Portfolio — Борисов Даниил

Проекты, выполненные с помощью AI-агентов

YOLO11-seg: Сегментация этапов пайки волноводов

mAP50 = 0.885 3 класса · 4 этапа

Система автоматической сегментации этапов индукционной пайки в производстве космических волноводов. Модель YOLO11-seg обучена на 319 кадрах из 4 видео, распознаёт 3 класса объектов (волновод, флюс, припой) и определяет 4 этапа техпроцесса по динамике масок: предварительный нагрев → плавление флюса (300°C) → плавление припоя (580°C) → стабилизация.

Принцип работы

Видео с камеры → извлечение кадров → YOLO11-seg инференс → сегментационные маски 3 классов → расчёт площади масок по кадрам → rule-based классификатор определяет текущий этап пайки по динамике изменения площадей → визуализация с overlay масок и timeline этапов. НИР в рамках магистратуры РУДН.

seg mAP50

0.885

yolo11m-seg

AP50 flux

0.932

лучший класс

AP50 solder

0.946

Скорость

43ms

~23 FPS

Датасет

319

кадров 640×640

Стек

Python, Ultralytics YOLO11, PyTorch, OpenCV, Google Colab (T4 GPU)

Роль AI-агента

Оптимизация гиперпараметров, подбор аугментаций, анализ confusion matrix, 7 методов разметки

Время

2 недели общее, ключевые решения с AI — 3 часа

Computer Vision Instance Segmentation PyTorch YOLO11 Colab T4 150 epochs

github.com/damn8daniel/yolo11-waveguide-segmentation

Skin Cancer Detector: Платформа диагностики

7 классов Full-stack iOS + Web + API

Full-stack медицинская платформа для классификации дерматоскопических изображений по 7 типам новообразований кожи (HAM10000 dataset). Transfer learning на EfficientNetB3, REST API на Flask с rate-limiting, React веб-фронтенд с drag-and-drop и React Native iOS-приложение с камерой и галереей. Поддержка 4 языков и адаптация рекомендаций под тон кожи (шкала Фитцпатрика, 6 типов).

Принцип работы

Пользователь загружает фото → выбор типа кожи по Фитцпатрику → препроцессинг (resize 224×224, нормализация) → EfficientNetB3 inference → softmax вероятности 7 классов → вывод диагноза с confidence score → персонализированные рекомендации с учётом тона кожи на выбранном языке. Backend: Flask + TensorFlow Serving.

Классов

HAM10000

Модель

EfficientNet

Платформы

iOS + Web + API

Языки

RU EN ES ZH

Код

1.6K

строк TSX

Стек

TensorFlow/Keras, Flask, React 18, React Native, Capacitor

Роль AI-агента

Архитектура системы, дебаг training pipeline, генерация API endpoints, UI/UX дизайн

Время

Прототип за 1 день с AI, доработка — 2 дня

Medical AI Transfer Learning EfficientNet Flask React Native Fitzpatrick Scale

github.com/damn8daniel/skin-cancer-detector

Brushely: iOS-приложение для здоровья зубов

SwiftUI CoreMotion AVFoundation iOS 17+

Полноценное iOS-приложение для формирования привычки правильной чистки зубов. Guided-таймер на 2 минуты с зонной прогрессией (8 зон), интерактивная 2D-карта зубов с подсветкой текущей зоны, live-камера для контроля техники, трекинг движений руки через акселерометр CoreMotion, particle-эффекты при достижениях, анимированный breathing-background, календарь серий и статистика. MVVM-архитектура, 2667 строк Swift, 13 views, 2 view models, 2 сервиса.

Принцип работы

Запуск сессии → таймер 2:00 с разбивкой на 8 зон (4 области × 2 стороны) → ToothMapView подсвечивает текущую зону → CoreMotion отслеживает acceleration данные руки и определяет характер движений → CameraManager показывает live-preview для самоконтроля → при завершении: ParticleEffectView + анимация, сохранение в CalendarViewModel → streak tracking с визуализацией в CalendarView.

Views

SwiftUI

Код

2.7K

строк Swift

Зоны

guided brushing

Фреймворки

SwiftUI CoreMotion AVFoundation Combine

Архитектура

MVVM

2 VM + 2 Services

Стек

Swift 5.9, SwiftUI, AVFoundation, CoreMotion, Combine

Роль AI-агента

Архитектура MVVM, все UI-компоненты, motion tracking алгоритм, particle system

Время

От идеи до App Store-ready — 4 часа с AI

iOS App Health Tech SwiftUI CoreMotion AVFoundation MVVM

github.com/damn8daniel/brushely-ios

Общий подход: AI-агенты как мультипликатор

Во всех трёх проектах Claude Code использовался как AI-агент на каждом этапе: от проектирования архитектуры до дебага и оптимизации. Ключевой паттерн — итеративный диалог: я ставлю задачу, агент предлагает решение, я валидирую результат, корректирую направление. Это позволяет одному человеку покрывать полный стек (CV + backend + frontend + mobile + DevOps) за дни вместо недель.

Всего проектов

CV + MedAI + iOS

AI-агент

Claude Code

Общий код

4.3K+

строк

Стеков

Python Swift TS React Flask