системы визуального поиска для OpenCart 2.3 с использованием Яндекс Vision и векторных эмбеддингов (Бюджет: 80000 ₽, для всех)

1. Общее описание Цель: Реализовать функционал поиска товаров по фотографии и автоматическую карусель похожих товаров в карточках, адаптированную под специфику ниши (люстры, светильники). Основные задачи: 1. Интеграция Яндекс Vision API для анализа изображений. 2. Дообучение модели компьютерного зрения на датасете пользователя. 3. Внедрение векторного поиска для повышения точности рекомендаций. 4. Оптимизация производительности для работы с 150k товаров и 1 млн изображений. 2. Функциональные требования 2.1. Визуальный поиск товаров - Интерфейс: - Кнопка «Поиск по фото» в поисковой строке. - Модальное окно с загрузкой изображения (drag-and-drop, выбор файла). - Возможность кроппинга области изображения. - Логика работы: - Загруженное изображение отправляется в Яндекс Vision API. - Из ответа API извлекаются: - Текстовые теги (например, «хрустальная люстра», «6 рожков»). - Векторное представление изображения (эмбеддинг). - Поиск товаров осуществляется по векторной близости (через QDrant/FAISS) и текстовым тегам. - Результаты выводятся в стандартном формате OpenCart. 2.2. Карусель похожих товаров - Место отображения: Под основным изображением в карточке товара. - Логика: - При сохранении товара в админке его главное фото анализируется через Яндекс Vision. - Векторное представление сохраняется в БД. - Для карусели выбираются 8 товаров с наиболее близкими векторами. - Кэширование: Результаты предварительно рассчитываются и сохраняются (обновление раз в неделю). 2.3. Админ-панель - Настройки модуля: - Поля для ввода API-ключа и ID каталога Яндекс Vision. - Управление кэшированием (время жизни, очистка). - Логирование запросов к API. - Статистика: - Количество обработанных изображений. - Топ популярных тегов. 3. Технические требования 3.1. Интеграция с Яндекс Vision - Используемые методы API: `Object Detection`, `Image Classification`. - Извлечение векторных эмбеддингов через кастомный запрос к API. - Ограничение: 10 запросов/секунду (настройка очереди задач). 3.2. Векторный поиск - База данных: QDrant (оптимизирована для работы с векторами). - Метрика близости: Косинусная схожесть. - Индексация: - Все векторы товаров индексируются при первом запуске. - Автоматическое обновление индекса при добавлении новых товаров. 3.3. Оптимизация производительности - Кэширование: - Redis для кэша результатов поиска и каруселей. - CDN (Яндекс Object Storage) для хранения изображений. - База данных: - Миграция таблицы товаров на InnoDB с индексами по полям `product_id`, `tags`. - Отдельная таблица для векторных данных: ``` 3.4. Безопасность - Валидация загружаемых файлов: разрешены только JPG/PNG, макс. размер — 5 МБ. - Защита от DDoS: ограничение 3 запроса/минуту с одного IP. 4. Этапы работ Этап 1: Подготовка инфраструктуры 1. Настройка Яндекс Cloud: получение API-ключа, создание каталога. 2. Развертывание QDrant на отдельном сервере. 3. Миграция изображений на CDN. Этап 2: Интеграция с OpenCart 1. Модификация шаблонов: - Добавление кнопки «Поиск по фото» в `search.tpl`. - Внедрение карусели в `product.tpl`. 2. Разработка кастомного модуля: - Контроллеры для обработки изображений. - Интеграция с QDrant API. Этап 3: Обучение модели 1. Подготовка датасета: - 1000 размеченных изображений (стиль, тип, материал, количество рожков). 2. Дообучение модели Яндекс Vision: - Передача датасета в Yandex DataSphere. - Тестирование точности (целевой показатель: F1-score > 0.85). Этап 4: Пакетная обработка изображений - Запуск скрипта для обработки 1 млн изображений: Этап 5: Тестирование 1. Проверка точности: - 200 тестовых изображений → сравнение выдачи с эталонными результатами. 2. Нагрузочное тестирование: - 1000 одновременных запросов → время отклика < 2 сек. --- ### 5. Требования к исполнителю - Опыт работы с OpenCart 2.3 (портфолио с модулями). - Знание Python/PHP, REST API, векторных БД. - Компетенции в компьютерном зрении (дообучение моделей). --- ### 6. Критерии приемки - Поиск по фото: - Точность выдачи > 80% (соответствие тестовым запросам). - Время обработки запроса < 3 сек. - Карусель: - Отсутствие дубликатов в рекомендациях. - Загрузка карусели < 1 сек. --- ### 7. Сроки и бюджет - Сроки: 3–4 месяца. - Бюджет: - Разработка: 250 000 – 400 000 руб. - Дообучение модели: 50 000 – 80 000 руб. - Пакетная обработка изображений: 15 000 руб. (API-запросы). --- ### 8. Дополнительные условия - Гарантийный период: 6 месяцев (исправление багов бесплатно). - Передача полной документации и исходного кода. --- Приложения: 1. Пример датасета (10 изображений с метками). 2. Схема архитектуры системы.