования 2.1 Распознавание всех версий DL США: Разработка и обучение нейросети на большом наборе данных, включающем все версии DL. Нейросеть должна быть способна к корректной работе с изображениями DL разной степени четкости, освещенности, а также сделанными под разными углами. 2.2 Редактирование данных на DL: Разработка алгоритмов для замены текстовых полей, изображений и баркодов на основе вводимых пользователем данных. Замена должна быть максимально натуральной, без видимых следов редактирования. Использование технологий генерации изображений для создания новых фотографий и баркодов, совместимых с оригинальным стилем DL. 2.3 Сохранение оригинального вида DL после редактирования: Все изменения должны быть внесены так, чтобы они не нарушали общего стиля и дизайна DL. Разработка алгоритмов для сохранения исходных стилей, шрифтов, бликов, потертостей и метаданных. Пользовательский интерфейс 3.1 Разработка простого и понятного пользовательского интерфейса для загрузки изображений DL, ввода новых данных для замены и сохранения обработанного изображения DL. Требования к алгоритмам и моделям 4.1 Подбор и применение наиболее подходящих архитектур нейросетей, таких как свёрточные нейросети (CNN) для распознавания и обработки изображений и генеративно-состязательные сети (GAN) для создания новых изображений, близких к оригинальному стилю. 4.2 Использование передовых методов обработки изображений и машинного обучения для повышения эффективности и точности модели. Метрики успеха 5.1 Определение конкретных метрик для оценки эффективности и точности системы, таких как процент успешного распознавания DL, качество редактирования данных и т.д. Форматы данных 6.1 Определение поддерживаемых форматов для входных и выходных данных, включая, но не ограничиваясь, JPEG, PNG и т.д. Требования к производительности 7.1 Установление требований к времени обработки изображения и к аппаратным ресурсам, необходимым для функционирования системы. Документация и обучение 8.1 Уточнение требований к документации по проекту, включая пользовательские руководства и технические описания. Разработка обучающих материалов или ресурсов для пользователей. Обработка ошибок 9.1 Разработка стратегии обработки ошибок и исключительных ситуаций в процессе работы системы, включая отказ системы, некорректные входные данные и т.д. Безопасность и конфиденциальность данных 10.1 Разработка и внедрение стратегии безопасности для защиты данных пользователей, включая шифрование данных и использование безопасных протоколов передачи данных. 10.2 Обеспечение соответствия всех процессов с действующим законодательством в области обработки и защиты личных данных. Разработка стратегии для обработки и уничтожения информации после использования. Тестирование и валидация 11.1 Разработка стратегии и проведение комплексного тестирования модели на различных этапах её разработки для обеспечения качества и надежности. 11.2 Процесс валидации модели с использованием тестового набора данных для проверки эффективности и точности. Поддержка и обновления 12.1 Обеспечение технической поддержки и регулярных обновлений после внедрения системы, с целью поддержания её актуальности и корректной работы. Масштабирование 13.1 Разработка плана действий для возможного масштабирования системы в будущем.

Разработка с нуля. Определение типа облачности по спутниковому снимку.