Разработка системы классификации изображений под ключ

Система классификации изображений: как достичь macro-F1 > 0.95 на реальных данных?

Вы запускаете на production модель для каталога товаров — и получаете macro-F1 = 0.72 из-за сильного дисбаланса классов. Недавно к нам обратился e-commerce проект с датасетом 15 000 изображений, 30 категорий, где 80% картинок относились к пяти категориям. Мы применили комбинацию Weighted Random Sampler и Focal Loss, что подняло macro-F1 с 0.72 до 0.94 за две недели. Ключевой вызов не в самой модели (стандартные бенчмарки пройдены), а в адаптации под специфический домен: шум в разметке, вариации освещения, неполные данные.

Мы также столкнулись с проектом по медицинской диагностике, где требовалось обнаруживать редкие патологии на снимках МРТ. Там дисбаланс был ещё серьёзнее: 99% здоровых и 1% больных. Используя комбинацию oversampling, аугментации и focal loss, мы достигли sensitivity 0.92 при специфичности 0.98.

Какую архитектуру выбрать?

Для большинства задач выбираем EfficientNet-B4 или ConvNeXt-Tiny: они дают хороший баланс точности и времени инференса. В таблице ниже — сравнение популярных архитектур.

Для edge-устройств (Raspberry Pi, Jetson Nano) используем MobileNetV3 или EfficientNet-Lite — они работают за 1–2 ms на CPU.

Почему fine-tuning эффективнее обучения с нуля?

Обучение с нуля требует миллионов размеченных примеров. Fine-tuning предобученной модели даёт отличные результаты уже на сотнях изображений на класс. Этот подход описан в Wikipedia: Transfer Learning.

import timm
import torch.nn as nn

def build_classifier(num_classes: int,
                     pretrained_model: str = 'efficientnet_b4'):
    model = timm.create_model(
        pretrained_model,
        pretrained=True,
        num_classes=0
    )
    embedding_dim = model.num_features  # 1792 для B4

    for param in model.parameters():
        param.requires_grad = False

    classifier = nn.Sequential(
        nn.Linear(embedding_dim, 512),
        nn.GELU(),
        nn.Dropout(0.3),
        nn.Linear(512, num_classes)
    )
    model.classifier = classifier
    return model

Стратегия fine-tuning по шагам:

1. Заморозить backbone, 5 эпох train only classifier.
2. Разморозить последние 2 блока, 10 эпох с LR в 10 раз ниже.
3. Полная разморозка, ещё 10 эпох с cosine schedule.
4. Оценка на валидации: если метрики не достигнуты — повторить с другими гиперпараметрами.

Как бороться с дисбалансом классов?

Реальные датасеты редко сбалансированы. Мы комбинируем несколько приёмов:

• Weighted random sampler — частота семплирования обратно пропорциональна размеру класса.
• Focal Loss — фокусируется на сложных примерах (γ=2).
• Oversampling редких классов с помощью аугментации (albumentations).
• Class-weighted cross-entropy — веса 1/class_frequency.

Такой подход поднимает macro-F1 на 15–20% по сравнению с базовым обучением. Закажите пилотный проект — мы покажем результат на ваших данных за две недели. Это позволяет сэкономить до 30% бюджета по сравнению с наймом штатного ML-инженера.

Разница между многоклассовой и многолейбловой классификацией

Многоклассовая — один класс на изображение: softmax + cross-entropy (пример: тип животного). Многолейбловая — несколько классов одновременно: sigmoid + binary cross-entropy (пример: теги фото). Порог срабатывания для каждого класса подбирается отдельно по F1.

Метрики оценки качества модели

• Top-1/Top-5 Accuracy для сбалансированных выборок.
• Macro-averaged F1 для дисбаланса.
• Cohen's Kappa для медицинских задач.
• AUC-ROC per class для многолейбловой.

Процесс работы над системой классификации

Аналитика → проектирование → реализация → тестирование → деплой. На первом этапе мы изучаем ваш датасет, выявляем проблемные классы, оцениваем качество разметки. Затем выбираем архитектуру и проводим серию A/B-экспериментов с гиперпараметрами. После утверждения модели — экспорт в ONNX, контейнеризация и развёртывание в вашу инфраструктуру. Все этапы документируются, ваши инженеры получают доступ к модели и инструкции по эксплуатации. Свяжитесь с нами, чтобы мы подготовили смету и roadmap под ваш проект.

Сроки и стоимость

Стоимость рассчитывается индивидуально. Ориентировочно — от $1 000 до $50 000 в зависимости от объёма данных и требований. Экономия на инфраструктуре за счёт оптимизации модели может достигать 40%. Например, на одном проекте мы сократили затраты на $15 000 в год.

Что входит в работу?

• Анализ данных и подготовка датасета.
• Выбор архитектуры и fine-tuning (с A/B-тестами конфигов).
• Оценка качества по выбранным метрикам (отчёт).
• Деплой в виде REST API или встраивание в вашу инфраструктуру.
• Документация и обучение команды.
• Гарантия — если точность не достигает оговорённой, дорабатываем бесплатно.

За годы работы мы реализовали более 50 проектов по классификации изображений для e-commerce, медицины и промышленности. Наши инженеры имеют сертификаты NVIDIA, AWS и Google Cloud, используют MLOps практики для воспроизводимости экспериментов. Мы гарантируем достижение целевых метрик — если точность ниже оговорённой, дорабатываем бесплатно. Свяжитесь с нами, чтобы обсудить ваш проект и получить предварительную оценку 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.