Как загрузить фото на авито с компьютера
Обновлено: 05.07.2024
Скачай это изображение,
зарегистрировав аккаунт
Зарегистрируйтесь через Google
Зарегистрируйтесь через Facebook
Зарегистрироваться через E-mail Уже есть акаунт? Войти
Войдите в аккаунт, чтобы увидеть предложения месяца
Похожие зарубежные изображения:
Та же серия:
Информация об игре
Вы можете использовать эту редакционную фотографию "Сайт avito на дисплее компьютера, url - avito.ru ." в личных и некоммерческих целях в соответствии со Стандартной лицензией. Это изображение может стать иллюстрацией для газетных и журнальных статей и публикаций в блоге. Учтите, что редакционные стоковые фотографии не используются в рекламных или промо-материалах.
Вы можете купить эту редакционную фотографию и скачать ее в высоком разрешении до 5000x3333. Загружено: 30 дек. 2019 г.
Скачай это изображение,
зарегистрировав аккаунт
Зарегистрируйтесь через Google
Зарегистрируйтесь через Facebook
Зарегистрироваться через E-mail Уже есть акаунт? Войти
Войдите в аккаунт, чтобы увидеть предложения месяца
Похожие зарубежные изображения:
Та же серия:
Информация об игре
Вы можете использовать эту редакционную фотографию "Сайт avito на дисплее компьютера, url - avito.ru ." в личных и некоммерческих целях в соответствии со Стандартной лицензией. Это изображение может стать иллюстрацией для газетных и журнальных статей и публикаций в блоге. Учтите, что редакционные стоковые фотографии не используются в рекламных или промо-материалах.
Вы можете купить эту редакционную фотографию и скачать ее в высоком разрешении до 4000x2666. Загружено: 30 дек. 2019 г.
Южноафриканский интернет-конгломерат Naspers наиболее известен тем, что поддерживает китайского технологического гиганта Tencent, но он также управляет обширной сетью компаний, занимающихся онлайн-объявлениями. Эта сеть стала немного больше после того, как Naspers получила полный контроль над российским Avito, инвестировав 1,16 млрд долларов наличными и увеличив свою долю владения более чем на 99 %.
Avito — это ведущий российский сайт объявлений, который ежедневно посещают 10,3 миллиона уникальных пользователей. В настоящее время он насчитывает около 47 миллионов объявлений, охватывающих такие категории, как товары, автомобили, недвижимость, вакансии и услуги.
Сделка, заключенная через OLX Group, принадлежащую Naspers, увеличивает ее долю владения до 99,6 % на основе полного разводнения, а общая стоимость компании оценивается в 3,85 млрд долларов США.
Хотя объявления могут показаться очень ретро-уголком электронной коммерции, они остаются растущим бизнесом (просто спросите Facebook, который расширяет свой собственный рынок и расширяет свое присутствие в своей собственной сети).
В частности, на развивающихся рынках ведущие местные игроки продолжают набирать обороты. За последние шесть месяцев, закончившихся 30 сентября, объем продаж Avito составил 10,3 млрд рублей (157,50 млн долларов), что на 30% больше, чем годом ранее; Маржа EBITDA компании составляет 65,4 %, а количество листингов выросло на 7,4 % до 17,46 млн — по данным Vostok New Ventures, одного из спонсоров этой сделки.
«Талантливая управленческая команда Avito во главе с генеральным директором Владимиром Правдивым продемонстрировала способность добиваться значительного роста с течением времени, — заявил Мартин Шепбауэр, генеральный директор OLX Group. «Показатели бизнеса превосходны, и мы с нетерпением ждем продолжения этой тенденции за счет дальнейшего использования технологий, знаний и опыта Avito в рамках OLX Group и наоборот».
В частности, в России у рынка есть большой потенциал для электронной коммерции — в стране очень высокий уровень проникновения Интернета и смартфонов, а также большое население, — но он отстает от Великобритании, Франции и Германии, когда речь идет об общем рынке. размер. По оценкам Morgan Stanley, к 2020 году рынок будет стоить около 31 миллиарда евро, но для сравнения: в 2017 году Великобритания уже продвинулась на 200 миллиардов, а Франция и Германия, соответственно, ежегодно получали более 90 миллиардов евро. -коммерческие продажи.
Укрепление своих позиций в компаниях, где она уже сильна, помогает Naspers также использовать денежные средства от этих операций для инвестиций в новые области бизнеса, такие как использование большего количества услуг по запросу и инноваций в финансовых услугах в дополнение к устаревшим областям.
"Avito – ведущий игрок в сфере онлайн-объявлений в России, и наше решение увеличить свою долю отражает нашу веру в долгосрочные перспективы этого замечательного бизнеса и российского интернет-рынка", – сказал Боб ван Дейк, генеральный директор Naspers, в интервью утверждение. «Эти инвестиции еще больше укрепляют наши глобальные позиции в области онлайн-объявлений, что является основным направлением деятельности Naspers наряду с онлайн-доставкой еды и финансовыми технологиями».
Что касается Avito, то на ответы даже на простые вопросы пользователей уходило 1-2 недели. Перейдя на Amplitude, команда по развитию мгновенно нашла ответы на свои вопросы и определила действия пользователей, которые повысили удержание на 100%.
повышение удержания
снижение стоимости приобретения
Вызов
Что касается Avito, то на ответы даже на простые вопросы пользователей уходило 1-2 недели. Им нужна была возможность быстро визуализировать пользовательские данные и ответить на любой вопрос.
Решение
Помимо простоты доступа к данным для всех сотрудников Avito, Amplitude предоставляет беспрецедентный способ понять, как поведение пользователей влияет на рост Avito.
Преимущества
• Значительная экономия времени благодаря простоте доступа к данным помогает ускорить темпы роста Avito.
• Команда по развитию использовала Amplitude для определения действий пользователей, которые повысили удержание на 100 %.
• Используя данные для создания индивидуальных рекламных кампаний, маркетинговая команда Avito снизила стоимость привлечения в 3 раза.
У компании Avito, расположенной в Марокко, есть веб-сайт и мобильное приложение для размещения объявлений, которые позволяют людям покупать и продавать в Интернете все, что угодно, от электроники до автомобилей и домов. Avito является частью Schibsted, международной медиа-группы, сотрудники которой работают более чем в 30 странах и которая стремится стать мировым лидером в области интернет-рынков, развития и медиа.
Avito демонстрировала устойчивый рост и вовлеченность, но у Юссефа Эль Гурфи, менеджера по развитию Avito, возникла проблема: ему было трудно отвечать на вопросы о своих пользователях. Даже простые вопросы вроде «какая категория в нашем приложении самая активная?» на ответ ушло 1–2 недели.
"Amplitude был единственным ответом на десятки вопросов, которые мы постоянно задавали в Avito: от измерения удержания на основе сегментов до понимания поведения пользователей в каждой категории, в нем есть все".
Любой менеджер по продукту или маркетолог, у которого возник вопрос, должен был отправить запрос в группу данных, а затем дождаться написания запросов, сбора данных и проверки качества, прежде чем получить ответ. Юссеф считал, что все должно быть намного проще: любой сотрудник Avito должен иметь возможность самостоятельно просматривать данные и получать ответы.
Когда Юссеф начал искать подходящее решение для аналитики, его привлекла всесторонняя поведенческая аналитика Amplitude, в частности акцент на аналитику удержания и функции прогнозирования, такие как Compass. Сделать Avito как можно более привлекательным и удержать пользователей — главные цели Юссефа в качестве менеджера по развитию.
Реализовано всего за 2 часа
Чтобы опробовать Amplitude, Юссеф реализовал все мероприятия Avito в Amplitude всего за 2 часа, заявив, что это «очень просто». Говорит Юссеф: «Поскольку я смог внедрить Amplitude непосредственно в наш менеджер тегов, мы смогли увидеть, как он работает довольно быстро, и я сразу увидел ценность».
Легкий доступ к данным означает значительную экономию времени
Все сотрудники Avito, включая сотрудников отдела продуктов, маркетинга, продаж и дизайна, теперь могут сразу же ответить на свои вопросы в Amplitude, а не ждать 1–2 недели.
«Мы можем быстро принять меры. Как только мы обнаруживаем что-то в Amplitude, мы запускаем A/B-тестирование или корректируем наши push-уведомления в ответ».
Сокращение времени получения информации позволяет значительно ускорить итерацию продуктов и разработку маркетинговых кампаний, что позволяет Avito улучшаться и развиваться ускоренными темпами.
Маркетинг снизил стоимость привлечения в 3 раза
Например, отдел маркетинга использует данные Amplitude для создания более эффективных рекламных кампаний, ориентированных на их лучшую аудиторию. Когда приходит время создавать новые кампании, они используют Amplitude, чтобы найти наиболее активные категории, города и ценовые диапазоны, а затем проводят мозговой штурм объявлений для таргетинга на этих пользователей. Полученные объявления работают намного лучше, чем предыдущий метод случайных тестов, чтобы увидеть, что сработало, и снизить стоимость привлечения в 3 раза.
Кроме того, команда использует поведенческие данные в Amplitude для создания пользовательских поведенческих когорт пользователей, которые имеют определенные характеристики или поведение (например, просмотр рекламы дорогих товаров, таких как дома и автомобили). Затем они направляют эти когорты в свою CRM Braze через интеграцию с Amplitude, чтобы отправлять гиперцелевые push-уведомления и кампании нужным людям.
Действия пользователей, определяемые ростом и продуктом, которые повышают удержание на 100 %
Команды Avito по развитию и продуктам используют Amplitude для изучения действий пользователей, которые способствуют удержанию клиентов. Например, они обнаружили, что если пользователь выполнил хотя бы один поиск в первый день, удержание увеличилось почти на 100%. В результате они обновили процесс онбординга, чтобы предлагать пользователям сделать первый поиск как можно скорее.
Каждый может ответить на любой вопрос
Для Avito ценность Amplitude заключается в возможности любого сотрудника компании ответить на любой вопрос о поведении своих пользователей. По словам Юссефа, «самое мощное средство для меня — это анализ удержания на основе поведения. Для некоторых других команд это возможность легко сегментировать события и пользователей на основе свойств, например, найти ключевое слово, которое чаще всего ищут в категории. Amplitude — действительно идеальный инструмент для работы с данными».
Повысьте эффективность своей команды
Поговорите с одним из наших экспертов по продуктовой аналитике, чтобы узнать, как ваша команда может извлечь уроки из поведения пользователей, поделиться идеями и стимулировать развитие продукта.
Присоединяйтесь к беседе.
Подпишитесь, чтобы получать последние рекомендации, новости и обновления продуктов.
Отправляя эту форму, вы соглашаетесь получать электронные письма о новостях и обновлениях от Amplitude, соглашаетесь с нашими Условиями использования и подтверждаете наше Заявление о конфиденциальности.
Привет. В конце прошлого года мы начали автоматически скрывать номера автомобилей на фотографиях в карточках объявлений Авито. О том, почему мы так поступили, и какие есть способы решения подобных проблем, читайте в статье.
На Авито в 2018 году было продано 2,5 млн автомобилей. Это почти 7000 в день. Все объявления о продаже нуждаются в иллюстрации - фото автомобиля. Зато по госномеру на нем можно найти много дополнительной информации об автомобиле. А некоторые наши пользователи пытаются самостоятельно закрыть номерной знак.
 | |
 |  |
 | |
Причины, по которым пользователи хотят скрыть госномер, могут быть разными. Со своей стороны, мы хотим помочь им защитить свои данные. И мы стараемся улучшить процессы купли-продажи для пользователей. Например, у нас уже давно работает услуга анонимного номера: когда вы продаете машину, для вас создается временный сотовый номер. Ну а чтобы защитить данные о номерных знаках, мы анонимизируем фотографии.
< /p>
Обзор решения
Для автоматизации процесса защиты фотографий пользователей можно использовать сверточные нейронные сети для обнаружения полигона с номерным знаком.
Сейчас для обнаружения объектов используются архитектуры двух групп: двухэтапные сети, например Faster RCNN и Mask RCNN; одноэтапные (singleshot) — SSD, YOLO, RetinaNet. Обнаружение объекта — это получение четырех координат прямоугольника, в который вписан интересующий объект.
Упомянутые выше сети умеют находить на картинках множество объектов разного класса, что уже избыточно для решения задачи поиска номеров, т.к. у нас на картинках обычно только одна машина (бывают исключения, когда люди берут фотографии своей проданной машины и ее случайного соседа , но это случается довольно редко, так что этим можно было бы пренебречь).
Еще одна особенность этих сетей заключается в том, что по умолчанию они создают ограничивающую рамку со сторонами, параллельными осям координат. Это происходит потому, что для обнаружения используется набор предопределенных типов прямоугольных рамок, называемых якорными блоками. Точнее, сначала с помощью сверточной сети (например, resnet34) из картинки получается матрица атрибутов. Затем для каждого подмножества атрибутов, полученных с помощью скользящего окна, происходит классификация: есть ли объект для k-якоря или нет, и выполняется регрессия в четыре координаты кадра, корректирующие его положение.
Подробнее об этом читайте здесь.
После этого идут еще две головы:
один для классификации объекта (собака/кошка/растение и т.д.),
второй (регрессор bbox) - для регрессии координат кадра, полученного на предыдущем шаге, с целью увеличения отношения площади объекта к площади кадра.
Чтобы предсказать повернутую рамку бокса, вам нужно изменить регрессор bbox так, чтобы вы также получили угол поворота фрейма. Если этого не сделать, то как-нибудь получится.
Помимо двухэтапного Faster R-CNN, существуют одноэтапные детекторы, такие как RetinaNet. Отличается от предыдущей архитектуры тем, что сразу предсказывает класс и кадр, без предварительного этапа предложения участков картинки, которые могут содержать объекты. Чтобы предсказать повернутые маски, вы также должны изменить заголовок подсети блока.
Одним из примеров существующих архитектур для прогнозирования повернутых ограничивающих рамок является DRBOX. В этой сети не используется предварительная стадия предложения региона, как в Faster RCNN; следовательно, это модификация одностадийных методов. Для обучения этой сети используется K, повернутый на определенные углы ограничивающий прямоугольник (rbox). Сеть прогнозирует вероятность того, что каждый из K ящиков будет содержать целевой объект, координаты, размер ящика и угол поворота.
Модификация архитектуры и переобучение одной из рассмотренных сетей на данных с повернутыми ограничительными рамками — выполнимая задача. Но наша цель может быть достигнута более легко, потому что область применения сети у нас гораздо уже - только для того, чтобы скрыть номерные знаки.
Поэтому мы решили начать с простой сети для предсказания четырех точек числа, а впоследствии можно будет усложнить архитектуру.
В задании дана фотография автомобиля. Необходимо выделить номерной знак автомобиля с помощью четырехугольника. В этом случае номер штата должен быть присвоен максимально точно.
В Толоке можно создавать задачи по разметке данных. Например, оценить качество результатов поиска, разметить разные классы объектов (тексты и картинки), разметить видео и т.д. Их будут выполнять пользователи Толоки, за взимаемую вами плату. Например, в нашем случае толокеры должны выделить на фото свалку с номером автомобиля. В целом, это очень удобно для разметки большого набора данных, но получить высокое качество довольно сложно. В толпе много ботов, задача которых получить от вас деньги, давая ответы случайным образом или используя какую-то стратегию. Для противодействия этим ботам существует система правил и проверок. Основная проверка — смешение контрольных вопросов: вы вручную размечаете часть заданий с помощью интерфейса Толоки, а затем подмешиваете их в основное задание.
Для задачи классификации очень просто определить, неверна маркировка или нет, а для задачи выделения области не так просто. Классический способ — подсчет IoU.
Если это соотношение меньше определенного порога для нескольких задач, то такой пользователь блокируется. Однако для двух произвольных четырехугольников вычислить IoU не так просто, тем более что в Толоке это необходимо реализовать на JavaScript. Мы сделали небольшой хак, и считаем, что пользователь не ошибся, если для каждой точки исходного полигона в небольшой окрестности есть точка, отмеченная писцом. Также есть правило быстрого ответа для слишком быстрой блокировки реагирующих пользователей, капчи, несовпадения с мнением большинства и т.д. Настроив эти правила, можно рассчитывать на довольно хорошую разметку, но если вам действительно нужна качественная и сложная разметка, вам нужна специально нанимать фрилансеров-переписчиков. В итоге наш датасет составил 4к размеченных изображений, и все это стоило на Толоке 28$.
Модель
Теперь давайте создадим сеть для предсказания четырех точек области. Мы получим признаки с помощью resnet18 (11,7M параметров против 21,8M параметров для resnet34), затем сделаем голову для регрессии на четыре точки (восемь координат) и голову для классификации есть ли на картинке номерной знак или нет. Вторая голова нужна, т.к. в объявлениях о продаже авто не все фото с машинами. На фото может быть деталь автомобиля.
Подобных нам, конечно, обнаруживать не приходится.
Мы проводим обучение двух целей одновременно, добавляя в набор данных фотографию без номерного знака с ограничивающей рамкой (0,0,0,0,0,0,0,0,0) цели и значение для классификатора «картинка с/без госномера» - (0, 1).
Затем вы можете создать единую функцию потерь для обеих целей как сумму следующих потерь. Для регрессии к координатам полигона номерного знака мы используем гладкую потерю L1.
Его можно интерпретировать как комбинацию L1 и L2, которая ведет себя как L1, когда абсолютное значение аргумента велико, и как L2, когда значение аргумента близко к нулю. Для классификации мы используем softmax и кроссэнтропийные потери. Экстрактор функций — resnet18, мы используем веса, предварительно обученные в ImageNet, затем мы будем дополнительно обучать экстрактор и головы на нашем наборе данных. В этой задаче мы использовали фреймворк mxnet, так как он является основным для компьютерного зрения в Авито. В целом, микросервисная архитектура позволяет не привязываться к конкретному фреймворку, но когда у вас большая кодовая база, лучше использовать ее и не писать один и тот же код повторно.
Получив на нашем датасете приемлемое качество, мы обратились к дизайнерам за номерным знаком с логотипом Avito. Сначала мы пытались сделать это сами, конечно, но выглядело это не очень красиво. Далее нужно изменить яркость номерного знака Авито на яркость оригинальной области с номерным знаком и можно наложить логотип на изображение.
Запустить в рабочей версии
Проблема воспроизводимости результатов, поддержки и развития проектов, решаемая с некоторой погрешностью в мире backend- и frontend-разработки, остается открытой там, где требуется использование моделей машинного обучения. Вы, вероятно, должны были понять устаревшую модель кода. Хорошо, если в ридми есть ссылки на статьи или репозитории с открытым исходным кодом, на которых основывалось решение. Скрипт запуска переобучения может завершаться с ошибками, например, изменилась версия cudnn, и та версия tensorflow уже не работает с этой версией cudnn, а cudnn не работает с этой версией драйверов nvidia. Возможно, для обучения мы использовали один итератор по данным, а для тестирования в продакшене другой. Это может продолжаться довольно долго. Как правило, проблемы с воспроизводимостью существуют.
Мы пытаемся удалить их с помощью среды nvidia-docker для обучения моделей, в ней есть все необходимые зависимости для cuda, также туда же устанавливаем зависимости для python. Версия библиотеки с итератором по данным, аугментациям и моделям вывода является общей для этапа обучения/экспериментирования и для производства. Таким образом, чтобы обучить модель на новых данных, нужно закачать репозиторий на сервер, запустить шелл-скрипт, который соберет докер-окружение, внутри которого поднимется блокнот jupyter. Внутри у вас будут все блокноты для обучения и тестирования, которые уж точно не вылетят с ошибкой из-за среды. Лучше, конечно, иметь один поезд.py, но практика показывает, что всегда нужно смотреть глазами на то, что дает модель и что-то менять в процессе обучения, так что в итоге вы все равно будете запускать jupyter.
Веса модели хранятся в git lfs — это специальная технология для хранения больших файлов в git. До этого мы пользовались артефакторами, но использовать git lfs удобнее, т.к. скачав репозиторий с сервисом, вы сразу получаете актуальную версию весов, как на продакшене. Автотесты написаны для вывода моделей, поэтому вы не сможете выкатить сервис с весами, которые их не проходят. Сам сервис запускается в докере внутри микросервисной инфраструктуры на кластере kubernetes. Для мониторинга производительности мы используем grafana. После прокатки мы постепенно увеличиваем нагрузку на инстансы сервиса с новой моделью. При выкатывании новой фичи мы создаем а/б тесты и выносим вердикт о дальнейшей судьбе фичи, основываясь на статистических тестах.
В итоге: запустили сглаживание цифр на объявлениях в категории авто для частников, 95-й процентиль времени обработки одного изображения для сокрытия цифры 250 мс.
Читайте также: