Door categorieën bladeren
Ontdekken
Fiverr Pro
Nederlands
$
USD
Ik bouw een aangepast objectdetectie- en segmentatiemodel
Quan P
Over deze dienst
Automatische vertaling
Ik ontwikkel en implementeer aangepaste objectdetectie-modellen voor industrieel kwaliteitscontrole, defectinspectie en realtime visuele monitoring.
Wat ik breng:
- Praktijkervaring met het trainen en inzetten van YOLOv8, RF-DETR en MVANet voor industriële defectdetectie en productinspectie pipelines
- Co-auteur van een onderzoeksartikel over schoenendefectinspectie (gepubliceerd op IPMV 2026), gericht op efficiënte, compacte detectiemodellen
- Volledige pipeline-capaciteit: data preprocessing, modeltraining, evaluatie, REST API-implementatie (FastAPI)
Wat je krijgt:
- Een getraind model dat is afgestemd op jouw specifieke object-/defectklassen
- Duidelijke nauwkeurigheidsmetingen (precisie, recall, mAP) zodat je precies weet hoe goed het presteert
- Net, gedocumenteerd inferentiecode, geen black box
Ik werk het beste met klanten die al een dataset hebben (zelfs kleine/niet-gelabelde datasets, ik kan je hierbij begeleiden). Laten we je use case bespreken voordat je bestelt, zodat ik zeker weet dat ik je wensen goed begrijp.
Maak kennis met Quan P
Quan P
AI Engineer
- Afkomstig uitVietnam
- Lid sindssep 2026
- Gem. reactietijd1 uur
Talen
Vietnamees, Engels
I'm an AI Engineer specializing in Computer Vision and LLM integration. I've built and deployed object detection & defect inspection models (YOLOv8, RF-DETR, RTMDet) for industrial quality control, and developed RAG-based chatbots and AI automation workflows using FastAPI and n8n. I focus on shipping production-ready AI solutions — not just prototypes — that solve real business problems fast.
Automatische vertaling
Veelgestelde vragen
Automatische vertaling
Hoeveel afbeeldingen moet ik aanleveren?
Voor een solide startmodel adviseer ik minimaal 200–300 gelabelde afbeeldingen per object-/defectklasse. Minder is mogelijk, maar de nauwkeurigheid zal lager zijn — ik ben eerlijk over de verwachte prestaties op basis van de grootte van je dataset voordat ik begin.
Welke nauwkeurigheid kan ik verwachten?
Het hangt sterk af van de datakwaliteit en de complexiteit van de klassen. Vergelijkbare industriële defectdetectieprojecten waar ik aan heb gewerkt, bereikten 85–95% mAP met goed gelabelde data. Ik deel echte metrics op je specifieke dataset tijdens het project, geen loze beloftes.
Mijn dataset is nog niet gelabeld — kan je nog steeds helpen?
Ja, maar annotatie is niet inbegrepen bij de Basic/Standard prijs. Stuur me eerst een voorbeeld van je data zodat ik de annotatietijd nauwkeurig kan inschatten.
Kan je dit als een API deployen die ik in mijn systeem kan integreren?
Ja — dat is het Premium pakket, inclusief een FastAPI endpoint klaar voor integratie, plus 7 dagen ondersteuning na levering.
