Dotyczące stworzenia rozwiązania do detekcji obiektów

Usługi doradcze w zakresie działalności gospodarczej, w tym usługi badawcze i eksperymentalno-rozwojowe

Tryb zamówienia	Zapytanie ofertowe
Rodzaj zamówienia	Usługi
Tytuł	Dotyczące stworzenia rozwiązania do detekcji obiektów
Zamawiający	Dostępne dla zalogowanych
Miejsce realizacji	Warszawa
Data publikacji	2025-02-04
Data składania ofert	12/02/2025, Godzina 16:00
Dokumenty do pobrania	Dostępne dla zalogowanych
Kod CPV	733000005 Projekt i realizacja badań oraz rozwój 731100006 Usługi badawcze
Numer przetargu	6032682

<div>
 <h1>Dotyczące stworzenia rozwiązania do detekcji obiektów z wysokości 
z wykorzystaniem algorytmów AI.</h1>

<h2>Załączniki</h2>
 <ul>
 <li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1814678">Zapytanie ofertowe</a></li>
 <li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1814679">zał. 1</a></li>
 <li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1814680">zał. 2</a></li>
 <li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1814681">zał. 3</a></li>
 <li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1814682">zał. 4</a></li>
 </ul>
 
 <h2>Części zamówienia</h2>

<h3>Dotyczące stworzenia rozwiązania do detekcji obiektów </h3>
 Przedmioty zamówienia
 Przedmiotem zamówienia jest stworzenie innowacyjnego rozwiązania do detekcji dwóch rodzajów obiektów (ludzie, samochody) z wysokości z wykorzystaniem algorytmów AI. Rozwiązanie powinno charakteryzować się minimalnym opóźnieniem obliczeniowym, umożliwiać śledzenie (tracking) oraz numerowanie obiektów w obrębie pola widzenia kamery, a także jednoczesne nagrywanie sygnału na sprzęcie. W ramach zamówienia zamawiający oczekuje wykonania następujących prac: zebranie reprezentatywnych danych dla analizowanego problemu, analiza zebranego zbioru danych pod kątem statystycznym, implementacja skryptów programistycznych służących do augmentacji danych, implementacja skryptów programistycznych umożliwiających trening modeli detekcji opartych o Sztuczne Sieci Neuronowe wraz z optymalizacją parametrów głębokich, trening modelu detekcji, analiza wyników poszczególnych modeli detekcji, napisanie skryptów programistycznych, re-trenowanie modeli, wybór optymalnego modelu i sporządzenie raportu wyników. 
 
Wymagana będzie również optymalizacja złożoności obliczeniowej modeli, aby możliwe było ich wydajne stosowanie w jednostkach obliczeniowych typu edge, w szczególności na platformach NVIDIA. Mając na uwadze fakt, że Wykonawca planuje analizować otoczenie, na urządzeniu typu edge istotne są nie tylko skuteczności opracowanych metod, ale również ich złożoność obliczeniowa i minimalne opóźnienie. W celu maksymalizacji użyteczności opracowywanych metod w praktyce Wykonawca przeprowadzi badania z zakresu wpływu metod ograniczenia złożoności obliczeniowych modeli (przycinanie) na skuteczność. 
 
Trenowanie modelu powinno się odbyć równolegle na obrazach kolorowych i monochromatycznych (dla tego samego zbioru danych). 
Zamawiający w ramach zamówienia oczekuje wykonania następujących prac: 
Etap I 
1.	Konfiguracja narzędzi do oznaczania danych. Pozyskanie zbioru danych obrazowych. 
a)	Wybór i konfiguracja narzędzi do ręcznego oznaczania obrazów i ich elementów. 
b)	Pozyskanie zbioru danych obrazowych z przedmiotowymi obiektami widocznymi z góry lub w nachyleniu dla różnych pokryć terenu, różnych pór roku i przy różnym naświetleniu w liczbie co najmniej 10000 sztuk. 
 
2.	Filtracja i oznaczenie zebranych zbiorów danych 
a)	Oczyszczenie zebranych danych z błędów i nieścisłości. 
b)	Uzupełnienie brakujących oznaczeń dostosowanych do zadania wykrywania obiektów. 
c)	Zwiększenie jakości i spójności danych. 
 
3.	Analiza zbiorów danych pod kątem statystycznym 
a)	Ocena jakości i charakterystyki zebranych danych. 
b)	Identyfikacja potencjalnych problemów w zbiorze danych. 
c)	Dostarczenie informacji zwrotnych n/t pozyskanych zbiorów danych obrazowych do przyszłej optymalizacji procesu uczenia maszynowego. 
4.	Dane przygotowane w ramach Zamówienia zostaną protokolarnie przekazane Zamawiającemu wraz z raportem końcowym etapu. Rodzaj nośnika, sposób i miejsce wskaże Zamawiający. 
 
Etap II 
5.	Implementacja skryptów programistycznych 
Zautomatyzowanie kluczowych etapów procesu rozpoznawania obrazów, takich jak: 
a)	Filtrowanie danych: usuwanie obrazów niskiej jakości, duplikatów, błędnie oznaczonych obiektów. 
b)	Augmentacja danych: sztuczne zwiększenie liczebności i różnorodności danych. 
c)	Podział zbioru danych: na część treningową, walidacyjną i testową. 
d)	Trening modeli: automatyzacja procesu trenowania modeli detekcji obiektów. 
e)	Optymalizacja modeli: automatyzacja procesu optymalizacji parametrów modeli. 
f)	Ocena modeli: obliczanie statystyk jakości działania modelu dla zadania detekcji obiektów. 
g)	Optymalizacja obliczeniowa: automatyzacja procesu przycinania modeli. 
h)	Konwersja modeli: do formatu kompatybilnego z jednostką obliczeniową. 
i)	Inferencja: uruchamianie modeli na nowych danych. 
6.	Trening wielu kombinacji metod detekcji / backbone’ów / parametrów głębokich oraz analiza wyników 
a)	Przetestowanie różnych konfiguracji modeli detekcji w celu znalezienia najlepszej konfiguracji dla danego problemu. 
b)	Dokonanie wyboru optymalnego modelu pod kątem precyzyjności, szybkości działania i zużycia zasobów obliczeniowych. 
7.	Implementacja funkcjonalności śledzenia (trackingu) obiektów i zapewnienie ich jednoznacznej identyfikacji poprzez numerowanie. 
8.	Zapewnienie możliwości jednoczesnego nagrywania sygnału wizyjnego podczas działania algorytmu detekcji na docelowym sprzęcie. 
9.	Etap zakończy protokolarne dostarczenie przez Wykonawcę Zamawiającemu raportu z prac oraz prezentacja działania dema systemu. 
 
Etap III 
10.	Wdrażanie i optymalizacja modelu w środowisku produkcyjnym 
a)	Udostępnienie wytrenowanego modelu do użytku w rzeczywistych zastosowaniach. 
b)	Optymalizacja wydajności i zużycia zasobów obliczeniowych. 
 
11.	Testowanie i walidacja w warunkach rzeczywistych 
a)	Ocena skuteczności i niezawodności modelu w rzeczywistych warunkach na dostarczonych przez Zamawiającego danych weryfikacyjnych. 
b)	Identyfikacja i rozwiązywanie problemów z wydajnością i błędami przypisania etykiet obiektom. 
c)	Testy powinny obejmować również weryfikację funkcjonalności śledzenia (trackingu) i numerowania obiektów, a także jednoczesnego nagrywania sygnału. 
 
12.	Dokumentacja i testy 
a)	Udokumentowanie procesu rozpoznawania obiektów. 
b)	Weryfikacja działania algorytmu podczas testów na docelowym rozwiązaniu hardware-owym Zamawiającego. 
 
Zamawiający oczekuje weryfikacji działania algorytmu detekcji na przykładowym losowym zbiorze 50 danych obrazowych (obrazach) i oczekiwaną wartością metryki mAP (mean Average Precision) powyżej 0,5. Wykonawca przeprowadzi testy i z nich raport. Zamawiający zastrzega sobie prawo uczestnictwa w w/w testach. Etap zakończy protokolarne przekazanie raportu z prac i testów końcowych wraz z wynikami prac – w sposób opisany w „Wymaganiach Technicznych” pkt. 4 poniżej. 
Wymagania Techniczne: 
 
1.	Platformy docelowe: Rozwiązanie musi być zaimplementowane i przetestowane na platformach wbudowanych NVIDIA. Wykonawca dostarczy wersje oprogramowania dostosowane dla każdej platformy. 
2.	System musi obsługiwać dwa niezależne, zsynchronizowane czasowo strumienie wideo. Strumień główny RGB, wejściowy musi mieć rozdzielczość co najmniej 1920 x 1080 i 30 klatek na sekundę, kodowany w H.265. Strumień pomocniczy monohromatyczny, musi mieć rozdzielczość 1920 x 1080 i 30 klatek na sekundę, kodowany w H.264. Algorytmy AI do detekcji obiektów muszą być stosowane niezależnie do każdego strumienia. Oba strumienie wideo muszą być zapisywane na dysku w formacie MP4 wraz z metadanymi zawierającymi datę, czas i informacje o wykrytych obiektach zapisanymi w formacie tekstowym powiązanym z plikiem wideo. 
3.	Minimalne opóźnienie obliczeniowe: Cel to minimalizacja opóźnienia w detekcji i śledzeniu obiektów. System musi zapewnić detekcję obiektów z minimalną prędkością 10 klatek na sekundę (FPS) przy rozdzielczości 1920 x 1080 dla sygnału RGB i 10 klatek na sekundę (FPS) przy rozdzielczości 1920 x 1080 dla sygnału monochromatycznego. Oznacza to, że docelowe maksymalne opóźnienie detekcji obiektu wynosi odpowiednio 100 ms i 100 ms, z akceptowalną tolerancją +/- 25 ms. 
4.	Wykonawca zobowiązuje się do dostarczenia Zamawiającemu pełnego, czytelnego i odpowiednio skomentowanego kodu źródłowego opracowanego rozwiązania AI, wraz z wszelką dokumentacją niezbędną do jego kompilacji, uruchomienia i modyfikacji, na licencji MIT, w formie repozytorium Git (GitHub) i archiwum ZIP, kompatybilnego z systemem operacyjnym Linux i środowiskiem NVIDIA CUDA, najpóźniej w terminie podpisania końcowego protokołu odbioru. Niedostarczenie kodu źródłowego w wymaganym terminie i formie będzie traktowane jako niewykonanie umowy.

<h2>Kryteria oceny</h2>
 Waga kryterium (wyrażona w %): 100% 
Przyznanie punktów w ramach kryterium Cena netto (C) oblicza się według poniższego wzoru: 
C1=CB/Cob x[100]pkt.
 
 <h2>Warunki zmiany umowy</h2>

Szczegółowy opis zawarto w zapytaniu ofertowym.
 </div>