Дякую, що прочитали!

Щодо

edge devices

. Тут є власна специфіка. Річ у тім, що розробка моделей відбувається у «десктопному» середовищі, тобто у вас є десктопна операційна система (зазвичай linux) і усі супутні інструменти та бібліотеки (починаючи від sklearn, numpy, scipy, закінчуючи pytorch, tensorflow, onnx). Розроблені за допомогою цих інструментів моделі у загальному випадку не можуть бути застосовані безпосередньо на edge devices — потрібна конвертація. Більш того, самостійно моделі без супровідного коду майже ні на що не здатні — потрібна логіка препроцессінгу вхідних даних та постпроцессінгу вихідних результатів роботи моделі. Ця логіка пре- та постпроцессінгу зазвичай написана на пітоні у «десктомному» середовищі, де, власне, модель розроблялася і до неї отримувалися метрики якості. Тож фактично необхідно реімплементувати логіку пре- і постпроцесінгу на нативних мовах девайсів (чи це котлін, чи джава, чи свіфт). Саме тут, у реімплементації, може бути багато підводних каменів, особливо коли працюєте із зображеннями та звуком.

Якщо коротко:
— конвертація моделі у формат, який підтримується edge devices
— реімплементація логіки пре- і постпроцесінгу