Данные и baseline
Проверяю разметку, классы и качество набора, чтобы задать внятную стартовую точку.
Алексей Ухмылин
Junior ML Engineer / Computer Vision Engineer
Разрабатываю end-to-end пайплайны на PyTorch для Computer Vision и прикладного ML: semantic segmentation, image classification, inference и demo-приложения. Сравниваю архитектуры, улучшаю метрики и довожу решения до результата, который можно быстро проверить на реальных примерах.
Санкт-Петербург · удалённо / офис / гибрид · релокация по РФ и СНГ
Мой подход
Собираю ML / CV проект как end-to-end pipeline, а не только обучаю модель
Мне интересны задачи Machine Learning и Computer Vision, где важно не только получить метрику, но и понять, за счёт чего модель работает лучше или хуже.
Поэтому в проектах я иду от данных и baseline к воспроизводимому обучению, сравнению архитектур, анализу слабых мест и demo-проверке на реальных примерах.
Воспроизводимое обучение
Собираю training pipeline с понятной конфигурацией, checkpoints и фиксацией экспериментов.
Сравнение и гипотезы
Сравниваю архитектуры и настройки, ищу слабые места и проверяю гипотезы экспериментами.
Demo и inference
Упаковываю результат в demo или inference-сценарий, который можно быстро показать и проверить.
Избранные Проекты
Кейсы, где есть и обучение моделей, и рабочий demo-сценарий
Mapillary Vistas Segmentation
Сегментация городских сцен на Mapillary Vistas с фокусом на редкие и мелкие классы.
Собрал end-to-end пайплайн: polygon JSON → segmentation masks → dataset → training → evaluation → Streamlit demo. Сравнил U-Net, DeepLabV3+ и SegFormer, отдельно анализировал качество на редком классе animal и улучшал результат через эксперименты с разрешением входа.
0.650 mIoU
лучший baseline: SegFormer
0.664 mIoU
лучшая финальная конфигурация
0.295 IoU
качество на редком классе animal
Image Classification / Face Emotions
Практический classification-кейс с обучением моделей и сборкой inference-пайплайна для двух сценариев: Animals и Face Emotions.
В проекте есть отдельный Streamlit demo, где можно переключать классификатор, загружать своё изображение и быстро проверять результат на примерах из датасета.
2 режима
Animals и Face Emotions в одном demo
ONNX / optimization
Эксперименты с экспортом, дистиляцией, квантизацией
Стек
Стек, с которым я реально работаю в проектах
PyTorch-стек для CV-задач, инструменты для inference/demo и базовый data/NLP-набор.
ML / CV
PyTorch
PyTorch Lightning
MONAI
timm
Semantic Segmentation
Image Classification
Data / NLP
scikit-learn
transformers
NumPy
pandas
matplotlib
Inference / Demo
Streamlit
ONNX
TensorBoard
CPU inference
Visualization
Tools
Git
SQL
PostgreSQL
Linux
Опыт
Опыт, который усиливает мой ML / CV профиль
Помимо ML-проектов, у меня есть опыт цифровых сервисов, Python-автоматизации, визуальной коммуникации и проектной работы.
В свободное время
ML / Computer Vision Projects
Разрабатываю проекты в Computer Vision и прикладном ML: segmentation, classification, inference, model comparison и demo-приложения. Главный кейс — Mapillary Vistas segmentation с кастомным dataset, сравнением архитектур и улучшением качества на редком классе animal.
Сейчас (по совместительству)
Школа №703, Санкт-Петербург
Обучаю школьников цифровым визуальным инструментам и основам проектной работы. Этот опыт усиливает мою способность объяснять сложные вещи через понятную структуру и практику.
Сейчас
Библиотека роста и карьеры, Санкт-Петербург
Работаю с цифровыми и образовательными проектами, сервисами на базе чат-ботов и Python-автоматизацией. Понимаю, как превращать техническое решение в понятный пользователю инструмент.
База
Образование
МФТИ, профессиональная переподготовка, Data Science. База в Python, классическом ML, deep learning и прикладных проектах.
Контакты
Открыт к позициям Junior ML Engineer / Computer Vision Engineer
Ищу команду, где смогу расти в задачах Computer Vision и прикладного ML и приносить пользу через разработку, сравнение и улучшение ML-решений, а также через аккуратную инженерную упаковку результата.
Санкт-Петербург
Удалённо / офис / гибрид / релокация