Разработка AI-системы распознавания товаров на полке

Пустая полка или товар не на своём месте — ритейлер теряет до 5% выручки. По данным Nielsen, пустые полки обходятся ритейлерам в 4–6% оборота. Традиционные решения на основе штрих-кодов не работают при частых перестановках и смене упаковок. Автоматический контроль планограммы с помощью компьютерного зрения даёт измеримый результат, но при 10 000–50 000 уникальных SKU и регулярных сменах упаковок классические softmax-классификаторы перестают работать. Мы разработали решение на основе детекции YOLOv8 и metric learning с ArcFace, которое обновляется за секунды, а не дни. Система позволяет не только детектировать товары, но и идентифицировать каждый SKU через 512-мерные embedding'ы. В этой статье разберём, как устроена архитектура, какие проблемы мы решали и какие результаты получаем в продакшене.

Типичные проблемы при распознавании товаров

Частая смена дизайна упаковок требует быстрой адаптации. Бренды регулярно обновляют упаковки, и softmax-модель требует полного переобучения. Наш подход на embedding'ах позволяет обновить индекс за секунды — достаточно сфотографировать новую упаковку. Масштабирование на 50 000+ SKU также становится проблемой: традиционные классификаторы деградируют при большом количестве классов. Metric learning с ArcFace даёт Top-1 точность 87% на 50 000 SKU — промышленно приемлемый уровень. Необходимость быстрого обновления: если на полке появился новый товар, его нужно распознавать сразу. FAISS-индекс обновляется инкрементально, без переобучения модели.

Как работает детекция товаров?

Используем fine-tuning YOLOv8 на специально собранных полочных снимках. Размер входного изображения — 1280 пикселей: это критично для чтения мелких ценников и надписей на упаковках.

from ultralytics import YOLO
import yaml
from pathlib import Path

def prepare_retail_dataset_config(
    data_dir: str,
    class_names: list[str]
) -> str:
    """
    Конфиг датасета для YOLOv8.
    Для ритейл-полок рекомендуем imgsz=1280 — детали упаковок важны.
    """
    config = {
        'path': data_dir,
        'train': 'images/train',
        'val':   'images/val',
        'test':  'images/test',
        'nc':    len(class_names),
        'names': class_names
    }
    config_path = Path(data_dir) / 'dataset.yaml'
    with open(config_path, 'w') as f:
        yaml.dump(config, f, allow_unicode=True)
    return str(config_path)

# Обучение детектора товаров
model = YOLO('yolov8l.pt')
model.train(
    data='retail_dataset.yaml',
    imgsz=1280,        # важно: мелкие ценники и надписи требуют разрешения
    batch=8,           # при 1280 батч меньше
    epochs=200,
    device='0',
    augment=True,
    mosaic=0.5,        # снижаем mosaic — не хотим менять масштаб товаров
    copy_paste=0.3,    # полезно для retail
    rect=False         # прямоугольные батчи ухудшают детекцию мелких объектов
)

На практике fine-tuning с подобными параметрами даёт mAP 50-95 ~0.85 на тестовой выборке из 2000 изображений. Если у вас есть специфические категории (например, блистеры или бутылки), мы адаптируем аугментации.

Почему embedding-подход лучше классификации?

При 10 000+ SKU softmax-классификатор требует переобучения при добавлении каждого нового товара. Embedding-подход на основе ArcFace решает проблему: обученная модель выдаёт 512-мерный вектор, а поиск по базе осуществляется через FAISS-индекс. Новый SKU — просто добавляем его embedding.

import torch
import torch.nn as nn
import torch.nn.functional as F
from torch.utils.data import DataLoader
import timm
import faiss
import numpy as np

class SKUEmbeddingModel(nn.Module):
    """
    ArcFace-like metric learning для идентификации товаров.
    Обучаем на кропах товаров → embedding 512-dim.
    """
    def __init__(self, num_skus: int, embedding_dim: int = 512):
        super().__init__()
        self.backbone = timm.create_model(
            'efficientnet_b4',
            pretrained=True,
            num_classes=0
        )
        self.embedding = nn.Sequential(
            nn.Linear(self.backbone.num_features, embedding_dim),
            nn.BatchNorm1d(embedding_dim)
        )
        # ArcFace head для обучения
        self.arcface = ArcFaceHead(embedding_dim, num_skus)

    def forward(self, x: torch.Tensor, labels: torch.Tensor = None):
        feat = self.backbone(x)
        emb  = F.normalize(self.embedding(feat), dim=1)
        if labels is not None:
            return self.arcface(emb, labels)
        return emb

class ArcFaceHead(nn.Module):
    def __init__(self, dim: int, num_classes: int,
                 margin: float = 0.3, scale: float = 32.0):
        super().__init__()
        self.weight = nn.Parameter(torch.randn(num_classes, dim))
        self.margin = margin
        self.scale  = scale

    def forward(self, emb: torch.Tensor, labels: torch.Tensor):
        import math
        W = F.normalize(self.weight, dim=1)
        cosine = F.linear(emb, W)
        # Применяем margin только к правильному классу
        one_hot = torch.zeros_like(cosine)
        one_hot.scatter_(1, labels.unsqueeze(1), 1)
        phi = cosine - self.margin
        output = (one_hot * phi + (1 - one_hot) * cosine) * self.scale
        return F.cross_entropy(output, labels)

class SKUFAISSIndex:
    """FAISS-индекс для быстрого поиска похожих SKU"""
    def __init__(self, embedding_dim: int = 512):
        self.index = faiss.IndexFlatIP(embedding_dim)  # inner product = cosine при нормализации
        self.sku_ids = []

    def add_sku(self, sku_id: str, embedding: np.ndarray) -> None:
        emb_norm = embedding / (np.linalg.norm(embedding) + 1e-8)
        self.index.add(emb_norm.reshape(1, -1).astype(np.float32))
        self.sku_ids.append(sku_id)

    def search(
        self, query_embedding: np.ndarray, top_k: int = 5
    ) -> list[dict]:
        q = (query_embedding / (np.linalg.norm(query_embedding) + 1e-8)
             ).reshape(1, -1).astype(np.float32)
        scores, indices = self.index.search(q, top_k)
        return [
            {'sku_id': self.sku_ids[idx], 'score': float(scores[0][i])}
            for i, idx in enumerate(indices[0])
            if idx < len(self.sku_ids)
        ]

На практике ArcFace даёт Top-1 точность ~95% для 1 000 SKU и ~87% для 50 000 SKU. Это значительно выше, чем CLIP zero-shot (78% на той же базе).

Как обрабатывать смену упаковки?

Главная головная боль ритейла — packaging refresh. Раз в год бренды меняют дизайн, и модель начинает ошибаться на новых упаковках. Наш подход: онлайн-обновление индекса. Достаточно сфотографировать новую упаковку и добавить её embedding в FAISS. Старый embedding можно удалить или оставить как вариант.

def update_sku_appearance(
    sku_index: SKUFAISSIndex,
    model: SKUEmbeddingModel,
    sku_id: str,
    new_product_images: list,
    keep_old: bool = False      # False = заменяем, True = добавляем вариант
) -> None:
    model.eval()
    embeddings = []

    with torch.no_grad():
        for img in new_product_images:
            emb = model(img.unsqueeze(0).cuda()).cpu().numpy()
            embeddings.append(emb.squeeze())

    # Усредняем по нескольким ракурсам
    mean_emb = np.mean(embeddings, axis=0)

    if not keep_old:
        # Удаляем старые записи (FAISS IDMap для удаления)
        pass  # требует IndexIDMap

    sku_index.add_sku(sku_id, mean_emb)
    print(f'Updated SKU {sku_id} with {len(new_product_images)} images')

Эта операция занимает секунды. Переобучение модели не требуется — только обновление индекса. В production мы используем FAISS с поддержкой удаления через IndexIDMap.

Сравнение точности методов

Отметим: как видно из таблицы, ArcFace + FAISS значительно превосходит CLIP zero-shot по точности и softmax — по скорости обновления. Для 50 000 SKU точность падает, но остаётся промышленно приемлемой.

Кейс из нашей практики: внедрение для сети гипермаркетов

Для одного из наших клиентов, сети гипермаркетов с 200+ магазинами, пилот на 500 SKU занял 5 недель. После разметки 8000 кропов товаров обучен детектор и embedding-модель. На тесте точность Top-1 составила 96%. После развёртки на 10 000 SKU точность снизилась до 92%, но система стабильно работает, обрабатывая до 1000 кадров в минуту на одном GPU. Внедрение окупилось за 7 месяцев: экономия от сокращения out-of-stock составила существенную сумму, а оптимизация выкладки дала дополнительный доход.

Процесс работы

1. Аналитика и сбор данных — определяем перечень SKU, собираем полочные снимки (от 20 изображений на SKU для разных ракурсов).
2. Разметка и подготовка датасета — аннотируем bounding boxes и классы. Для пилота достаточно 500–1000 размеченных изображений.
3. Обучение модели — fine-tuning YOLOv8 и ArcFace на собранном датасете. Итеративный цикл с валидацией на тестовой выборке.
4. Интеграция и тестирование — развёртывание REST API, подключение к камерам, проверка на реальных полках. Настраиваем MLOps pipeline (CI/CD для моделей, мониторинг дрейфа, дашборды ритейл аналитики).
5. Деплой и поддержка — установка на сервер, настройка CI/CD для обновления индекса, мониторинг метрик.

Типичные ошибки, которые мы встречали:

• Недостаточное разнообразие фона. Если обучать только на фото с идеально ровными полками, на реальных снимках с тенью и бликами модель теряет точность.
• Перекос классов. Некоторые SKU встречаются редко — для них нужно применять аугментацию или собирать больше данных.
• Неправильная нормализация освещения. Мы используем адаптивную гистограммную коррекцию перед подачей в модель.

Сроки и что входит в работу

В стоимость работ входят следующие этапы:

• Сбор и разметка тренировочного датасета (до 10 000 изображений на пилот)
• Обучение и валидация модели с отчётом по метрикам
• REST API для интеграции
• Документация и инструкция по эксплуатации
• Обучение сотрудников (2 часа онлайн)
• Поддержка в течение 3 месяцев после запуска

По нашим оценкам, автоматизация сокращает время мерчандайзинга на 30% и снижает out-of-stock на 15%.

Начало работы с системой

Оценим ваш проект бесплатно. Свяжитесь с нами, и мы подготовим коммерческое предложение с точными сроками и стоимостью под ваш масштаб. Закажите пилот — и вы получите рабочую систему для 500 SKU за 4–6 недель. Гарантируем конфиденциальность данных.

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.