Понедельник — день тяжёлый, поэтому давайте поиграем. Угадаете, какие атрибуты «Гаража» настоящие, а какие мы просто сгенерировали?🖇

На этом — всё! Всем лёгкого понедельника 🍃

Это Павел — наш эксперт по AI в zool. Он пишет логику для нейросетей и решает, как они будут работать. Всё это — на языке Python.

«Лет мне 29, скоро юбилей!» — любимая фраза Паши в этом году, она из фильма ДМБ.

Ранее Паша работал на проектах с Иваном и уже зарекомендовал себя как отличный бэкендер.

И, как бы это сказать, герои не носят плащи… Но Паша точно может похвастаться званием чемпиона по игре в ГО среди детей до 12 лет! 🏆

#команда_zool

Про видеоаналитику на производстве мы уже рассказывали, а теперь давайте поговорим о её применении в ритейле 🛒.

Видеоаналитика — это не только про безопасность, но и про улучшение всех бизнес-процессов в магазине. Как именно?

Читайте в посте ↓

#ритейл_zool

Это Елена — наш фулстек-разработчик, благодаря ей Зул научился видеть и обнаруживать объекты.

Когда Лена не пишет код, она любит готовить. Больше всего ей нравятся азиатская и итальянская кухни, а еще она отлично печет десерты, перед которыми невозможно устоять (мы проверили💔)

А еще у нее есть неожиданный навык — когда-то училась на парикмахера и даже успела немного поработать в этой сфере.

Как думаете, какое у Лены любимое блюдо?

#команда_zool

Зул долго отговаривал меня рассказывать секретики, но я решила, что пришло время поделиться!

Готовы узнать, как мы обучаем нейросети для интеллектуальной видеоаналитики?

Привет! Я — Елена, фулстек-разработчик в zool.ai, и расскажу немного о процессе.

Наша система построена на микросервисной архитектуре, где каждый сервис решает свою задачу. Detection находит объекты в видеопотоке, а recognize их распознает — лица, номерные знаки и другие важные элементы. Для этого используем Python, OpenCV и YOLO.

Обучение начинается с сбора и разметки данных. Для одного объекта требуется как минимум 100-500 изображений, в зависимости от сложности задачи. В процессе создания датасета мы проводим аугментацию — изменяем каждое изображение с помощью алгоритмов, чтобы увеличить разнообразие данных. На следующем этапе выполняется тренировка модели с использованием видеокарты, в результате чего получаем модель, обученную для решения конкретной задачи. Далее модель проходит тестирование: сначала на открытых видео, затем на данных с наших камер, и, наконец, адаптируется под требования конкретного клиента.

Ключевая роль данных: чем точнее и разнообразнее изображения, тем лучше работает модель. Маленькие объекты сложнее распознать, поэтому таких примеров нужно больше.

Видеоаналитика помогает снизить затраты на персонал, повысить безопасность и оптимизировать процессы. Она может автоматически обнаруживать угрозы или дефекты на производственной линии, не перегружая оператора.

Если вам интересна тема, пишите — всегда рада обсудить!

#новости_zool