Автоматизация классификации квартир по качеству ремонта
Проект классификатора четырех типов отделки по фотографиям санузлов. Проработаны данные и критерии качества, предложены обучение базовой модели и сравнение подходов на размеченных изображениях.

Задача
Заказчик из сферы недвижимости поставил задачу автоматизировать классификацию квартир по качеству ремонта. Входом для анализа служат фотографии санузлов, а результатом должен стать один из четырех классов отделки. Такая постановка связывает визуальные признаки конкретного помещения с принятой у заказчика системой оценки.
Данные и план разработки
В проектных материалах марта 2021 года проработали входные и выходные данные, критерии качества, время обработки и базовую архитектуру модели. Этот блок в рабочем плане отмечен как выполненный.
Для обучения предусматривались сбор фотографий и текстовых описаний из целевого источника либо использование открытого датасета, приведение выборки к общему виду и экспертная разметка по типам ремонта. Размер дополнительной выборки и ее качество должны были проверяться в ходе экспериментов.
Базовую модель предложили построить через дообучение VGG-16, предварительно обученной на Places365. Следующим шагом запланировали сравнение с моделью на основе ImageNet, анализ ошибок и дополнительное обучение. Отдельный блок посвящен изменениям изображений: отражению, размытию, масштабу и повороту, чтобы оценить влияние подготовки данных на классификацию.
Критерии и результат этапа
На этапе проектирования описали базовую архитектуру модели и критерии ее проверки. Целевая точность от 65% до 80% указана в плане как предполагаемое достижимое качество, а не измеренный результат испытаний. Проверка на отложенных фотографиях должна показать, насколько надежно модель различает заданные классы.
Предусмотрена архитектура для последующего обучения на новых классах. Для компаний, оценивающих недвижимость по снимкам, такой проект начинается с согласованной разметки и заказной разработки классификатора.
Похожие кейсы
Машинное зрение
Разбор технических чертежей: 3,2 секунды на чертёж и точность 97%
Система извлекает параметры из PDF-чертежа, подсвечивает найденные значения и отдаёт их в CSV. В опубликованном примере: 3,2 секунды на чертёж и 97% точности извлечения.
Машинное зрение
Машинное зрение + LLM на промышленном объекте: выявлены хищения в пилоте
Пилот цифрового аудита на энергетическом объекте связывает камеры с проверкой транспорта, грузов и строительных работ. Выявлены четыре несанкционированных вывоза; материалы используются для отчёта службы безопасности.
Машинное зрение
Разработка модели по распознаванию и выделению контентной части документа
Система размечает однотипные документы, распознаёт их тип и заполняет электронную форму. В результатах разработки отдельно оценены поиск текста, OCR, классификация и распознавание содержимого.