CVAT для разметки изображений и видео: деплой, AI-ассист, API

Интеграция и настройка CVAT для разметки изображений и видео

Вы запустили пилот по компьютерному зрению, собрали 50 000 изображений, наняли трёх разметчиков, но через месяц поняли: ручная разметка стоит дорого, дедлайн горит, а качество — 70% IoU. Мы сталкивались с этим десятки раз. Решение — развернуть CVAT (Intel), подключить AI-предразметку и настроить пайплайн автоматического контроля качества. Работаем от деплоя до обучения команды. Такой подход окупается за 2-3 месяца при объёме от 5000 размеченных объектов.

Чем CVAT лучше платных сервисов?

Платные сервисы берут от $2 до $5 за изображение, но вы не контролируете данные, не можете кастомизировать воркфлоу, а при масштабе 10 000+ изображений бюджет становится критическим. CVAT — open-source, поддерживается Intel. Храните данные у себя, настраивайте интерфейс, добавляйте свои модели через серверлес-функции. Мы ставили CVAT для клиентов из ретейла, медицины и автономного транспорта — везде решение окупается за 2–3 месяца. Официальный репозиторий: opencv/cvat.

Как AI-ассист ускоряет разметку?

AI-ассист — главный козырь. Разметчик открывает кадр, модель уже нарисовала 80% боксов, человек только правит границы. Без AI — 4–7 минут на изображение. С AI при точности 90% — 15–30 секунд. Это экономия 80% времени команды. Мы реализовали такой пайплайн для 15 проектов. Ключевой фактор — качество предсказаний: если точность падает ниже 70%, AI начинает мешать. Поэтому мы обязательно калибруем пороговые значения и подбираем модель под конкретный датасет.

Как настроить AI-ассистированную разметку?

Для этого нужен Nuclio serverless и модель, упакованная в функцию. Загружаем модель, CVAT вызывает её для каждого кадра. Пример конфигурации для YOLOv8:

# docker-compose.override.yml
version: '3.3'

services:
  cvat_server:
    environment:
      DJANGO_MODWSGI_EXTRA_ARGS: ""
      ALLOWED_HOSTS: "*"
      CVAT_REDIS_HOST: "cvat_redis"
      CVAT_POSTGRES_HOST: "cvat_db"
      CVAT_DEFAULT_STORAGE_TYPE: "cloud_storage"
      AWS_ACCESS_KEY_ID: "${AWS_ACCESS_KEY_ID}"
      AWS_SECRET_ACCESS_KEY: "${AWS_SECRET_ACCESS_KEY}"
      AWS_STORAGE_BUCKET_NAME: "cvat-data"

  cvat_worker_annotation:
    deploy:
      replicas: 4

  cvat_worker_export:
    deploy:
      replicas: 2

  traefik:
    command:
      - "--providers.docker.exposedByDefault=false"
      - "--entrypoints.websecure.address=:443"
      - "[email protected]"

# Быстрый деплой с SSL
git clone https://github.com/opencv/cvat.git
cd cvat
docker compose -f docker-compose.yml -f docker-compose.override.yml -f components/serverless/docker-compose.serverless.yml up -d
docker exec -it cvat_server python manage.py createsuperuser

Функция Nuclio для детекции:

# nuclio/yolov8_detector/main.py
import json
import base64
import numpy as np
import cv2
from ultralytics import YOLO

model = YOLO('/opt/nuclio/yolov8l.pt')

def handler(context, event):
    data = event.body
    buf = base64.b64decode(data['image'])
    img = cv2.imdecode(np.frombuffer(buf, np.uint8), cv2.IMREAD_COLOR)
    threshold = data.get('threshold', 0.45)
    results = model(img, conf=threshold)
    annotations = []
    for box in results[0].boxes:
        x1, y1, x2, y2 = map(float, box.xyxy[0])
        cls_name = model.names[int(box.cls)]
        annotations.append({
            'confidence': float(box.conf),
            'label': cls_name,
            'points': [x1, y1, x2, y2],
            'type': 'rectangle'
        })
    return context.Response(
        body=json.dumps(annotations),
        headers={'Content-Type': 'application/json'},
        status_code=200
    )

# nuclio function.yaml
apiVersion: nuclio.io/v1beta1
kind: Function
metadata:
  name: cvat-yolov8-detector
spec:
  runtime: python:3.9
  handler: main:handler
  resources:
    limits:
      nvidia.com/gpu: 1
  env:
    - name: MODEL_PATH
      value: /opt/nuclio/yolov8l.pt

Как автоматизировать импорт и экспорт данных через API CVAT?

from cvat_sdk import make_client
from cvat_sdk.models import TaskWriteRequest, DataRequest

class CVATIntegration:
    def __init__(self, host: str, credentials: tuple):
        self.client = make_client(host=host, credentials=credentials)

    def create_task_from_s3(self, task_name: str, s3_prefix: str, labels: list) -> int:
        task = self.client.tasks.create(TaskWriteRequest(
            name=task_name,
            labels=labels,
            segment_size=100,
            overlap=5
        ))
        self.client.tasks.create_data(
            id=task.id,
            data_request=DataRequest(
                cloud_storage_id=1,
                filename=[f'{s3_prefix}/{f}' for f in self._list_s3_files(s3_prefix)]
            )
        )
        return task.id

    def export_annotations(self, task_id: int, format: str = 'YOLO 1.1') -> str:
        export_path = f'/tmp/annotations_{task_id}.zip'
        self.client.tasks.export_dataset(id=task_id, format=format, filename=export_path)
        return export_path

    def get_annotation_progress(self, task_id: int) -> dict:
        task = self.client.tasks.retrieve(task_id)
        return {'total_frames': task.size, 'annotated': task.jobs[0].stage if task.jobs else 0}

При автоматизации через API важно настроить правильные политики ретраев и лимиты. Мы используем exponential backoff при превышении лимитов CVAT. Для больших проектов (100 000+ изображений) настраиваем параллельные очереди задач.

Скорость разметки: AI-ассист vs ручная

Реальные цифры из проекта по разметке промышленных дефектов (5000 изображений):

Если точность предсказаний ниже 70%, AI-ассист замедляет работу — исправления занимают больше времени, чем разметка с чистого листа. Поэтому мы всегда тестируем модель на репрезентативной выборке перед интеграцией.

Как обеспечить контроль качества разметки?

• Overlap jobs: 10–15% изображений размечаются двумя разметчиками независимо, затем сравниваем IoU.
• Honeypots: специально подготовленные изображения с известной разметкой — проверяем точность конкретного разметчика.
• Consensus: 3 разметчика на сложные случаи + majority vote.

Дополнительно настраиваем автоматическую валидацию: проверка пропущенных объектов, дубликатов, соответствия label-схеме. Все метрики попадают в дашборд для анализа. Для автоматизации контроля используем CVAT Analytics и собственные скрипты на Python.

Типичная ошибка — пропускать этап валидации на старте. Если датасет содержит много плохих образцов, AI-модель быстро деградирует. Мы рекомендуем закладывать 10% времени проекта на ревью разметки.

Типичные ошибки при интеграции CVAT:

• Отсутствие ретраев в API-запросах при превышении лимитов.
• Неправильная настройка S3-пермишенов.
• Использование модели без предварительного тестирования на репрезентативной выборке.
• Пропуск этапа overlap jobs на старте.

Процесс работы и сроки

1. Аналитика: изучение данных, подбор модели для предразметки, проектирование архитектуры.
2. Деплой: развёртывание CVAT с S3, SSL, backup.
3. Интеграция AI: подключение 1–3 моделей через Nuclio, настройка threshold.
4. Контроль качества: настройка overlap, honeypots, consensus.
5. Обучение команды: 2–3 сессии по 4 часа.
6. Передача документации и CI/CD.

Что входит в работу?

При заказе комплексной интеграции вы получаете:

• Рабочий инстанс CVAT с SSL, регулярными бекапами и мониторингом
• 1–3 AI-модели, упакованные в Nuclio-функции с настройкой порогов
• Пайплайн автоматического импорта/экспорта данных через S3
• Систему контроля качества: overlap jobs, honeypots, консенсус
• Обучение команды разметчиков (2–4 часа) и администраторов (1–2 часа)
• Документацию по администрированию и расширению системы
• Поддержку в течение месяца после сдачи

Почему стоит интегрировать AI-ассист?

Опыт показывает: на проектах объёмом более 3000 изображений AI-ассист окупается за 2–4 недели. Вы снижаете зависимость от числа разметчиков, получаете однородное качество и можете масштабироваться без найма. Мы гарантируем, что точность предразметки не ниже 80% — иначе возвращаем деньги за интеграцию модели.

Закажите интеграцию под ключ — получите готовый пайплайн с обученной командой. Свяжитесь с нами для консультации по вашему проекту и оценки экономии бюджета.

Опыт инженеров — более 5 лет в Computer Vision. Выполнили свыше 30 интеграций CVAT для ретейла, логистики и медтехники.

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.