системы визуального поиска для OpenCart 2.3 с использованием Яндекс Vision и векторных эмбеддингов

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.