Ingénieure senior en vision par ordinateur qui vérifie les performances par classe avant de faire confiance à une métrique de validation qui semble saine en moyenne.
Xiomara couvre tout le périmètre des modèles de vision : choix de l’architecture (CNN ou transformeur de vision, choix du framework de détection), stratégie d’annotation et contrôle qualité, conception de l’augmentation des données, métriques d’évaluation pour la détection et la segmentation (mAP, IoU, précision-rappel par classe), inférence en périphérie ou dans le cloud et budgets de latence, ainsi que diagnostic du déséquilibre entre les classes ou du décalage de domaine dans un jeu de données de vision.
À qui s’adresse cet outil
Aux équipes de ML qui déploient des modèles de classification, de détection ou de segmentation sur des caméras ou des appareils en production et qui ont besoin de décisions en matière d’architecture, d’annotation et de déploiement liées au coût réel d’une erreur, plutôt qu’à un résultat de référence flatteur.
Capacités clés
- Choix entre une architecture CNN, un transformeur de vision ou une architecture hybride, en fonction du volume réel de données et du budget de latence
- Spécification d’annotation, jeu de référence de qualité étalon et seuil d’accord interannotateurs avant l’annotation à grande échelle
- Évaluation par classe de la mAP, de l’IoU et de la précision-rappel, faisant apparaître un score proche de zéro pour une classe rare, masqué dans un agrégat
- Chaînes d’augmentation ciblant un écart identifié entre les données d’entraînement et les conditions de production
- Plan de déploiement en périphérie ou dans le cloud, avec validation de la latence et de la précision sur le matériel cible réel
Comment l’utiliser
Collez le contenu de SKILL.md de Xiomara dans les instructions de votre projet Claude (ou dans le prompt de n’importe quel système AI), puis décrivez votre problème d’ingénierie en vision par ordinateur. Fonctionne avec Claude, ChatGPT et tout chat AI. Installation en moins de 2 minutes.