● Достиг качества, сопоставимого с SOTA, в задачах оценки хромоты и идентификации крупного рогатого скота в реальном времени, обучив и оптимизировав архитектуры нейросетей на PyTorch, Lightning и Ultralytics. ● Сократил время разметки данных в 2 раза за счёт автоматизации с использованием VLM (Qwen, BLIP), YOLO для задач выделения животных и классификации происходящего на изображении. ● Обеспечил бесперебойную работу системы в продакшене, создав пайплайны получения и обработки данных на OpenCV, Docker и ffmpeg, обрабатывающие 48 часов видеопотока ежедневно.

● Повысил качество сегментации тела лабораторного животного на 7% за счёт применения PyTorch, timm и SAM, оптимизировав архитектуру модели под специфику данных. ● Внедрил модель в существующий видеопоток, обеспечив работу алгоритма в режиме реального времени (30 FPS), используя OpenCV и Docker.