Разработка пайплайна аугментации изображений для обучения CV-модели

Мы столкнулись с типичной задачей: датасет из 800 изображений стал датасетом из 24 000 — звучит красиво, но если аугментации неправильные, модель просто переобучится на артефакты самих трансформаций. Аугментации должны имитировать реальные изменения в production-данных, а не просто увеличивать количество картинок. Наша практика подтверждает: правильно настроенный пайплайн поднимает accuracy на 5–12% без новой разметки и экономит бюджет. Например, в проекте по детекции дефектов на металле мы изначально применили фотометрические аугментации, но модель начала путать царапины с бликами. После замены на геометрические и добавления синтетики через Stable Diffusion recall вырос с 0.61 до 0.78 при precision выше 0.80. Экономия на разметке составила от $2,000 до $10,000. В среднем клиенты экономят от $5,000 до $15,000 на каждом проекте.

Как выбрать политику аугментации под конкретный домен?

Настройка аугментаций зависит от домена и задачи. Для outdoor нужны сильные изменения освещения и погоды. Для medical — только геометрические и осторожные фотометрические. Ниже — базовая политика на Albumentations, которую мы адаптируем под проект.

import albumentations as A
from albumentations.pytorch import ToTensorV2

def build_augmentation_pipeline(
    task: str = 'detection',    # 'classification' | 'detection' | 'segmentation'
    domain: str = 'outdoor'     # 'outdoor' | 'indoor' | 'medical' | 'satellite'
) -> A.Compose:
    """
    Политика аугментации зависит от домена.
    Outdoor — агрессивные изменения освещения и погоды.
    Medical — только геометрические, цветовые противопоказаны.
    """
    geometric = [
        A.HorizontalFlip(p=0.5),
        A.ShiftScaleRotate(
            shift_limit=0.05 if task == 'detection' else 0.1,
            scale_limit=0.1,
            rotate_limit=15,
            border_mode=0,     # constant padding
            p=0.5
        ),
    ]

    photometric_outdoor = [
        A.RandomBrightnessContrast(
            brightness_limit=0.3, contrast_limit=0.3, p=0.6
        ),
        A.HueSaturationValue(
            hue_shift_limit=15, sat_shift_limit=40, val_shift_limit=30,
            p=0.4
        ),
        A.RandomFog(fog_coef_lower=0.1, fog_coef_upper=0.35, p=0.15),
        A.RandomRain(
            slant_lower=-10, slant_upper=10,
            drop_length=15, drop_width=1,
            drop_color=(200, 200, 200), blur_value=2,
            brightness_coefficient=0.85, p=0.1
        ),
        A.RandomSunFlare(
            flare_roi=(0, 0, 1, 0.5), angle_lower=0,
            num_flare_circles_lower=3, num_flare_circles_upper=6,
            src_radius=200, p=0.08
        ),
    ]

    photometric_medical = [
        A.RandomGamma(gamma_limit=(80, 120), p=0.4),
        A.CLAHE(clip_limit=3.0, tile_grid_size=(8, 8), p=0.3),
    ]

    photometric = (
        photometric_outdoor if domain == 'outdoor'
        else photometric_medical
    )

    noise = [
        A.GaussNoise(var_limit=(10, 50), p=0.3),
        A.ImageCompression(quality_lower=75, quality_upper=100, p=0.2),
        A.Blur(blur_limit=3, p=0.1),
    ]

    bbox_params = (
        A.BboxParams(
            format='yolo',
            label_fields=['class_labels'],
            min_visibility=0.3
        )
        if task == 'detection' else None
    )

    transforms = geometric + photometric + noise + [
        A.Normalize(
            mean=(0.485, 0.456, 0.406),
            std=(0.229, 0.224, 0.225)
        ),
        ToTensorV2()
    ]

    return A.Compose(transforms, bbox_params=bbox_params)

Когда использовать MixUp и CutMix?

Простые аугментации не убирают переобучение при малом датасете. MixUp и CutMix создают новые примеры смешением двух изображений — это хорошая регуляризация. MixUp, предложенный в статье Zhang et al., 2018 MixUp: Beyond Empirical Risk Minimization, лучше для задач с глобальными признаками, CutMix — для локальных паттернов. При этом важно контролировать коэффициент lambda: для alpha=0.4 смешение получается умеренным, модель лучше обобщает.

import torch
import numpy as np

def mixup_batch(
    images: torch.Tensor,     # (B, C, H, W)
    labels: torch.Tensor,     # (B,) для классификации
    alpha: float = 0.4
) -> tuple[torch.Tensor, torch.Tensor, torch.Tensor, float]:
    lam = np.random.beta(alpha, alpha)
    batch_size = images.size(0)
    perm = torch.randperm(batch_size)
    mixed_images = lam * images + (1 - lam) * images[perm]
    labels_a = labels
    labels_b = labels[perm]
    return mixed_images, labels_a, labels_b, lam

def cutmix_batch(
    images: torch.Tensor,
    labels: torch.Tensor,
    alpha: float = 1.0
) -> tuple[torch.Tensor, torch.Tensor, torch.Tensor, float]:
    lam = np.random.beta(alpha, alpha)
    batch_size, _, H, W = images.shape
    perm = torch.randperm(batch_size)
    cut_ratio = np.sqrt(1 - lam)
    cut_h = int(H * cut_ratio)
    cut_w = int(W * cut_ratio)
    cx = np.random.randint(W)
    cy = np.random.randint(H)
    x1 = max(cx - cut_w // 2, 0)
    y1 = max(cy - cut_h // 2, 0)
    x2 = min(cx + cut_w // 2, W)
    y2 = min(cy + cut_h // 2, H)
    mixed = images.clone()
    mixed[:, :, y1:y2, x1:x2] = images[perm, :, y1:y2, x1:x2]
    lam = 1 - (y2-y1) * (x2-x1) / (H * W)
    return mixed, labels, labels[perm], lam

def mixup_criterion(criterion, pred, y_a, y_b, lam):
    return lam * criterion(pred, y_a) + (1 - lam) * criterion(pred, y_b)

Синтетические данные с Stable Diffusion

Отметим: когда реальных данных менее 100 примеров на класс, синтетика через inpainting или ControlNet даёт прирост AP на 8–15%. Мы используем Stable Diffusion Inpainting для генерации дефектов на пустых фонах. Также применяем ControlNet для генерации по контуру, если нужна точная вставка объекта.

from diffusers import StableDiffusionInpaintPipeline
import torch
from PIL import Image

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    'runwayml/stable-diffusion-inpainting',
    torch_dtype=torch.float16
).to('cuda')

def generate_synthetic_defect(
    background_image: Image.Image,
    mask_image: Image.Image,
    defect_type: str = 'surface crack'
) -> Image.Image:
    prompt = (
        f'industrial {defect_type}, high resolution, '
        f'realistic texture, macro photography'
    )
    result = pipe(
        prompt=prompt,
        image=background_image,
        mask_image=mask_image,
        num_inference_steps=30,
        guidance_scale=7.5,
        strength=0.85
    ).images[0]
    return result

На практике: 80 реальных примеров трещин + 400 синтетических подняли recall с 0.61 до 0.78 при сохранении precision > 0.80. Экономия на разметке — значительная, часто достигает $10,000.

Сравнение стратегий аугментации

Типичные ошибки при настройке аугментаций

• Применение фотометрических аугментаций к медицинским снимкам — может уничтожить диагностические признаки.
• Использование слишком агрессивных геометрических трансформаций для детекции — bbox могут выйти за границы изображения.
• Отсутствие проверки аугментаций на валидационном наборе — иногда аугментации меняют распределение данных.
• Пропуск нормализации после аугментаций — это ломает предобученные веса.
• Неправильная нормализация после аугментаций — одна из частых причин падения метрик на валидации.

Что входит в наш пайплайн аугментации?

Мы предоставляем:

• Анализ датасета и домена, выявление ключевых вариаций.
• Выбор стратегии: геометрия, фотометрия, MixUp/CutMix, синтетика.
• Реализация pipeline на Albumentations с учётом task (bbox, маски).
• Интеграция в тренировочный цикл (PyTorch/TensorFlow).
• Эксперименты: A/B тестирование комбинаций, фиксация метрик в Weights & Biases.
• Генерация синтетических данных (опционально) через Stable Diffusion.
• Деплой модели с финальным пайплайном (только inference-трансформации).
• Документация и обучение команды.

Процесс работы

1. Анализ датасета и домена: изучаем вариативность данных, типичные искажения в production.
2. Выбор стратегии: геометрия, фотометрия, MixUp/CutMix или синтетика.
3. Настройка pipeline на Albumentations с учётом task (bbox, маски).
4. Интеграция в тренировочный цикл (PyTorch/TensorFlow).
5. Эксперименты: тестируем разные комбинации, фиксируем метрики.
6. Генерация синтетических данных (опционально) через Stable Diffusion.
7. Деплой модели с финальным пайплайном (только inference-трансформации).

Сроки и стоимость

Стоимость рассчитывается индивидуально. Мы гарантируем прозрачный процесс и фиксацию метрик на каждом этапе. Свяжитесь с нами для оценки вашего проекта — подберём оптимальную стратегию аугментации под ключ. Закажите аудит текущего пайплайна — получите конкретные рекомендации по улучшению. Получите консультацию сегодня.

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.