Сервис построен на базе модели efficientnetv2 и обучен на наборе данных, содержащем более пяти тысяч моделей авто, разделенных по поколениям. Сервис позволяет распознавать более 5 тысяч моделей автомобилей по фотографии/скриншоту.

Примеры бизнес-сценариев

1. Контроль доступа на территорию выбранных марок машин (коттеджные поселки, жилые комплексы, территория офисов, производственных предприятий, АЗС и т.д.);
2. Контроль за соблюдением правил дорожного движения
3. Автоматизация пропускных систем

Бизнес-преимущества

1. Экономия трудозатрат на ручной мониторинг транспорта;
2. Ускорение процессов, связанных с распознаванием марки авто благодаря более оперативной оцифровке данных и попаданию их в соответствующие системы;
3. Избежание ошибок человеческого фактора за счет хорошей точности распознавания (более 85% точности);
4. Использование собранных данных по маркам авто для различных маркетинговых целей: аналитика и построение маркетинговых и коммуникационных кампаний.

Пример взаимодействия

После того как вы запустили сервис, получили адрес и создали API-токен для запросов, можно начать делать запросы на распознавание модели авто.

Форма запроса:

{ "image": ["Изображение в кодировке base64"] }

Форма ответа:

{"predictions":"Модель автомобиля"}

Пример запроса на Python:

import base64
import requests

BASE_URL = "https://mlspace.aicloud.sbercloud.ru/deployments/<region>/<deploy_name>/v1/models/<deploy_name>:predict"

with open('test_image.jpg', 'rb') as fp:
    encoded_string = base64.b64encode(fp.read()).decode('utf-8')

results = requests.post(
    BASE_URL,
    json={
        "image": encoded_string
    },
    headers={
        "x-workspace-id": "<your_workspace_id>",
        "content-type":"application/json",
        "x-api-key":"<your_api_key>" 
    }
)

Пример ответа

{"predictions":"toyota camry 8th"}