AI-система визуальной оценки повреждений автомобиля по фото

ИИ-оценка повреждений автомобиля по фото

Мы разработали AI-систему визуальной оценки повреждений автомобиля по фото. Она решает задачу страхового скоринга в реальном времени. Опыт наших инженеров в машинном зрении превышает 10 лет, а число внедрённых проектов — более 50. Компания работает на рынке AI-решений более 5 лет. Представьте: клиент фотографирует машину на парковке, загружает 6 снимков в приложение. Через 40 секунд получает предварительную оценку ущерба. Без выезда эксперта, без очереди на осмотр. Эта архитектура на базе YOLOv8-seg + регрессионной модели стоимости разворачивается в продакшн за 8–12 недель. Она гарантирует снижение затрат на экспертизу на 30–50%. Для типового страхового портфеля экономия бюджета может достигать 2–3 млн руб. в год. Для портфеля из 10 000 полисов экономия составит около 15 млн руб. в год.

Что реально детектирует модель

Задача делится на три уровня:

• Локализация повреждений — где именно и что: вмятина (dent), царапина (scratch), трещина (crack), разбитое стекло (glass damage), деформация кузова (deformation). Сегментационная модель даёт полигональную маску каждого дефекта с площадью в пикселях.
• Классификация детали — к какой зоне автомобиля относится повреждение: передний бампер, капот, левое переднее крыло, дверь и т.д. Это важно для привязки к прайсу нормо-часов конкретной детали.
• Оценка severity — лёгкое / среднее / тяжёлое повреждение. Регрессионная голова на фичах из backbone даёт скор, который умножается на коэффициенты из справочника стоимости.

Архитектура пайплайна

Двухэтапная схема работает надёжнее сквозного end-to-end:

1. Детекция и сегментация повреждений -> YOLOv8-seg или SAM 2 с автоматическими промптами по зонам авто
2. Классификация детали -> ResNet-50 или EfficientNet-B3, обученный на разбивке кузова (30–50 классов деталей)
3. Оценка стоимости -> XGBoost или LightGBM на признаках: площадь маски, класс детали, severity score, марка/модель авто из EXIF или отдельного классификатора

# Пример инференса сегментационной модели
from ultralytics import YOLO
import cv2

model = YOLO('damage_seg_v8x.pt')  # fine-tuned на датасете повреждений
results = model.predict(
    source='car_damage.jpg',
    conf=0.35,
    iou=0.45,
    imgsz=1280,   # высокое разрешение критично для мелких царапин
    retina_masks=True
)

for r in results:
    masks = r.masks.data       # (N, H, W) tensor
    classes = r.boxes.cls      # классы повреждений
    areas = masks.sum(dim=[1,2])  # площадь каждой маски в пикселях

Как мы обеспечиваем качество детекции

Почему мелкие царапины — самая частая проблема?

При стандартном imgsz=640 царапина длиной 10 см на расстоянии 1.5 метра занимает 3–4 пикселя. YOLOv8 пропускает их с IoU < 0.3. Поднятие imgsz до 1280 увеличивает recall по мелким дефектам с 0.44 до 0.71, но latency растёт с 28ms до 95ms на RTX 3090. Мы балансируем через автоматический выбор разрешения на основе метаданных камеры.

Как модель отличает новые повреждения от старых?

Свежий скол имеет белый край, старый — коричневый от ржавчины. Мы добавляем цветовой анализ краёв маски и cross-check с историей предыдущих осмотров. Это снижает юридические риски для страховой компании.

Датасет и обучение

Минимальный объём для рабочей модели: 5 000 размеченных изображений с масками, покрывающих все классы повреждений и детали. На практике используем:

• Открытые датасеты: CarDD (4 000 фото), COCO с дообучением
• Синтетика из Blender — для редких случаев (тотальное разрушение передней части)
• Клиентские данные из архива страховых дел

Fine-tuning YOLOv8x-seg на RTX 4090 с датасетом 8 000 изображений — около 18 часов (100 эпох, batch=16, imgsz=1280). Финальные метрики: [email protected] = 0.79, [email protected]:0.95 = 0.61.

Сравнение производительности на различных устройствах

Для разных типов повреждений точность детекции также различается. Например, recall по вмятинам достигает 0.85, а по мелким царапинам — 0.71.

Что входит в работу

• Аудит данных — проверка репрезентативности датасета, рекомендации по сбору и разметке
• Разработка модели — fine-tuning, quantization (INT8/INT4), экспорт в ONNX/TensorRT
• Интеграционное API — FastAPI, эндпоинты для загрузки фото, получения масок и стоимости
• Мобильное SDK — CoreML (iOS), TFLite (Android) с примером интеграции
• Документация — OpenAPI спецификация, model card, инструкция по разметке новых данных
• Поддержка — 3 месяца гарантийного сопровождения после запуска

Как мы строим модель оценки повреждений: пошаговый процесс

1. Сбор и разметка — 5 000+ изображений с полигональными масками от экспертов страховой компании
2. Обучение — transfer learning с YOLOv8x-seg, 100 эпох, 8–12 часов на RTX 4090
3. Валидация — тестирование на отложенной выборке ([email protected] > 0.75) и на реальных кейсах заказчика
4. Оптимизация — TensorRT FP16 для сервера, CoreML/TFLite для мобильных устройств
5. Развёртывание — Docker-контейнер на Kubernetes, мониторинг latency p99 и drift

Типичные ошибки модели и их решения

• Освещение и блики — симуляция RandomSunFlare в augmentations, quality check отбраковывает пересвеченные фото.
• Мелкие царапины — увеличение imgsz до 1280 и использование retina_masks повышает recall с 0.44 до 0.71.
• Старые vs новые повреждения — цветовой анализ краёв маски + cross-check с историей осмотров.

Сроки проекта

От 8 до 16 недель в зависимости от наличия размеченных данных и требований по интеграции с системами страховщика. Стоимость рассчитывается индивидуально.

Свяжитесь с нами для консультации по вашему проекту. Закажите пилотный проект, чтобы оценить точность на своих данных. Получите демо-доступ к системе на своих фото.

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.