Explorar las categorías
Explora
Fiverr Pro
Español
$
USD
Construiré modelos de detección de objetos, clasificación y estimación de pose.
¡Desde líneas de código hasta sonrisas!
Hola. Me llamo Arsenii y soy estudiante de Ciencias de la Computación en la UCU. Estoy aquí para adquirir experiencia y ayudar a las personas que necesitan mis habilidades. Otro de mis objetivos es ap...
Nivel 1
Ha cumplido determinados criterios de rendimiento y muestra un gran potencial en la plataforma.
Acerca de este Servicio
Ofrezco modelos personalizados profesionales para detección de objetos, clasificación, estimación de pose y segmentación. Los modelos se construyen usando arquitecturas de primera categoría como YOLOv8, YOLOv11, Mask R-CNN, Swin Transformer y ResNet.
He completado numerosos proyectos en imágenes médicas, automatización industrial, control de calidad (detección de defectos) y biomecánica humana (análisis de movimiento).
El proceso incluye preparación del conjunto de datos, entrenamiento, evaluación (mAP, precisión, recall, matriz de confusión) y scripts de inferencia listos para despliegue. Se soporta procesamiento en tiempo real de video. Se utilizan modelos de ensamblaje avanzado para tareas críticas de precisión en soluciones premium.
Se soporta entrenamiento en CPU, GPU, multi-GPU y TPU. TPU acelera significativamente el entrenamiento para grandes conjuntos de datos usando TensorFlow, PyTorch/XLA y HuggingFace Transformers (para modelos Swin).
Todos los paquetes incluyen un informe de evaluación detallado y un período corto de prueba para asegurar que el modelo cumple con tus requisitos de precisión y velocidad.
API:
Google Cloud Vision API
Lenguaje de programación:
Python
•
SQL
•
Colab
Herramientas:
Jupyter Notebook
•
opencv
•
TensorFlow
•
CVAT
•
Colab
•
PyTorch
Marcos:
Scikit-learn
•
DeepPy
•
keras
•
PyTorch
•
Panda
Mi porfolio
FAQ
Traducción automática
¿Cuántas imágenes necesito para obtener buenos resultados?
Mínimo 100 imágenes por clase para objetos simples, 300 o más para escenarios complejos. Más datos siempre mejoran el rendimiento, pero uso técnicas avanzadas de aumento para maximizar resultados con conjuntos de datos más pequeños.
¿Qué hay de los métodos de ensamblaje en el paquete Premium?
El ensamblaje combina predicciones de múltiples modelos (por ejemplo, YOLOv8, EfficientDet, Faster R-CNN) usando técnicas como fusión de Non-Maximum Suppression o promediado ponderado. Generalmente mejora el mAP en un 2-5% pero aumenta el tiempo de inferencia.
¿Ofrecen soporte de implementación?
Entrego modelos en múltiples formatos (PyTorch, ONNX, TensorRT) con scripts de inferencia. Incluyo orientación básica para despliegue, pero el despliegue complejo en la nube o en edge es un servicio adicional.
