Ключевые проекты и достижения: 1. Обучение и переобучение моделей - Разработка пайплайна обучения для моделей детекции и сегментации (Pytorch+Pytorch Lightning + ClearML) - Разработал пайплайн создания и версионирования датасетов (ClearML) 2. Система подсчёта животных в реальном времени (Computer Vision + MLOps) - Создал end-to-end решение на базе YOLOv8 + ByteTrack с учётом fisheye-искажений камер. - Достигнута точность 99% (верифицировано ручным подсчётом). - Ускорил инференс в 3.5x через TensorRT и оптимизацию постобработки. Технологии: YOLO, ByteTrack, OpenCV, TensorRT, Triton, Prometheus, FastAPI, Docker 3. Мониторинг корма в кормушках (Fullstack CV-решение) - Обучил кастомную детекционную модель (accuracy 99%, FPS=10 на Tesla V100). - Построил микросервисную архитектуру: Backend: FastAPI + Triton (инференс), Prefect (оркестрация задач). Data Pipeline: MinIO (хранение), PostgreSQL (результаты), Grafana (дашборды), Prometheus. 4. Определение заболеваемости животных - Реализовал гибридный пайплайн: сегментация (YOLOv8-seg) + данные тепловизора. - Настроил автоматические алерты в Grafana при отклонениях от нормы. 5. Анализ комфортных зон для животных - Реализовал алгоритм для выявления суточного распределения животных в загоне на основе детекции. - Реализовал end-to-end пайплайн по контролю за температурой полов в загоне для молодняка (сегментация + тепловизор + Grafana) 6. Фиксация выгрузки урожая (Video Analytics) Разработал алгоритм усреднения предсказаний по временным кадрам. Применил DINO + similarity search для фильтрации нерелевантных видео при сборе данных. 7. Data Pipeline (Big Data для CV) - Построил отказоустойчивый ETL на Prefect с записью данных в MinIO и MongoDB. - Разработал пайплайн semi-supervised разметки с двумя моделямии, загрузки предсказаний в CVAT для валидации и дальнейшего автоматического распределения данных после этого. Технологии: FastAPI, Docker, MongoDB, CVAT SDK, Datumaro, Triton, TensorRT Технологический стек Computer Vision: Детекция, Сегментация, ByteTrack, OpenCV. ML/DL: PyTorch, TensorRT, ONNX, DINO. MLOps: ClearML, Triton, Kubernetes (основы), Prometheus/Grafana. Data Engineering: Prefect, MinIO, PostgreSQL, MongoDB, Redis, Kafka. Инфраструктура: Docker, микросервисы (FastAPI).

- поиск и формирование датасетов для обучения предсказательных моделей; - разработка и обучение моделей классического машинного обучения (skitlearn) для диагностики заболеваний на табличных данных; - разработка и обучение моделей глубокого обучения (Tensorflow, PyTorch) для выявления патологий в области CV; - изучение научных статей и других публикаций в области машинного обучения, лечения заболеваний и борьбы со старением

- формирование и разметка датасетов; - разработка и обучение моделей глубокого обучения для решения задач детектирования объектов; - изучение материалов о БПЛА, ИК-камерах и новых подходах в компьютерном зрении