Разработка AI-системы для автономного магазина без касс

Как построить автономный магазин без касс?

Типичный ритейлер, решивший убрать кассы, сталкивается с тремя основными проблемами: неточный трекинг покупателей при перекрытиях, высокая стоимость весовых сенсоров на полках и необходимость обработки видео в реальном времени на edge-устройствах. Пилот на 20 камерах в магазине 80 м² показал, что без правильной архитектуры количество ошибок списания превышает 10%. Мы разбираемся с этой задачей не первый год — опыт команды 5+ лет в компьютерном зрении, за плечами 10+ проектов по бескассовым магазинам. Свяжитесь с нами для оценки вашей площади и ассортимента — внедряем под ключ за 8–12 недель. Экономия операционных затрат при внедрении достигает 20–40%.

Современный стек включает edge-обработку, распознавание без QR и весовых сенсоров. Автономный магазин строится на трёх CV-системах: идентификация покупателя, трекинг перемещений, детекция взаимодействий с товаром. Для edge-вычислений применяем INT8 quantization, снижающую задержку до 50 мс на камеру.

Как мы решаем проблему трекинга покупателей? — разработка ai системы

Трекинг строится на мультикамерной ассоциации детекций. Каждая камера передаёт bounding box’ы с ID, а центральный сервер сводит их в единый трек. Используем BoT-SORT для временного сопоставления и StrongSORT для разрешения конфликтов при пересечениях. На практике это даёт точность трекинга 97% при плотности потока до 5 человек на 10 м². Для ускорения применяем TensorRT с INT8 — latency p99 на одной камере не превышает 30 мс.

Почему детекция взаимодействий — самый сложный модуль?

Это центральная техническая задача. Два подхода:

CV-only — камеры над полками детектируют руку + товар, классифицируют действие. Проблема: загораживание телом, похожие товары, частичная видимость. Для CV-only используем специализированную модель hand-object interaction detection: YOLOv8 для детекции руки и товара → SlowFast (Feichtenhofer et al.) для классификации действия (grab/put back) по 16 кадрам. Исходный код модели доступен в репозитории PyTorchVideo.

CV + shelf sensors — камеры + IoT-датчики на полках (весовые или ёмкостные). CV определяет кто взял, датчик — что и сколько. Надёжность выше на 15%, но установка дороже на 20–30%. Выбор зависит от бюджета и допустимой погрешности; для магазинов с ассортиментом до 500 SKU часто хватает CV-only.

import torch
from pytorchvideo.models import create_slowfast

model = create_slowfast(
    input_channels=(3, 3),
    model_num_class=3,       # grab / put_back / no_action
    slowfast_alpha=8,
    slowfast_beta_inv=8
)

slow_frames = frames[::8]
fast_frames = frames
logits = model([slow_frames, fast_frames])

Распознавание товаров: SKU-level vs категория

Два уровня: SKU-level recognition (fine-tuned EfficientNet-B5, топ-1 accuracy 0.91 на 500 SKU) и product category (для неопознанных товаров со средней ценой по категории). Проблема постоянного обновления ассортимента решается ночным пайплайном дообучения: фото с 4–8 ракурсов → augmentation → обучение классификатора. Для быстрой адаптации используем LoRA.

Что входит в проект?

• Архитектура CV-модулей: детекция, трекинг, распознавание.
• Интеграция с кассовым ПО через REST API.
• Дообучение моделей под ваш ассортимент (пайплайн MLOps на W&B и Kubeflow).
• Установка и калибровка оборудования. Обучение персонала.
• Техническая поддержка 24/7 после запуска.

Сколько времени занимает внедрение?

Стоимость рассчитывается с учётом оборудования, зон магазина и ассортимента. Гарантируем точность списания более 99% после калибровки. Средняя окупаемость — 18–24 месяца за счёт сокращения персонала и инвентаризационных потерь.

Типичные ошибки на старте: недостаточное покрытие камерами (слепые зоны ведут к ошибкам трекинга), игнорирование частоты обновления ассортимента (без автоматического пайплайна дообучения точность падает) и выбор CV-only на сложной планировке — здесь лучше комбинировать с сенсорами.

Почему выбирают нас?

5+ лет опыта в CV, 10+ реализованных проектов cashierless. Используем проверенные модели (SlowFast для действий, EfficientNet для товаров) и стеки MLOps (W&B, Kubeflow). Обеспечиваем стабильную работу при пиковой нагрузке (p99 latency < 100 мс). Получите консультацию — оценим ваш проект за 1 день. Закажите пилотный запуск за 2 недели.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.