Ik bouw computer vision en beeldclassificatiemodellen
AI en ML Engineer
Over deze dienst
Ben je op zoek naar op maat gemaakte Computer Vision of Deep Learning oplossingen gebouwd in PyTorch?
Ik ben gespecialiseerd in het bouwen, finetunen en evalueren van productieklare vision modellen voor toepassingen in de echte wereld.
Wat ik voor jou kan maken:
- Beeldclassificatie & Medische AI: CNNs, MobileNetV2, ResNet, EfficientNet.
- Objectdetectie: Op maat gemaakte YOLO modellen, realtime tracking en OpenCV integratie.
- Modelafstemming & optimalisatie: Omgaan met klassenonevenwichtigheid, aangepaste verliesfuncties en drempeloptimalisatie (maximaliseren van Recall/Precision).
- Explainable AI (XAI): Spatial Grad-CAM heatmaps om modelvoorspellingen visueel te verifiëren.
- Aangepaste inference API's: FastAPI microservices om je modellen te implementeren.
Wat je ontvangt:
- Goed gedocumenteerde Google Colab notebook (.ipynb) of modulaire Python broncode (.py).
- Getrainde modelgewichten (.pt / .pth) en configuratiebestanden.
- Volledige evaluatieset: Seaborn verwarringsmatrices, classificatierapporten en trainingscurves.
Neem voor het plaatsen van een bestelling contact met mij op om je dataset en modelvereisten te bespreken!
API's:
Overige
Programmeertaal:
Python
•
Colab
Tools:
Jupyter-notitieboek
•
opencv
•
tensorflow
•
Excel
•
Colab
•
PyTorch
Frameworks:
Scikit-learn
•
keras
•
PyTorch
•
Panda
Mijn portfolio
Andere Data science en ML diensten die ik aanbied
Veelgestelde vragen
Automatische vertaling
Wat moet ik doorgeven voordat ik een bestelling plaats?
Geef alsjeblieft een duidelijke samenvatting van je projectdoelen en toegang tot je dataset (of een voorbeeldsubset) via Google Drive, Kaggle of Zip. Als je nog geen dataset hebt, neem eerst contact met me op en ik help je er een te vinden of te structureren.
Ontvang ik de volledige Python code en getrainde modelbestanden?
Ja! Elke service bevat de volledige, goed gedocumenteerde Google Colab notebook (.ipynb) of schone Python bronbestanden (.py), samen met de getrainde PyTorch gewichten (.pt of .pth) en configuratiebestanden.
Kun je omgaan met kleine, sterk onevenwichtige datasets?
Absoluut. Ik gebruik gespecialiseerde technieken zoals class weighting (pos_weight), focal loss, analyse van precision-recall curves en gerichte drempeloptimalisatie om sterke modelprestaties te garanderen, zelfs bij sterk onevenwichtige data.
Hoe weet ik zeker dat het model niet gewoon een "black box" is die voorspellingen raadt?
Ik bied spatial Grad-CAM heatmaps die exact de pixelgebieden laten zien die de beslissingen van het model sturen, naast volledige Seaborn verwarringsmatrices en classificatiemetrics (Precision, Recall, F1-score).
Kun je het model als API inzetten voor mijn web- of mobiele app?
Ja, onder het Premium pakket (of als maatwerk toevoeging) kan ik een lichte FastAPI microservice bouwen om voorspellingen direct aan je applicatie of web backend te leveren.

