AI-удаление объектов из видео: ProPainter + SAM2

AI-удаление объектов с видео (Video Inpainting)

Удаление объектов из видео — задача, которая кажется простой, пока не столкнёшься с мерцанием фона. Классический подход «inpainting каждого кадра» даёт артефакты на границах, потому что каждый кадр обрабатывается независимо. Современные методы используют temporal consistency: берут информацию из соседних кадров, чтобы фон оставался стабильным.

Мы — команда AI/ML-инженеров с 5+ годами опыта в видеоаналитике. За нашими плечами более 50 проектов по удалению объектов из видео, трекингу и реставрации. Мы гарантируем, что результат не будет содержать артефактов, а вы получите готовый pipeline под ваш домен.

Почему temporal consistency критична?

Кадр — это статичное изображение. При независимом inpaint'инге каждый кадр «не знает» о содержимом соседних. В результате границы восстановленной области меняются от кадра к кадру, создавая мерцание. Temporal consistency решает эту проблему: модель использует optical flow для отслеживания пикселей и сглаживает переходы.

Мы внедряем state-of-the-art архитектуру ProPainter — она показывает лучшее соотношение качества и скорости. Сравните: традиционный метод (frame-by-frame) даёт SSIM ~0.92, ProPainter с neighbor_length=10 — 0.98. Разница заметна глазом. Более того, ProPainter превосходит E2FGVI по LPIPS на 15% при одинаковом бюджете памяти.

Как SAM2 упрощает сегментацию видео?

SAM2 — это эволюция Segment Anything под видео. Она принимает один клик на первом кадре и автоматически распространяет маску по всей последовательности. Встроенный трекинг справляется с перекрытиями и деформациями благодаря памяти объектов. Скорость прогона — 28 кадров в секунду на A100, что в 3 раза быстрее конкурента XMem. Для сложных сцен доступна ручная коррекция каждой 20-й маски в CVAT.

import torch
import numpy as np
from PIL import Image
from sam2.build_sam import build_sam2_video_predictor

def track_and_mask_object(
    video_frames_dir: str,    # кадры видео как PNG-файлы
    first_frame_point: tuple, # (x, y) — кликаем на объект в первом кадре
    output_masks_dir: str
) -> None:
    """
    SAM2 video predictor: prompting на первом кадре,
    затем автоматически распространяет маску по видео.
    """
    predictor = build_sam2_video_predictor(
        'sam2_hiera_large.yaml',
        'weights/sam2_hiera_large.pt',
        device='cuda'
    )

    frame_paths = sorted(Path(video_frames_dir).glob('*.png'))
    inference_state = predictor.init_state(
        video_path=video_frames_dir
    )

    # Промпт на нулевом кадре
    predictor.add_new_points_or_box(
        inference_state=inference_state,
        frame_idx=0,
        obj_id=1,
        points=np.array([first_frame_point], dtype=np.float32),
        labels=np.array([1], np.int32)   # 1=foreground
    )

    # Пропагация маски по всему видео
    Path(output_masks_dir).mkdir(exist_ok=True)
    for frame_idx, obj_ids, masks in predictor.propagate_in_video(
        inference_state
    ):
        mask = masks[0].cpu().numpy().squeeze()  # (H, W) bool
        mask_img = Image.fromarray((mask * 255).astype(np.uint8))
        mask_img.save(
            Path(output_masks_dir) / f'{frame_idx:05d}.png'
        )

Как это работает: пошагово

1. Разбиваем видео на кадры — конвертируем MP4 в последовательность PNG (например, ffmpeg).
2. Запускаем SAM2 — кликаем на объект в первом кадре, получаем маски для всех кадров.
3. Запускаем ProPainter — передаём видео и маски для inpaint'инга с временной согласованностью.
4. Постобработка — применяем temporal smoothing для убирания остаточных артефактов.
5. Собираем видео — конвертируем обработанные кадры обратно в MP4 с исходным кодеком.

Как мы обеспечиваем temporal consistency

ProPainter использует рекуррентную архитектуру с несколькими ключевыми компонентами:

• Flow-guided propagation: деформированные маски соседних кадров подаются на вход
• Temporal aggregation: attention на временно́й оси
• Local refinement: свёртки с учётом границ объекта

import subprocess
from pathlib import Path

def remove_object_from_video(
    video_path: str,
    mask_dir: str,        # директория с бинарными масками (один файл на кадр)
    output_path: str,
    neighbor_length: int = 10,   # кадры-соседи для temporal context
    ref_stride: int = 10,        # шаг для reference frames
    subvideo_length: int = 80    # длина чанка (memory trade-off)
) -> None:
    """
    ProPainter принимает видео + маски → видео с удалёнными объектами.
    neighbor_length: больше → лучше quality, больше VRAM.
    subvideo_length: при OOM уменьшаем до 40-60.
    """
    cmd = [
        'python', 'ProPainter/inference_propainter.py',
        '--video', video_path,
        '--mask', mask_dir,
        '--output', output_path,
        '--neighbor_length', str(neighbor_length),
        '--ref_stride', str(ref_stride),
        '--subvideo_length', str(subvideo_length),
        '--fp16'   # FP16 — экономит ~40% VRAM
    ]
    subprocess.run(cmd, check=True)

Стабилизация результата и postprocessing

ProPainter иногда даёт артефакты на быстро движущихся объектах или при резких сменах фона. Постобработка через temporal smoothing убирает мерцание:

import cv2
import numpy as np

def temporal_smooth_region(
    frames: list[np.ndarray],    # список кадров (H, W, 3)
    masks: list[np.ndarray],     # маски областей inpainting (H, W) bool
    window_size: int = 5         # нечётное число кадров для усреднения
) -> list[np.ndarray]:
    """
    Временное сглаживание в области inpainting.
    Применяется поверх ProPainter-результата для убирания мерцания.
    """
    n = len(frames)
    smoothed = [f.copy() for f in frames]
    half_w = window_size // 2

    for i in range(n):
        mask = masks[i]
        if not mask.any():
            continue

        # Собираем окно кадров
        start = max(0, i - half_w)
        end   = min(n, i + half_w + 1)
        window_frames = np.stack(frames[start:end], axis=0)  # (T, H, W, 3)

        # Средний кадр в окне → только в области маски
        mean_frame = window_frames.mean(axis=0).astype(np.uint8)
        smoothed[i][mask] = mean_frame[mask]

    return smoothed

Сравнение методов video inpainting

Что входит в работу?

• Анализ видео: оценка сцен, выявление объектов для удаления, подготовка масок
• Pipeline ProPainter: инференс с временно́й согласованностью
• Постобработка: temporal smoothing, коррекция цветов, удаление артефактов
• Документация: report по параметрам, использованным инструментам, и рекомендации по улучшению
• Поддержка: помощь в интеграции API, обучение вашей команды работе с pipeline

Типичные проблемы и их решение

• OOM при длинных видео — ProPainter держит neighbour frames в VRAM. При 4K видео + neighbor_length=10 требует 20+ GB. Решение: снижаем до neighbor_length=5, subvideo_length=40
• Текстурированный фон — сложный паттерн (кирпичная стена, трава) восстанавливается хуже однородного. Решение: Content-Aware Fill в дополнение
• Быстрое движение объекта — маски от SAM2 теряют объект на 5–10 кадрах. Решение: ручная правка масок в проблемных кадрах в CVAT

Ручная доработка масок: когда она нужна?

В 80% случаев SAM2 даёт маску с точностью 95+% по IoU. Но при сильных перекрытиях, резких тенях или объектах, похожих на фон, трекинг может сбоить. Мы проверяем каждую 10-ю маску вручную и корректируем проблемные участки. Это добавляет 1-2 дня к сроку, зато гарантирует отсутствие артефактов.

Сроки и экономия

Типичный проект — от 2 до 6 недель в зависимости от сложности. Экономия на постобработке достигает 60% по сравнению с ручной ротоскопией. На сложных проектах экономия может составлять до 70%. Свяжитесь с нами для бесплатного анализа вашего видео — мы пришлём коммерческое предложение в течение 1 рабочего дня. Получите консультацию по интеграции pipeline в ваш продакшн. Закажите настройку pipeline под ваш проект уже сегодня.

ProPainter: Improving Propagation and Transformer for Video Inpainting under Resource Constraints

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.