имеющий для меня пользу и практическую ценность ответ был в 1й статье "Результат зависит от версии Python на которой был запущен скрипт". Остальное - для увлекающихся теоретиков.
ps: да, в оригинальной версии анекдота как раз было "в корзине воздушного шара в 20 метрах над землей". Абсолютно точный ответ))
После прочтения этой статьи понял анекдот про программистов))
Летят Холмс с Ватсоном на воздушном шаре. И спят в полете. Просыпаются над какой-то незнакомой землей, видят - внизу какой-то хрен коров пасет. Снизились они и спрашивают мужика: - Скажите, сэр, где мы находимся? - На воздушном шаре. - Спасибо, сэр! - и летят вверх. Холмс задумчиво говорит: - Интересная местность, Ватсон! Программист пасет коров! - Холмс, а с чего вы взяли, что он программист? - Это элементарно! Во-первых, он долго думал над ответом. Во-вторых, его ответ был абсолютно точен. И в третьих - абсолютно бесполезен!
Тоже размышлял над подобными экспериментами, все руки не доходили проверить. Не думали еще, вместо склейки двух взображений размещать их просто в слоях RGB? У вас в примерах серые изображения. Можно один кадр разместить в канале R, второй в G, а в B третий кадр или маску какую-нибудь.
Хорошая статья для новичков. Не хватает информации о размерах датасета (количество изображений в тренировочной и валидационной выборке) и какая получилась метрика mAP. Без этого оценить результаты сложно.
Не понимаю, за что вас так люто минусят) Отчасти правда в вашем сообщении есть.
Поделюсь своими мыслями, которые возможно помогут лучше сориентироваться, т.к. я как раз из тех, кто вошел в ИТ после 40, имея за плечами только курсы (правда не фронтенд) и абсолютно нерелевантное резюме. И мне уже приходилось набирать команду разработчиков, и отвечать "мы вам дадим обратную связь". И всегда обратную связь кандидату даю, хотя не всегда с объяснением причин, по которым отказали.
Разница между джуном и мидлом условная. Считается, что у джуна есть непонятной глубины знания, а у мидла еще реальный положительный опыт. Там, где для мидла гит, джира и др. это знакомый рабочий инструмент, для джуна могут оказаться новыми системами, которые займут некоторое время на эффективное освоение. У сеньера в дополнение еще есть обширный опыт, позволяющий решить сложную задачу быстро и оптимальным образом.
Для себя еще выделяю junior и junior+.
Проблема обычных джунов в том, что они приходят с запросом "я готов пахать, почти за еду, учите меня" (ленивых, не мотивированных и с неоправданным запросом по з/п не рассматриваю). Такого сотрудника в большинстве случаев надо постоянно контролировать. Его не отправишь на удаленку. Иначе можно за месяц работы получить результат = 0.
Джун+ это специалист, который может самостоятельно решать пусть пока несложные, но нужные бизнесу задачи полностью самостоятельно. На собеседовании спрашиваю: какие проекты делал самостоятельно, сколько времени ушло на то чтобы разобраться с новой для себя темой, как искал вопросы на ответы. От сложности задач, с которыми может справиться кандидат, определяется его уровень, потенциал и зависит з/п.
Дальше есть два вида задач, под которые набирают сотрудников:
Компании нужны компетенции, которых сейчас нет. Например ушел сотрудник, или инициирована разработка нового продукта, которым раньше не занимались. Тут ловить джуну конечно нечего.
Компания растет. Спецы с компетенциями есть. Но работы стало больше, и нужен помощник, который разгрузит рутину.
На второй тип задач подойдет джун, который продаст работодателю положительные ответы на все следующие вопросы:
Может ли сотрудник самостоятельно решать задачи, чтобы его не надо было постоянно контролировать и "подталкивать как тележку"?
Есть ли у сотрудника навыки, которые уже полезны компании?
Сотрудник не токсичный и о предыдущих работодателях и коллегах отзывается положительно?
У сотрудника есть потенциал осваивать новые навыки?
Только не надо ждать, что вам эти вопросы зададут. Тут либо вы демонстрируете сами понимание, либо его нет)
Желание, настойчивость и немного удачи - неизменная формула успеха.
С чего бы монополиям что-то развивать? Вокруг них конкуренции нет, их позициям ничто не угрожает
Для чего по вашему мнению делались все эти реформы, описанные в книге 2007г "Слон на танцполе. Как Герман Греф и его команда учат Сбербанк танцевать", с ломкой сложившейся системы и процессов банка?
Вы правы, смотреть надо разные решения. В сатье об этом упоминается.
Идея статьи была показать применение фреймворка, который уже хорошо зарекомендовал себя в задачах object detection. Yolo как раз решение SOTA (State-Of-The-Art).
И альтернатив yolo если честно мне не видится. В сторону трансформеров еще можно посмотреть, но пока они проигрывают в бенчмарках точность/скорость.
В любом случае нейронка как то должна узнать о новых измененных объектах. А дельше например технология few shot learning. В случае yolo потребуется дорогое по ресурсам дообучение, и даже transfer learning не спасет.
Если человек распознает, то этому можно научить нейронку.
Синтетика часто помогает улучшить результат, если добавить к реальным данным и синтетика качественная. Иначе результат может быть обратным.
Про подготовку данных с помощью нейронных сетей, не совсем понял, что имеется ввиду. Можно использовать например модель Segment Anything Model (SAM) для ускорения разметки.
имел ввиду то что для большого пузырька будет смещением на пол "корпуса", для маленького может оказаться смещение на несколько размеров пузырька. Хотя скорость +/- не зависит от размера
минус один, но жирный. Железка 2017 года. Python по моему там 3.6 потолок. Не проверял, но подозреваю железяка уже end-of-sale или близка к этому.
С прошлого года есть Jetson nano orin. Заявлены x80 производительности к старому. Но и цена кусучая.
А учитывая текущие реалии я бы смотрел в сторону Orange Pi, кому нужна автономность.
Надеюсь эта статья не попадет в обучение следующих версий gpt
ваш ответ абсолютно точный)
имеющий для меня пользу и практическую ценность ответ был в 1й статье "Результат зависит от версии Python на которой был запущен скрипт".
Остальное - для увлекающихся теоретиков.
ps: да, в оригинальной версии анекдота как раз было "в корзине воздушного шара в 20 метрах над землей". Абсолютно точный ответ))
После прочтения этой статьи понял анекдот про программистов))
Летят Холмс с Ватсоном на воздушном шаре. И спят в полете. Просыпаются
над какой-то незнакомой землей, видят - внизу какой-то хрен коров пасет.
Снизились они и спрашивают мужика:
- Скажите, сэр, где мы находимся?
- На воздушном шаре.
- Спасибо, сэр! - и летят вверх. Холмс задумчиво говорит:
- Интересная местность, Ватсон! Программист пасет коров!
- Холмс, а с чего вы взяли, что он программист?
- Это элементарно! Во-первых, он долго думал над ответом. Во-вторых, его
ответ был абсолютно точен. И в третьих - абсолютно бесполезен!
Спасибо за интересную статью!
Какую версию yola использовали?
Тоже размышлял над подобными экспериментами, все руки не доходили проверить. Не думали еще, вместо склейки двух взображений размещать их просто в слоях RGB? У вас в примерах серые изображения. Можно один кадр разместить в канале R, второй в G, а в B третий кадр или маску какую-нибудь.
Проще, чем бумажный паспорт подделать?
Хорошая статья для новичков. Не хватает информации о размерах датасета (количество изображений в тренировочной и валидационной выборке) и какая получилась метрика mAP. Без этого оценить результаты сложно.
Отличный совет!
Всегда так делаю и забыл о проблемах с потерей результатов обучения в колабе.
Не понимаю, за что вас так люто минусят) Отчасти правда в вашем сообщении есть.
Поделюсь своими мыслями, которые возможно помогут лучше сориентироваться, т.к. я как раз из тех, кто вошел в ИТ после 40, имея за плечами только курсы (правда не фронтенд) и абсолютно нерелевантное резюме. И мне уже приходилось набирать команду разработчиков, и отвечать "мы вам дадим обратную связь". И всегда обратную связь кандидату даю, хотя не всегда с объяснением причин, по которым отказали.
Разница между джуном и мидлом условная. Считается, что у джуна есть непонятной глубины знания, а у мидла еще реальный положительный опыт. Там, где для мидла гит, джира и др. это знакомый рабочий инструмент, для джуна могут оказаться новыми системами, которые займут некоторое время на эффективное освоение. У сеньера в дополнение еще есть обширный опыт, позволяющий решить сложную задачу быстро и оптимальным образом.
Для себя еще выделяю junior и junior+.
Проблема обычных джунов в том, что они приходят с запросом "я готов пахать, почти за еду, учите меня" (ленивых, не мотивированных и с неоправданным запросом по з/п не рассматриваю). Такого сотрудника в большинстве случаев надо постоянно контролировать. Его не отправишь на удаленку. Иначе можно за месяц работы получить результат = 0.
Джун+ это специалист, который может самостоятельно решать пусть пока несложные, но нужные бизнесу задачи полностью самостоятельно. На собеседовании спрашиваю: какие проекты делал самостоятельно, сколько времени ушло на то чтобы разобраться с новой для себя темой, как искал вопросы на ответы. От сложности задач, с которыми может справиться кандидат, определяется его уровень, потенциал и зависит з/п.
Дальше есть два вида задач, под которые набирают сотрудников:
Компании нужны компетенции, которых сейчас нет. Например ушел сотрудник, или инициирована разработка нового продукта, которым раньше не занимались. Тут ловить джуну конечно нечего.
Компания растет. Спецы с компетенциями есть. Но работы стало больше, и нужен помощник, который разгрузит рутину.
На второй тип задач подойдет джун, который продаст работодателю положительные ответы на все следующие вопросы:
Может ли сотрудник самостоятельно решать задачи, чтобы его не надо было постоянно контролировать и "подталкивать как тележку"?
Есть ли у сотрудника навыки, которые уже полезны компании?
Сотрудник не токсичный и о предыдущих работодателях и коллегах отзывается положительно?
У сотрудника есть потенциал осваивать новые навыки?
Только не надо ждать, что вам эти вопросы зададут. Тут либо вы демонстрируете сами понимание, либо его нет)
Желание, настойчивость и немного удачи - неизменная формула успеха.
Успехов вам!
Для чего по вашему мнению делались все эти реформы, описанные в книге 2007г "Слон на танцполе. Как Герман Греф и его команда учат Сбербанк танцевать", с ломкой сложившейся системы и процессов банка?
Вы правы, смотреть надо разные решения. В сатье об этом упоминается.
Идея статьи была показать применение фреймворка, который уже хорошо зарекомендовал себя в задачах object detection. Yolo как раз решение SOTA (State-Of-The-Art).
И альтернатив yolo если честно мне не видится. В сторону трансформеров еще можно посмотреть, но пока они проигрывают в бенчмарках точность/скорость.
В любом случае нейронка как то должна узнать о новых измененных объектах. А дельше например технология few shot learning. В случае yolo потребуется дорогое по ресурсам дообучение, и даже transfer learning не спасет.
Под разными моделями имеете ввиду разные модели yolo (s, m, l, x) или чтото другое?
Если человек распознает, то этому можно научить нейронку.
Синтетика часто помогает улучшить результат, если добавить к реальным данным и синтетика качественная. Иначе результат может быть обратным.
Про подготовку данных с помощью нейронных сетей, не совсем понял, что имеется ввиду. Можно использовать например модель Segment Anything Model (SAM) для ускорения разметки.
Проходил там курс и остался доволен. Лично мне дало сильный толчок. В 2020г в УИИ был один из лучших обучающих продуктов по нейронкам в РФ.
Сейчас грустно смотреть куда НЕразвивается УИИ. Маркетинг стал лучше, продукт сдувается - начиная с автопроверок ДЗ, низким качеством кураторов...
посмотрел в окно, и увидел, что мою машину угнали. У автомобиля номер, зарегистрированный на меня. Когда должны начать искать и наказать угонщиков?
Т.е. из-за автоматизации стоимость работ по разметке упадет в разы. И это статья от "Размечаем данные на заказ в TrainingData.Solutions" :)
Спасибо за интересную статью.
В каком симуляторе учили летать?
имел ввиду то что для большого пузырька будет смещением на пол "корпуса", для маленького может оказаться смещение на несколько размеров пузырька. Хотя скорость +/- не зависит от размера