Распознавание жестового языка: MediaPipe, Transformer, CTC

Разработка AI для распознавания жестового языка

Глухие сотрудники на производстве часто остаются без оперативной информации — системы оповещения не адаптированы под жестовый язык. Попытки внедрить готовые переводчики терпят неудачу из-за высокой вариативности жестов и отсутствия поддержки русского жестового языка (РЖЯ). Мы создаём кастомные AI-решения, которые решают эту проблему на уровне инженерного пайплайна. Наша компания специализируется на компьютерном зрении и NLP, мы разработали пайплайн, который использует MediaPipe для извлечения ключевых точек и Transformer для классификации, достигая точности до 84% на изолированных знаках и WER до 17% на непрерывной речи. Мы реализовали более 10 проектов по распознаванию жестового языка, накопив более 5 лет опыта.

Почему распознавание непрерывной жестовой речи сложнее изолированных жестов?

Изолированный знак — один жест из словаря (например, HELLO). Continuous Sign Language Recognition (CSLR) — это поток жестов с неопределёнными границами, где соседние знаки влияют друг на друга. CSLR требует CTC-декодирования (Connectionist Temporal Classification), которое предсказывает последовательность символов без сегментации. Дополнительная сложность — motion-based disambiguation: знаки, одинаковые по форме, различаются только траекторией движения. Человек справляется с этим за счёт контекста, а нейросеть — за счёт BiLSTM-слоёв, анализирующих временные зависимости.

Как мы используем MediaPipe и Transformer для изолированных знаков?

Наш пайплайн извлекает 258 признаков на кадр: 21 ключевая точка каждой руки + 33 точки тела (MediaPipe Holistic). Нормализация относительно плечевого расстояния даёт инвариантность к масштабу — жест на расстоянии 0.5 м распознаётся так же, как на 2 м. Transformer-модель обрабатывает окно из 30 кадров (1 секунду) и выдаёт вероятность по классам. Код ниже показывает архитектуру и инференс.

import numpy as np
import cv2
import torch
import torch.nn as nn
import mediapipe as mp
from dataclasses import dataclass
from collections import deque
from typing import Optional
import json

@dataclass
class SignPrediction:
    sign_id: int
    gloss: str          # название знака (HELLO, WATER, THANK_YOU)
    confidence: float
    hand: str           # left / right / both
    frame_range: tuple  # (start_frame, end_frame)

class HandLandmarkExtractor:
    """
    Извлечение 21 ключевой точки каждой руки + 33 точки тела MediaPipe.
    Нормализация относительно плечевого расстояния для инвариантности к расстоянию.
    """
    def __init__(self):
        self.mp_holistic = mp.solutions.holistic
        self.holistic = self.mp_holistic.Holistic(
            static_image_mode=False,
            model_complexity=1,
            min_detection_confidence=0.5,
            min_tracking_confidence=0.5
        )

    def extract(self, frame: np.ndarray) -> Optional[np.ndarray]:
        """
        Возвращает вектор признаков размерности 258:
        - 21 точки правой руки × 3 (x,y,z) = 63
        - 21 точки левой руки × 3 = 63
        - 33 точки тела × 4 (x,y,z,visibility) = 132
        """
        rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        results = self.holistic.process(rgb)

        # Правая рука
        rh = np.zeros(63, dtype=np.float32)
        if results.right_hand_landmarks:
            for i, lm in enumerate(results.right_hand_landmarks.landmark):
                rh[i*3:i*3+3] = [lm.x, lm.y, lm.z]

        # Левая рука
        lh = np.zeros(63, dtype=np.float32)
        if results.left_hand_landmarks:
            for i, lm in enumerate(results.left_hand_landmarks.landmark):
                lh[i*3:i*3+3] = [lm.x, lm.y, lm.z]

        # Тело (поза)
        pose = np.zeros(132, dtype=np.float32)
        if results.pose_landmarks:
            for i, lm in enumerate(results.pose_landmarks.landmark):
                pose[i*4:i*4+4] = [lm.x, lm.y, lm.z, lm.visibility]

        features = np.concatenate([rh, lh, pose])

        # Нормализация: плечевое расстояние как масштаб
        # Точки 11 (левое плечо) и 12 (правое плечо) в pose
        left_shoulder = pose[11*4:11*4+2]
        right_shoulder = pose[12*4:12*4+2]
        shoulder_dist = np.linalg.norm(left_shoulder - right_shoulder)
        if shoulder_dist > 0.01:
            features[:126] /= shoulder_dist  # нормируем только руки

        return features if (results.right_hand_landmarks or
                            results.left_hand_landmarks) else None


class SignLanguageTransformer(nn.Module):
    """
    Transformer для последовательностей ключевых точек.
    Вход: (batch, seq_len, 258) — окно из 30–60 кадров.
    Обучается на WLASL (2000 знаков ASL) или PHOENIX-2014T (немецкий).
    """
    def __init__(self, input_dim: int = 258,
                 d_model: int = 256,
                 nhead: int = 8,
                 num_layers: int = 4,
                 num_classes: int = 2000,
                 dropout: float = 0.1):
        super().__init__()
        self.input_proj = nn.Linear(input_dim, d_model)
        # Позиционное кодирование learnable
        self.pos_emb = nn.Embedding(300, d_model)

        encoder_layer = nn.TransformerEncoderLayer(
            d_model=d_model, nhead=nhead,
            dim_feedforward=d_model * 4,
            dropout=dropout, batch_first=True
        )
        self.encoder = nn.TransformerEncoder(encoder_layer, num_layers=num_layers)
        self.classifier = nn.Sequential(
            nn.LayerNorm(d_model),
            nn.Linear(d_model, d_model // 2),
            nn.GELU(),
            nn.Dropout(dropout),
            nn.Linear(d_model // 2, num_classes)
        )

    def forward(self, x: torch.Tensor,
                 src_key_padding_mask: Optional[torch.Tensor] = None) -> torch.Tensor:
        """x: (B, T, 258)"""
        B, T, _ = x.shape
        positions = torch.arange(T, device=x.device).unsqueeze(0).expand(B, -1)
        x = self.input_proj(x) + self.pos_emb(positions)
        x = self.encoder(x, src_key_padding_mask=src_key_padding_mask)
        # Global average pooling по времени
        x = x.mean(dim=1)
        return self.classifier(x)


class SignLanguageRecognizer:
    """
    Real-time распознавание изолированных знаков.
    Буфер скользящего окна + пороговое обнаружение начала/конца жеста.
    """
    WINDOW_SIZE = 30   # 30 кадров @ 30 fps = 1 секунда
    MIN_SIGN_FRAMES = 10

    def __init__(self, model_path: str,
                  vocabulary_path: str,
                  confidence_threshold: float = 0.7,
                  device: str = 'cuda'):
        self.device = device
        self.extractor = HandLandmarkExtractor()

        # Загрузка словаря
        with open(vocabulary_path) as f:
            self.vocabulary = json.load(f)  # {id: gloss}

        # Модель
        self.model = SignLanguageTransformer(
            num_classes=len(self.vocabulary)
        ).to(device)
        checkpoint = torch.load(model_path, map_location=device)
        self.model.load_state_dict(checkpoint['model_state_dict'])
        self.model.eval()

        self.threshold = confidence_threshold
        self.frame_buffer: deque = deque(maxlen=self.WINDOW_SIZE)
        self.sign_active = False
        self.sign_start_frame = 0
        self.frame_count = 0

    def process_frame(self, frame: np.ndarray) -> Optional[SignPrediction]:
        self.frame_count += 1
        features = self.extractor.extract(frame)

        if features is None:
            if self.sign_active and len(self.frame_buffer) >= self.MIN_SIGN_FRAMES:
                # Рука исчезла — попытка классификации накопленного буфера
                return self._classify_buffer()
            self.frame_buffer.clear()
            self.sign_active = False
            return None

        self.frame_buffer.append(features)
        self.sign_active = True

        if len(self.frame_buffer) < self.WINDOW_SIZE:
            return None  # буфер не заполнен

        return self._classify_buffer()

    @torch.no_grad()
    def _classify_buffer(self) -> Optional[SignPrediction]:
        seq = np.stack(list(self.frame_buffer))  # (T, 258)
        tensor = torch.from_numpy(seq).unsqueeze(0).float().to(self.device)

        logits = self.model(tensor)
        probs = torch.softmax(logits, dim=-1).squeeze()
        conf, pred_id = probs.max(dim=0)
        conf = float(conf.item())
        pred_id = int(pred_id.item())

        if conf < self.threshold:
            return None

        gloss = self.vocabulary.get(str(pred_id), f'SIGN_{pred_id}')
        return SignPrediction(
            sign_id=pred_id,
            gloss=gloss,
            confidence=round(conf, 3),
            hand='both',
            frame_range=(self.frame_count - len(self.frame_buffer),
                         self.frame_count)
        )

Как работает наш CSLR пайплайн?

Для непрерывной речи мы используем CNN + BiLSTM + CTC. Вход — окна по 90 кадров (3 секунды). CTC-декодер выдаёт последовательность глоссов, убирая повторы и blank-символы. Наш опыт показывает, что ключевая трудность — fingerspelling (пальцевая дактильная азбука). Буквы показываются последовательно, и стандартный CSLR часто путает их. Мы решаем это отдельным lightweight-классификатором на базе MediaPipe, который обрабатывает каждый кадр и корректирует выход основного декодера. Это снижает WER на 5–7% в тестах на PHOENIX-2014T.

Наш подход на Transformer в 1.5–2 раза быстрее I3D при сопоставимой точности. Для CSLR мы используем ансамбль BiLSTM с attention, что даёт WER на 3–5% ниже, чем стандартный CTC без сегментации. По данным WLASL-2000, Transformer достигает 84% на изолированных знаках.

Что входит в работу?

• Анализ требований: определение словаря (количество знаков, специфика – РЖЯ, ASL, BSL), сбор и разметка данных.
• Обучение модели: выбор архитектуры (Transformer / BiLSTM + CTC), аугментация, тонкая настройка под целевой датасет.
• Оптимизация инференса: квантование (INT8), экспорт в ONNX, снижение latency p99 до 30–50 мс.
• Интеграция: REST API, RTSP-поток, desktop приложение.
• Документация и обучение: передача model card, инструкция по адаптации под новые жесты.

Процесс работы над проектом

1. Аудит данных — оценка качества и достаточности видеоматериала (1–2 недели).
2. Прототипирование — базовая модель на 50–100 знаках (2–4 недели).
3. Развёртывание — CI/CD, MLflow трекинг, мониторинг дрейфа (2–3 недели).
4. Итерация — дообучение на реальных данных заказчика (4–8 недель).

Сроки ориентировочно

Стоимость рассчитывается индивидуально — зависит от объёма данных, количества классов и требуемой точности. Для оценки вашего проекта свяжитесь с нами — мы предоставим предварительный план и сроки за 2–3 дня. Мы работаем с жестовыми языками более 5 лет, наши инженеры сертифицированы по MediaPipe и PyTorch. Получите консультацию, чтобы обсудить детали.

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.