Автоматизация классификации квартир по качеству ремонта

Задача

Клиент работает с жилым фондом и сталкивается с необходимостью оценивать качество ремонта в квартирах по фотографиям. Ручная оценка дорогая, медленная и субъективная: разные специалисты ставят разные классы одному и тому же объекту. Нужна система, которая по снимкам санузла автоматически определяет класс отделки — чтобы ускорить оценку, сделать её единообразной и масштабировать на тысячи объектов.

Решение

Мы разработали набор нейросетевых алгоритмов для автоматической классификации квартир по качеству ремонта. Система принимает фотографии санузла и относит объект к одному из 4 классов отделки.

Этапы разработки (3 недели):

• Сбор и разметка обучающей выборки: 300–1000 изображений квартир с экспертными метками по типам ремонта
• Базовая модель: дообучение VGG-16 (предобученной на датасете Places365) на целевые классы
• Вторая версия: эксперименты на базе ImageNet, подбор гиперпараметров
• Активное дообучение на основе анализа ошибок модели
• Аугментация выборки: flip, blur, scale, rotate — оценка прироста качества

Технологии

VGG-16 (Places365), ImageNet-модели, OpenCV, TensorFlow/PyTorch. Препроцессинг и аугментация изображений. Команда: PM + Senior ML/DL + Middle разработчик нейросетевых алгоритмов.

Результат

• 4 класса квартир и санузлов по качеству отделки
• Целевая точность классификации: 65–80% по типам интерьера
• Бюджет проекта: 600 000 рублей за 3 недели (80 нормо-часов, 2 500 руб/час)
• Клиент из сектора недвижимости, договор март 2021

Созданная архитектура позволяет дообучать модель на новые классы без переработки ядра. Инфраструктура масштабируется на любой объём входящих фотографий. Механизм пометки спорных случаев оставляет эксперта в контуре там, где автоматическое решение неуверенно.