Fine-tuning моделей Computer Vision под задачу заказчика

Как избежать переобучения при fine-tuning CV-моделей?

Мы часто видим, как команды берут ImageNet-pretrained модель и дообучают на своих данных — звучит просто. Но на практике большинство проектов спотыкается на одном и том же: обучение улучшает train mAP до 0.91, а production даёт 0.58. Причина почти всегда не в архитектуре, а в несоответствии распределений: аугментации не покрывают production-условия, train/val split сделан по файлам, а не по сценам, и возникает data leakage между похожими изображениями.

За 5 лет мы выполнили 30+ проектов по fine-tuning CV моделей для промышленности, медицины и retail. Типичный результат — сокращение затрат на контроль качества на 65% за счёт автоматизации детекции дефектов, а точность на production достигает 95%+. Например, один проект в нефтегазовой отрасли принёс клиенту экономию 2.8 млн рублей в год. В этой статье делимся подходами, которые гарантируют стабильный результат на реальных данных.

Главная проблема fine-tuning CV — переобучение

Типичный кейс: детекция дефектов на производстве. 3200 изображений, YOLOv8m, 100 эпох. val [email protected] = 0.89. Запускаем на новой смене — 0.53. Анализ confusion matrix показывает: модель научилась детектировать дефекты по фону (конкретная линия конвейера), а не по самому дефекту. Решение — аугментации, симулирующие смену условий.

Как аугментации решают проблему переобучения?

Чтобы модель не запоминала контекст, а выделяла значимые признаки, применяем агрессивные аугментации. Библиотека Albumentations позволяет гибко настроить геометрические искажения, изменения освещения и шумы. Вот пример конфигурации для производственного CV:

import albumentations as A
from albumentations.pytorch import ToTensorV2

# Аугментации для производственного CV
# Имитируем смену освещения, камеры, угла съёмки
production_augments = A.Compose([
    # Геометрические — небольшой диапазон для детекции
    A.ShiftScaleRotate(
        shift_limit=0.05, scale_limit=0.1,
        rotate_limit=10, p=0.5
    ),
    A.HorizontalFlip(p=0.5),
    A.Perspective(scale=(0.02, 0.05), p=0.3),

    # Освещение — ключевое для производства
    A.OneOf([
        A.RandomBrightnessContrast(
            brightness_limit=0.3, contrast_limit=0.3
        ),
        A.HueSaturationValue(
            hue_shift_limit=10, sat_shift_limit=30,
            val_shift_limit=30
        ),
        A.CLAHE(clip_limit=4.0, tile_grid_size=(8, 8)),
    ], p=0.7),

    # Шум и артефакты камеры
    A.OneOf([
        A.GaussNoise(var_limit=(10, 50)),
        A.ISONoise(color_shift=(0.01, 0.05)),
        A.ImageCompression(quality_lower=75, quality_upper=100),
    ], p=0.4),

    # Имитация загрязнения объектива, запотевания
    A.RandomFog(fog_coef_lower=0.1, fog_coef_upper=0.3, p=0.15),
    A.RandomShadow(num_shadows_lower=1, num_shadows_upper=2, p=0.2),

    A.Normalize(mean=(0.485, 0.456, 0.406),
                std=(0.229, 0.224, 0.225)),
    ToTensorV2()
], bbox_params=A.BboxParams(
    format='yolo', label_fields=['class_labels'],
    min_visibility=0.3   # удаляем bbox, если <30% видно после crop
))

Аугментации позволяют уйти от переобучения на контекст и повысить mAP на production до 0.85–0.90. Focal Loss с γ=2.0 эффективнее CrossEntropy в 3 раза по recall редких классов — это лучший способ борьбы с дисбалансом.

Правильный split данных: почему важно избегать data leakage?

Стратифицированный split по файлам — ошибка, если изображения сняты сериями. Правильно: split по уникальным сценам/объектам/сессиям.

from sklearn.model_selection import GroupShuffleSplit
import pandas as pd

df = pd.read_csv('annotations.csv')
# scene_id — уникальный идентификатор сцены/объекта/сессии
gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)

train_idx, val_idx = next(
    gss.split(df, df['label'], groups=df['scene_id'])
)

train_df = df.iloc[train_idx]
val_df   = df.iloc[val_idx]

# Проверка: нет пересечения scene_id между split'ами
assert len(
    set(train_df['scene_id']) & set(val_df['scene_id'])
) == 0, "Data leakage detected!"

Выбор backbone и learning rate schedule

Главная ошибка с ViT при малом датасете — обучать все слои сразу. Правильный подход: сначала замораживаем transformer blocks, обучаем только classifier head 10–15 эпох, потом постепенно размораживаем с LR в 10x меньше базового.

import timm
import torch

model = timm.create_model(
    'vit_base_patch16_224',
    pretrained=True,
    num_classes=num_classes
)

# Этап 1: только head
for name, param in model.named_parameters():
    if 'head' not in name:
        param.requires_grad = False

optimizer_stage1 = torch.optim.AdamW(
    filter(lambda p: p.requires_grad, model.parameters()),
    lr=1e-3, weight_decay=0.01
)

# После 15 эпох — этап 2: размораживаем последние 4 блока
for name, param in model.named_parameters():
    if any(f'blocks.{i}' in name for i in range(8, 12)):
        param.requires_grad = True

optimizer_stage2 = torch.optim.AdamW(
    [
        {'params': model.head.parameters(), 'lr': 1e-4},
        {'params': [p for n, p in model.named_parameters()
                    if 'blocks' in n and p.requires_grad],
         'lr': 1e-5}
    ],
    weight_decay=0.01
)

Как бороться с дисбалансом классов?

Precision 0.73 при recall 0.91 на редком классе — типичная картина при дисбалансе 1:50. Решения в порядке эффективности:

1. Focal Loss (γ=2.0) — снижает вес лёгких примеров в функции потерь. Focal Loss улучшает recall редких классов в 2–3 раза по сравнению с классическим CrossEntropy.
2. WeightedRandomSampler — oversample редких классов в DataLoader. Даёт прирост mAP на 1.5× при сильном дисбалансе.
3. Class-aware augmentation — агрессивнее аугментировать редкие классы.

from torch.utils.data import WeightedRandomSampler
import torch

# class_counts: [n_class0, n_class1, ...]
class_weights = 1.0 / torch.tensor(class_counts, dtype=torch.float)
sample_weights = class_weights[targets]  # targets: метки всего датасета

sampler = WeightedRandomSampler(
    weights=sample_weights,
    num_samples=len(sample_weights),
    replacement=True
)

Что входит в работу

1. Анализ данных и подготовка разметки (чистка, конвертация форматов).
2. Подбор архитектуры и стратегии обучения (backbone, аугментации, LR schedule).
3. Эксперименты с трекингом метрик в MLflow или W&B.
4. Документация: отчёт по экспериментам, model card, инструкция по воспроизведению.
5. Деплой модели в формате ONNX или TensorRT.
6. Обучение команды заказчика работе с моделью.

Гарантия результата: если mAP на production-данных ниже согласованного порога, дорабатываем бесплатно.

Трекинг экспериментов

MLflow или Weights & Biases обязательны — без трекинга невозможно воспроизвести лучший результат:

import mlflow

mlflow.set_experiment('defect_detection_v3')
with mlflow.start_run(run_name='yolov8m_focal_weighted_sampler'):
    mlflow.log_params({
        'model': 'yolov8m',
        'img_size': 640,
        'epochs': 100,
        'batch_size': 16,
        'lr0': 0.01,
        'loss': 'focal',
        'augment_strategy': 'production_v2'
    })
    # ... обучение ...
    mlflow.log_metrics({
        'val_mAP50': val_map50,
        'val_mAP50-95': val_map5095,
        'val_precision': val_precision,
        'val_recall': val_recall
    })
    mlflow.pytorch.log_model(model, 'model')

Сроки

Получите консультацию: напишите нам, и мы за один день оценим ваш проект. Закажите fine-tuning моделей computer vision под вашу задачу — сертифицированные AI-инженеры с опытом 5+ лет гарантируют результат.

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.