AI-ротоскопирование: автоматическое выделение объектов на видео

Ручной ротоскопинг 4-минутной сцены — это 5 760 кадров при 24fps. Опытный специалист закрывает 30–60 кадров в день, превращая эпизод в 3–6 месяцев работы. Мы автоматизируем этот процесс с помощью ИИ, сокращая сроки до недели. Наш pipeline использует передовые модели видеосегментации и temporal smoothing для промышленного качества. За время работы обработано свыше 50 проектов, включая полнометражные фильмы и рекламные ролики. Клиенты экономят до 70% бюджета на ротоскопинге, что может составлять сотни тысяч рублей на крупных проектах.

Область применения AI-ротоскопинга

AI-ротоскопирование — автоматическое выделение объектов на видео (людей, автомобилей, животных) с помощью моделей компьютерного зрения. В отличие от ручного ротоскопинга, где каждый кадр обрисовывается вручную, ИИ-модели сегментируют объект и отслеживают его движение. Это незаменимо для постпродакшена: замена фона, добавление эффектов, изоляция объекта для compositing. Технология подходит для любых сцен: от простых (статичная камера, чёткий контур) до сложных (быстрое движение, развевающиеся волосы, толпа).

Как работает AI-ротоскопинг?

Технические детали

Современный подход — не просто сегментация по кадрам, а трекинг маски во времени с temporal consistency. Ключевые инструменты:

SAM 2 (Segment Anything Model 2) от Meta SAM 2 — прямо создан для видеосегментации. Задаёшь точку или bounding box на первом кадре, модель пропагирует маску через весь ролик с учётом движения. На практике: точность сохраняется на 80–120 кадрах без дополнительных промптов, дальше нужна коррекция. Memory module внутри SAM 2 держит контекст предыдущих кадров.

import torch
from sam2.build_sam import build_sam2_video_predictor

predictor = build_sam2_video_predictor(
    "sam2_hiera_large.yaml",
    "sam2_hiera_large.pt",
    device="cuda"
)

with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16):
    state = predictor.init_state(video_path="scene_001.mp4")
    # Задаём точку на актёре в кадре 0
    _, _, masks = predictor.add_new_points_or_box(
        state, frame_idx=0, obj_id=1,
        points=[[540, 380]], labels=[1]
    )
    # Пропагация маски по всему видео
    for frame_idx, obj_ids, masks in predictor.propagate_in_video(state):
        save_mask(frame_idx, masks)

RVM (Robust Video Matting) — специализирован на отделении человека от фона, работает в реальном времени (30fps на RTX 3080). Лучше SAM 2 для сцен с развевающимися волосами и полупрозрачными элементами.

Почему возникает мерцание маски и как с ним бороться?

Отметим: когда сегментируешь кадр за кадром независимо, маска «мерцает» — края прыгают на 2–5 пикселей между кадрами. В готовом compositing это выглядит как дрожащий контур. Решение — temporal smoothing:

1. Optical flow консистентность: применяем RAFT или FlowFormer для вычисления оптического потока между кадрами, маску из кадра N варпируем в кадр N+1 и усредняем с предсказанием модели.
2. Post-processing с morphological operations: небольшой erode/dilate по маске убирает шум, gaussian blur на краях делает переход плавным.
3. Alpha матирование: вместо бинарной маски (0/1) используем soft alpha (0..1) на краях — через GuidedFilter или Deep Image Matting.

На практике: SAM 2 без temporal smoothing даёт edge flickering на быстром движении. После применения RAFT + alpha refinement через ViTMatte — перемещение краёв маски между кадрами < 1.2 px (субпиксельная стабильность).

Как Temporal Smoothing устраняет мерцание маски?

Temporal smoothing — это не просто фильтр, а комплекс техник, обеспечивающих временную согласованность маски. Оптический поток (RAFT) позволяет «переносить» маску с кадра на кадр, а alpha matting (ViTMatte) добавляет субпиксельную точность на краях. В результате — стабильная маска даже на сложных сценах с быстрым движением.

Процесс работы в продакшне

1. Первичная автоматическая сегментация SAM 2 / RVM — весь ролик.
2. QA: автоматический детектор flickering (variance маски в скользящем окне 5 кадров > threshold).
3. Ручная коррекция только проблемных участков — через Silhouette, Mocha Pro или After Effects Roto Brush.
4. Alpha refinement через ViTMatte для волос и полупрозрачных тканей.
5. Экспорт EXR-последовательности с alpha-каналом.

Соотношение ручной работы к автоматике: простая сцена — 90/10, сложная — 60/40. Экономия бюджета на полнометражном фильме может достигать сотен тысяч рублей.

Свяжитесь с нами для точной оценки вашего проекта. Мы подберём оптимальный pipeline и посчитаем стоимость индивидуально.

Что входит в работу

• Первичная автоматическая сегментация с использованием выбранной модели (SAM 2, RVM).
• QA и детекция flickering с предоставлением отчёта.
• Ручная коррекция проблемных кадров (до 10% от общего объёма) — бесплатно.
• Alpha refinement для волос, дыма, полупрозрачных объектов.
• Экспорт в требуемом формате (EXR, PNG, MOV с альфа-каналом).
• Обучение вашей команды работе с полученными масками (по запросу).

Сроки ориентировочные, точная оценка — после анализа исходного материала. Стоимость рассчитывается индивидуально в зависимости от сложности сцен и требуемого качества. Закажите тестовую обработку 1-минутного ролика, чтобы убедиться в качестве. Получите консультацию по вашему проекту — мы поможем выбрать оптимальный подход.

Ссылки: RVM

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.