1. Разметил часть датасета с помощью инструментов Label Studio и CVAT
2. Обучил модель Yolo8-obb (Oriented Bounding Box)
3. Разметил датасет для обучения CRNN(5000 боксов)
4. Обучил модель CRNN распознавать символы на СИ
5. Создал Telegram-Bot

1. Разметил часть датасета с помощью инструментов Label Studio и CVAT .
2. Написал скрипт для обнаружения года, модели и других классов на электросчётчиках

1. Произвел первичный анализ данных
2. Разметил часть датасета с помощью инструментов Label Studio и CVAT
3. Произвел обучение трех моделей YOLOv8
4. Разработал Telegram-бот, отправляющий фотографии на модель Yolo8, с последующим распознавание классов изображений моделью EasyOCR
5.  Развернул веб-сервер Nginx, на который отправляются распознанные данные
6. Полученные с веб - сервера данные формируют промежуточную базу данных MSSQL.для вторичной проверки соответствия типов ПУ существующему Госреестру, с возможностью вносить необходимые корректировки в базу данных типов ПУ
7. Создал на основе полученной интеграции Dockerfiles
8. Установил и развернул полученную интеграцию на сервере Заказчика
Архитектура интеграции: Telegram-бот -YOLOv8-obb - EasyOCR - Nginx - MSSQL. Docker

• Установка и развертывание созданной архитектуры на сервере клиента

1. Разметил часть датасета с помощью инструментов Label Studio и CVAT.
2. Сравнил различные моделиYOLOv8.
3. Подбирал гиперпараметры и обучал модели на полном датасете
4. Сравнивал разные системы распознавания ( Py Tesseract, easyOCR, OCR-2.0, GPT-4 Vision) и выбирал оптимальное решение, с корректировкой регулярными выражениями
5. Разработал Telegram-бот
6. Произвел интеграцию всех компонентов в единое решение в среде Linux следующей архитектуры: Telegram-бот- AIOGram 3.x - FastAPI - Torch- Docker

1. Разметил часть датасета с помощью инструмента CVAT
2. Принимал активное участие в создании презентации проекта
3. Занимался организационной работой и созданием лендинга проекта

Разметила часть датасета с помощью инструмента и CVAT.

1. Анализ исходных данных - изображения счетчиков учета представленных заказчиком - - качество изображений, читаемость основных полей данных
2. Анализ исходных данных - база данных - наименования и типы данных, определения ошибок в наименованиях и их корректировка
3. Написание алгоритмов улучшения качества изображения и автоматической корректировки угла наклона изображения
4.Разметка датасета для обучения модели YOLOv8-obb
5. Объединение датасетов, их проверка и корректировка, формирование полного датасета, обучающих и проверочных выборок
6. Эксперименты с параметрами модели для улучшения результатов предсказания. Анализ влияния параметров модели на результаты предсказания
7. Обучение моделей YOLOv8-obb (yolov8n-obb.pt, yolov8s-obb.pt, yolov8m-obb.pt), выбор оптимальной модели для проекта по результатам анализа качества, размера и скорости работы
8. Анализ качества систем распознавания на основе реальных данных получаемых в проекте (EasyOCR, Tesseract, дополнительно проанализировано качество распознавания с помощью больших языковых моделях OpenAI GPT-4V и Anthropic Claude 3,5 Opus)
9. Подготовка датасета для дообучения модели распознавания EasyOCR
10. Создание алгоритма и скрипта для корректировки данных по результатам распознавания. Написание масок для проверки наличия в данных русских, английских символов и цифр
11. Написание тестовых вариантов модулей-скриптов для определения номера Госреестра счетчиков учета электроэнергии (ПУ) с созданием следующей архитектуры: Telegram-бот -YOLOv8-obb - EasyOCR
 12. Модуль для обработки распознанных данных со счетчиков электроэнергии и получения информации из базы данных номера Госреестра