Разработать систему для распознавания государственных номеров на автобусах
Задача
Требования:
* Система должна работать на основе нейросетей.
* Входные данные: изображение с камеры (до 4K).
* Выходные данные: список распознанных номеров.
* Типы номеров для распознавания:
- Прямоугольный белый
- Прямоугольный жёлтый
- Квадратный белый
- Квадратный жёлтый
* Точность распознавания: не менее 99%.
* Запуск через Python (например, подача изображения в командной строке).
* Поддержка работы через NVIDIA GPU (CUDA).
* Решение должно работать полностью оффлайн, без привязки к интернету.
Ожидаемый результат:
Готовый скрипт/модуль, который можно запускать локально, подавая изображение, и получать список распознанных номеров.
Оставлять заявки могут только авторизованные пользователи.
Готов разработать систему распознавания госномеров автобусов на основе нейросетей.
Решение будет работать полностью оффлайн, с поддержкой NVIDIA GPU (CUDA).
Что реализую в рамках задания:
— Обнаружение номерных знаков на изображении (YOLOv8).
— Распознавание символов (OCR-модель, дообучение под номера РФ).
— Поддержка форматов: прямоугольные/квадратные, белые/жёлтые номера.
— Вход: изображения до 4K, выход: список распознанных номеров.
— Запуск через Python-скрипт (CLI).
Базовая версия будет работать локально и обеспечит высокую точность (>95%).
При необходимости можно дообучить под ваш набор данных для повышения точности до требуемого уровня.
Опыт есть в компьютерном зрении, Python, PyTorch, YOLO, OCR.
09:14 01.09.25
Подскажите, пожалуйста: предоставите ли вы датасет с изображениями автобусов для обучения/валидации,
или использовать открытые наборы данных (например, Russian license plates dataset)?
Приветствую! Ознакомился с задачей по распознаванию государственных номеров на автобусах — готов реализовать, в разработке 7+ лет.
• Python • PyTorch / TensorFlow • OpenCV • CUDA / NVIDIA GPU • OCR (CRNN / EasyOCR / PaddleOCR) • Оптимизация оффлайн-моделей TG: https://t.me/Alexuys
Создавал чат-ботов для сайтов с ИИ: автоматизация ответов, интеграция с ChatGPT, DialogFlow и другими нейросетями. Также занимался ботами-эмуляторами для соцсетей. Есть опыт работы с подобными сервисами распознавания чего либо. Смогу реализовать вашу задачу учитывая ваши требования, пишите.
Кейсы:
1) @aiConn_bot — бот для генерации изображений на основе Stable Diffusion. Также создан канал с примерами работ.
https://t.me/aiConn_gallery
2) Чат-бот для агрегирования новостей из каналов, их рерайта, сокращения и формирования дайджестов.
https://ainna.notion.site/3d950e98640146b1bc511b66f16f1287
3) Робот-обзвонщик с админ-панелью: настройка диалогов, интеграция с Asterisk и TensorFlow.
https://disk.yandex.ru/d/nqtWX5f3-hgUOQ
Всегда на связи с 8:00 до полуночи, включая выходные.
Гарантирую качество работы. Поддерживаю проекты годами, без абонентской платы.
Добрый день. Занимаюсь машинным и глубоким обучением. Специализируюсь в том числе на компьютерном зрении для распознавания и классификации объектов на изображениях и видео. Занимался разработкой программ и систем компьютерного зрения для распознавания текста, номеров автомобилей, документов, текста документов, надписей на изображениях, распознаванием различных объектов для видеоаналитики, добиваясь заявленной точности, применяя продвинутые нестандартные методы обработки данных с помощью алгоритмов машинного обучения особого типа. Другие мои отзывы доступны в моём профиле, там же можете ознакомиться с моим другим опытом работы касательно компьютерного зрения и обработки изображений. Давайте обсудим и я решу Вам Вашу задачу на этой неделе. Ознакомился с другими предложениями и скажу, что в Ваш бюджет вполне можно уложиться.
Здравствуйте готов рассмотреть ваше предложение занимаюсь этим больше 5 лет сделаю всё красиво после пред оплаты , чтобы я знал что можно работать дальше
Меня зовут Ян, я опытный программист с 5 годами в разработке, специализируюсь на создании надежных, масштабируемых и эффективных решений под ключ — от идеи до запуска и поддержки.
За плечами — реализация более 29 проектов разной сложности: от MVP стартапов до корпоративных систем для бизнеса в сферах e-commerce, финтех, SaaS, логистика, образование, медицина и т.д.
Что я предлагаю:
Веб-разработка:
— Frontend (React, Vue, Angular, TypeScript, HTML/CSS)
— Backend (Node.js, Python/Django/Flask, PHP/Laravel, .NET, Java)
— Fullstack-разработка под ключ
Поддержка и доработка:
— Рефакторинг «старого» кода, устранение багов, оптимизация производительности
— Техническая поддержка на постоянной основе
Консультации и аудит:
— Технический аудит проекта, оценка архитектуры, рекомендации по масштабированию.
Результаты моей работы:
Сокращение времени загрузки приложения — на 70%
Устранение критических багов — за 24 часа
Автоматизация бизнес-процессов — экономия до 30 часов/неделю
Запуск MVP за 4 недели вместо 3 месяцев
Интеграция с 5+ внешними сервисами без простоев
Добрый день! Уже работал с подобными заданиями, так что труда с выполнением не будет как я считаю, Имею большой опыт в данной сфере, такую стоимость своей работы поставил, чтоб вы взяли именно мою кандидатуру:)
Здравствуйте! Меня зовут Артур, я Deep Learning Researcher с опытом в компьютерном зрении более 5 лет. Работал в таких компаниях как Sber, VK, Huawei. Занимался задачами Generative AI, Object Detection/recognition, OCR. Буду рад пообщаться подробнее и помочь с Вашей задачей!
Здравствуйте
Меня зову Юрий.
Со сроком выполнения пока что сложно определиться.
Реализовать задачу можно попробовать
Если интересно, пишите на почту github.yuriy@mail.ru
Обговорим детали
Готов выполнить ваше задание за 15 дней.
У меня есть опыт обработки изображений и поиска на них необходимой информации.
Опыт работы на Python более 3 лет. Последние 1,5 года активно работаю с ИИ.
Стоимость и время разработки системы для распознавания государственных номеров на автобусах зависят от многих факторов — сложности задачи, качества обучающих данных, выбранного решения и команды разработчиков.
Разработка полностью кастомного решения с нуля под ваши требования (нейросетевой детектор и OCR, обучение моделей, обеспечение CUDA поддержки, высокая точность и оптимизация для 4K изображений) с нуля у специалистов в России может обойтись примерно от 500 000 до 1 500 000 рублей.
Для разработки системы распознавания государственных номеров на автобусах с заданными требованиями оптимально использовать нейросети для двух этапов: детекция номерного знака и распознавание символов.
Основные компоненты системы
Детекция номерного знака:
Использовать архитектуру YOLOv8 или YOLOv11, дообученную на примерах всех четырёх типов номеров: прямоугольные белые и жёлтые, квадратные белые и жёлтые.
Обеспечить поддержку CUDA для ускорения работы на NVIDIA GPU.
Детекция даст координаты и тип обнаруженного номера на изображении.
Распознавание текста (символов):
Выделить номер с помощью OpenCV на основе координат из детектора.
Использовать специализированную OCR-модель (например, LPRNet, CRNN или Transformer-based) с обучением на кириллице и цифровых символах, учитывая особенности формата номеров.
Модель должна быть обучена так, чтобы достигать точности 99%+.
Предобработка:
Аффинное преобразование для выравнивания номера (коррекция перспективы).
Улучшение изображения (фильтры, бинаризация) для повышения качества распознавания
Интерфейс:
Python-скрипт, который принимает путь к изображению командной строкой.
Возвращает список распознанных номеров (с типом номера если требуется).
Полная офлайн-работа:
Все модели и библиотеки хранятся локально.
CUDA для ускорения нейросетей на GPU.
Отсутствие сетевых вызовов.
Все это можно реализовать в высоком качестве, если Вам это нужно.
Если же нет, тогда нужно убрать лишнее: Быстро, Дешево, Качественно.
Разработать систему для распознавания государственных номеров на автобусах
Реклама
Разработать систему для распознавания государственных номеров на автобусах
Требования:
* Система должна работать на основе нейросетей.
* Входные данные: изображение с камеры (до 4K).
* Выходные данные: список распознанных номеров.
* Типы номеров для распознавания:
- Прямоугольный белый
- Прямоугольный жёлтый
- Квадратный белый
- Квадратный жёлтый
* Точность распознавания: не менее 99%.
* Запуск через Python (например, подача изображения в командной строке).
* Поддержка работы через NVIDIA GPU (CUDA).
* Решение должно работать полностью оффлайн, без привязки к интернету.
Ожидаемый результат:
Готовый скрипт/модуль, который можно запускать локально, подавая изображение, и получать список распознанных номеров.