Разметка датасетов Computer Vision с прелейблингом и контролем качества

Почему качество разметки данных для Computer Vision так важно?

Плохая разметка — главная причина низкой точности моделей Computer Vision. Один клиент потерял 12% mAP из-за разницы в IoU между аннотаторами в 0.15. Это обошлось в 90 000 ₽ и две недели дообучения. Мы занимаемся разметкой CV-данных более 5 лет и выполнили 50+ проектов — от 100 до 100 000 изображений. Наши заказчики экономят в среднем 60–75% времени по сравнению с разметкой с нуля, что в денежном выражении составляет десятки тысяч рублей на проект.

Проблемы, которые мы решаем

Согласованность аннотаторов — ключевой фактор. IoU 0.65 между двумя разметчиками на мелких объектах — не редкость. Если два bbox одного объекта расходятся на 20%, модель получает противоречивый сигнал. Другая проблема — edge cases: частичная occlusion, низкое разрешение, нестандартные ракурсы. Мы разрабатываем онтологию классов и подробные инструкции, чтобы минимизировать variance. Для контроля качества используем Inter-rater reliability — стандарт в медицинской и промышленной разметке.

Пропуск дефекта из-за некачественной разметки может привести к убыткам в 200 000 ₽ на дообучении модели. Поэтому мы внедряем многоуровневый QA.

Сравнение инструментов разметки — разметка cv датасетов

CVAT обрабатывает большие датасеты в 3 раза быстрее Label Studio благодаря встроенной очереди задач. Label Studio выигрывает в гибкости разметки разнородных сущностей.

Пошаговый процесс разметки

1. Анализ задачи – формализация онтологии классов, определение сложности.
2. Подготовка инструмента – настройка CVAT или Label Studio, загрузка изображений, при необходимости развёртывание GPU-сервера для авторазметки.
3. Пилотная разметка – 50–100 изображений для калибровки инструкций.
4. Основная разметка – параллельная работа аннотаторов с непрерывным QA.
5. Экспорт и верификация – выгрузка в нужном формате, финальный отчёт по качеству.

Как мы контролируем согласованность аннотаторов?

Мы используем inter-annotator agreement с целевым mean IoU > 0.80. При отклонении возвращаем на доразметку. Senior-специалист проверяет каждый десятый объект. Для крупных проектов внедряем continuous QA.

import numpy as np
from itertools import combinations

def calculate_iou(box1: list, box2: list) -> float:
    inter_x1 = max(box1[0], box2[0])
    inter_y1 = max(box1[1], box2[1])
    inter_x2 = min(box1[2], box2[2])
    inter_y2 = min(box1[3], box2[3])

    if inter_x2 < inter_x1 or inter_y2 < inter_y1:
        return 0.0

    inter_area = (inter_x2 - inter_x1) * (inter_y2 - inter_y1)
    area1 = (box1[2]-box1[0]) * (box1[3]-box1[1])
    area2 = (box2[2]-box2[0]) * (box2[3]-box2[1])

    return inter_area / (area1 + area2 - inter_area)

def inter_annotator_iou(annotations_by_annotator: dict) -> dict:
    annotators = list(annotations_by_annotator.keys())
    results = {}

    for a1, a2 in combinations(annotators, 2):
        boxes1 = annotations_by_annotator[a1]
        boxes2 = annotations_by_annotator[a2]

        ious = []
        for b1 in boxes1:
            best_iou = max(
                (calculate_iou(b1, b2) for b2 in boxes2),
                default=0.0
            )
            if best_iou > 0.1:
                ious.append(best_iou)

        results[f'{a1}_vs_{a2}'] = {
            'mean_iou': np.mean(ious) if ious else 0.0,
            'n_matched': len(ious)
        }

    return results

Auto-labeling для ускорения разметки

Предварительная авторазметка моделью + ручная корректура — стандарт для больших объёмов. Экономия времени 60–75% при правильном выборе модели. Один клиент сэкономил 3 месяца работы двух специалистов, внедрив наш пайплайн авторазметки, что в денежном эквиваленте составило 180 000 ₽.

from ultralytics import YOLO
import json

def auto_label_batch(
    image_paths: list[str],
    model_path: str = 'yolov8l-world.pt',
    conf_threshold: float = 0.5,
    output_format: str = 'yolo'
) -> dict:
    model = YOLO(model_path)
    results = {}

    for img_path in image_paths:
        preds = model.predict(
            img_path, conf=conf_threshold,
            verbose=False
        )[0]

        confident_boxes   = []
        needs_review_boxes = []

        for box in preds.boxes:
            conf = float(box.conf)
            entry = {
                'bbox': box.xyxy[0].tolist(),
                'class_id': int(box.cls),
                'confidence': conf
            }
            if conf > 0.7:
                confident_boxes.append(entry)
            else:
                needs_review_boxes.append(entry)

        results[img_path] = {
            'auto_labeled': confident_boxes,
            'needs_review': needs_review_boxes,
            'review_required': len(needs_review_boxes) > 0
        }

    return results

Форматы экспорта

Сроки и объёмы

Почему качество разметки так важно для Computer Vision?

Модель, обученная на шумных данных, даёт ложные детекции или пропускает объекты. Наши заказчики экономят недели на дообучении, получая готовый датасет с гарантированным качеством. Мы берём на себя онтологию классов, инструкции для аннотаторов, QA и экспорт. Свяжитесь, чтобы обсудить ваш проект — мы подготовим датасет с гарантией качества.

Что входит в работу

• Анализ задачи и разработка онтологии классов
• Выбор инструмента и настройка проекта
• Пилотная разметка для калибровки
• Основная разметка с параллельным QA
• Экспорт в нужных форматах + отчёт по качеству
• Поддержка на этапе обучения модели

Опыт нашей команды — 5+ лет, 50+ проектов разметки для Computer Vision. Мы гарантируем согласованность аннотаций и соблюдение сроков. Закажите разметку — мы подготовим датасет с гарантией качества. Свяжитесь, чтобы обсудить ваш проект и получить оценку объёма и стоимости.

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.