Facial Emotion Recognition: разработка системы определения эмоций

Отметим: когда EdTech-стартап просит оценить вовлеченность студентов по веб-камере, а ритейлер хочет анализировать удовлетворенность клиентов в колл-центре — мы предлагаем не прототип, а production-ready систему facial emotion recognition под ключ. Согласно определению, распознавание выражений лица — это технология, позволяющая идентифицировать эмоции человека по изображению лица. Наш опыт: 5+ лет в Computer Vision, 30+ проектов с детекцией лиц, сертификаты NVIDIA NGC Partner. Внедрение такой системы снижает затраты на ручной анализ до 70% и позволяет выявить скрытые паттерны поведения.

Как работает система facial emotion recognition

Система включает два этапа: детекция лица и классификация эмоций. Мы используем InsightFace для детекции (32 мс на T4) и EfficientNet-B0 с ONNX Runtime для классификации (4 мс). Temporal smoothing скользящим окном 30 кадров стабилизирует вывод.

Проблемы, которые решаем — facial emotion recognition

Низкая точность на реальных данных

Публичные модели (EfficientNet-B0 на FER) дают 73.1% — это предел из-за субъективности разметки. Люди не соглашаются в 30-40% случаев. Мы дообучаем модель на вашем датасете: собираем 10-50 тысяч кадров, размечаем в 3 этапа (два разметчика + арбитр). Результат: 84-88% accuracy на целевой выборке.

Задержки в реальном времени

Детекция лица + классификация должны укладываться в 100 мс и менее. Мы используем InsightFace для детекции (32 мс на T4) и EfficientNet-B0 с ONNX Runtime (4 мс). Temporal smoothing скользящим окном 30 кадров стабилизирует вывод.

Почему точность публичных моделей недостаточна?

Датасеты вроде FER собирались в uncontrolled условиях, но метки субъективны. AffectNet содержит 1M фото, но 40% разметки признаны шумными. Чтобы преодолеть этот барьер, мы добавляем аугментацию (повороты, освещение, occlusion) и ансамбль моделей. Важно понимать: accuracy 75% — это потолок для набора FER, потому что даже люди соглашаются только в 60-70% случаев. Для продакшена требуется дообучение под домен.

Как мы повышаем точность до 85%+?

Используем Vision Transformer (ViT-B/16) с fine-tuning на вашем датасете. Сравнение: EfficientNet-B0 — 73.1%, ViT-B/16 — 74.8% на FER, но на доменных данных разрыв достигает 5-7%. Дополнительно применяем label smoothing и Focal Loss для работы с несбалансированными классами. EfficientNet-B0 с Focal Loss лучше vanilla ResNet-18 на 3.1% — разрыв на корпоративных данных достигает 5-8%.

Архитектура модели

Пайплайн: детекция лица → выравнивание → классификация эмоций.

import torch
import torch.nn as nn
import timm
import cv2
import numpy as np
from insightface.app import FaceAnalysis

class EmotionRecognizer:
    def __init__(self, model_path: str):
        # Детекция и выравнивание лица
        self.detector = FaceAnalysis(allowed_modules=['detection'])
        self.detector.prepare(ctx_id=0, det_size=(640, 640))

        # Классификатор эмоций
        backbone = timm.create_model('efficientnet_b0', pretrained=False)
        backbone.classifier = nn.Sequential(
            nn.Dropout(0.3),
            nn.Linear(backbone.num_features, 7)
        )
        backbone.load_state_dict(torch.load(model_path))
        backbone.eval()
        self.model = backbone

        self.emotions = ['angry', 'disgust', 'fear', 'happy',
                         'neutral', 'sad', 'surprise']
        self.transform = get_inference_transform()

    @torch.no_grad()
    def predict(self, image: np.ndarray) -> list[dict]:
        faces = self.detector.get(image)
        results = []

        for face in faces:
            x1, y1, x2, y2 = face.bbox.astype(int)
            face_crop = image[y1:y2, x1:x2]
            face_crop = cv2.resize(face_crop, (48, 48))

            tensor = self.transform(face_crop).unsqueeze(0)
            logits = self.model(tensor)
            probs = torch.softmax(logits, dim=1).squeeze()

            emotion_scores = {
                self.emotions[i]: float(probs[i])
                for i in range(7)
            }
            dominant = max(emotion_scores, key=emotion_scores.get)

            results.append({
                'bbox': [x1, y1, x2, y2],
                'emotion': dominant,
                'confidence': emotion_scores[dominant],
                'all_scores': emotion_scores
            })

        return results

Датасеты и качество моделей

Точность на FER:

• EfficientNet-B0 fine-tuned: 73.1%
• Vision Transformer (ViT-B/16): 74.8%
• EfficientFace: 73.3%

Главная сложность: метки в публичных датасетах субъективны, люди не соглашаются в 30–40% случаев. Accuracy 75% — это предел для набора FER из-за человеческого несогласия. Поэтому качественная разметка под задачу критична.

Временная аналитика на видео

Покадровая классификация нестабильна — эмоция «мигает» между кадрами. Решения:

• Temporal smoothing: скользящее среднее по 10–30 кадрам.
• RNN/LSTM поверх frame-level классификатора: учитывает временную динамику.
• Aggregation по интервалу: средняя эмоция за N-секундный интервал для аналитики.

from collections import deque

class TemporalEmotionTracker:
    def __init__(self, window_size: int = 30):
        self.window = deque(maxlen=window_size)

    def update(self, emotion_scores: dict) -> dict:
        self.window.append(emotion_scores)
        # Усредняем по окну
        averaged = {}
        for emotion in emotion_scores:
            averaged[emotion] = sum(
                frame[emotion] for frame in self.window
            ) / len(self.window)
        return averaged

Ограничения и этические аспекты

Важно понимать ограничения технологии:

• Культурные различия в выражении эмоций (мимика варьируется между культурами).
• Нейтральное лицо ≠ нейтральное состояние человека.
• Актёрская мимика отличается от искренней.

Технология не должна использоваться для скрытого мониторинга сотрудников без их ведома. В production всегда требуется юридическое согласие.

Процесс работы

1. Аналитика требований и сбор датасета.
2. Проектирование архитектуры: выбор backbone, детектора, постобработки.
3. Реализация: обучение модели, пайплайн инференса.
4. Тестирование на ваших данных (A/B тест).
5. Деплой: Docker-контейнер с Triton Inference Server или ONNX Runtime.

Что входит в результат

• Документация пайплайна (Model Card, описание архитектуры).
• Обучение вашей команды работе с моделью.
• Поддержка 3 месяца после внедрения.
• Код с тестами и воспроизводимым обучением.

Сравнение: наш подход vs классический ResNet

Мы используем EfficientNet-B0 с Focal Loss. Прирост точности на FER — 3.1% против Vanilla ResNet-18 (70.0%). На корпоративных данных разрыв достигает 5-8%. Задержка инференса на CPU — 12 мс, на GPU — 3 мс.

Гарантируем: модель сдаётся с метриками не ниже оговорённых, код покрыт тестами, пайплайн воспроизводим. Свяжитесь с нами, чтобы обсудить внедрение распознавания эмоций в ваш продукт. Получите консультацию по архитектуре и оценке сроков.

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.