Сегментация изображений: разработка систем Semantic, Instance, Panoptic

Сегментация изображений — не просто bounding box, а поиксельная маска объекта. Когда форма критична: медицинские снимки (опухоли), спутниковые данные (лесные пожары), автономное вождение (пешеходы), контроль качества (дефекты с измерением площади). Мы разрабатываем системы сегментации под ключ — от прототипа до продакшена. Оценим ваш проект за 2 дня, а экономия на ручной разметке может превысить стоимость разработки в 10 раз.

Как выбрать модель сегментации?

Semantic segmentation — каждый пиксель относится к классу. Все машины — один класс «car», все пешеходы — «person». Популярные модели: SegFormer, DeepLabV3+. Instance segmentation — различает объекты одного класса: машина №1, машина №2. Лидеры: Mask R-CNN, YOLOv8-seg, YOLO11-seg. Panoptic segmentation объединяет подходы: «вещи» по инстансам, «фон» семантически. Эталон — Mask2Former.

Что даёт Segment Anything Model?

Meta's SAM — революция. Zero-shot: не требует обучения под конкретные классы. Входной промпт — точка, рамка или маска. Как отмечено в Segment Anything paper, модель способна сегментировать любой объект в любом изображении. Подробнее о SAM читайте на GitHub.

from segment_anything import SamPredictor, sam_model_registry

sam = sam_model_registry["vit_h"](checkpoint="sam_vit_h_4b8939.pth")
predictor = SamPredictor(sam)

predictor.set_image(image)
masks, scores, _ = predictor.predict(
    box=np.array([x1, y1, x2, y2]),
    multimask_output=False
)

Обновлённая версия SAM2 поддерживает видео и трекинг сегментации через кадры. SAM сегментирует объекты в 10 раз быстрее ручной разметки, но не классифицирует сегменты и медленна для real-time (SAM-ViT-H: ~50ms на A100).

Fine-tuning под ваш домен

Для доменов (медицина, промышленность) SAM дообучается. Ультралайт-модели на основе EfficientNet показывают mIoU до 0.92 на внутренних наборах данных. Для улучшения точности используем аугментации: рандомные обрезки, повороты, изменения контрастности.

from ultralytics import SAM

model = SAM('sam2_b.pt')
model.train(
    data='medical_dataset.yaml',
    epochs=50,
    imgsz=1024,
    batch=4,
    lr0=1e-4
)

Для semantic segmentation — SegFormer (HuggingFace). SegFormer-B5 достигает mIoU 84.0 на Cityscapes. При работе с малыми датасетами (<500 изображений) используем transfer learning и тщательную валидацию.

U-Net — стандарт биомедицины

U-Net с encoder-decoder и skip connections отлично работает с малыми датасетами (200–500 изображений). Аугментация данных — ключевой фактор успеха: комбинируя сдвиги, масштабирования и Elastic Transform, мы повышаем mIoU на 5-7%.

import segmentation_models_pytorch as smp

model = smp.Unet(
    encoder_name='efficientnet-b4',
    encoder_weights='imagenet',
    in_channels=1,
    classes=3,
    activation=None
)

Метрики качества

• mIoU — основная для semantic
• AP — для instance
• Dice coefficient — для медицинских задач
• Boundary IoU — точность контуров

Почему важна предобработка данных?

Качество разметки напрямую влияет на результат. Мы используем полигональную аннотацию в COCO-формате, проверяем согласованность через IoU между аннотаторами. Для медицинских снимков обязательна нормализация и удаление артефактов. Типичная ошибка — несбалансированные классы: решается взвешенными loss-функциями (Focal Loss, Dice Loss).

Как сегментация сокращает затраты?

Например, на проекте по сегментации дефектов металла мы использовали YOLOv8-seg с дообучением на 1500 изображениях. Достигли mIoU 0.91, а автоматизация снизила время инспекции с 40 секунд до 2 секунд на деталь. Заказчик сэкономил более 2 миллионов рублей в год на контроле качества. В другом кейсе для спутниковых данных точная сегментация полей позволила сократить расходы на агрохимию на 1.2 миллиона рублей за сезон. Такая автоматизация приносит существенную экономию на масштабах производства. Свяжитесь с нами, чтобы оценить потенциальную выгоду для вашего бизнеса.

Наш опыт в сегментации

10+ лет опыта в computer vision, 50+ проектов. Гарантируем качество: mIoU не ниже 0.85 на ваших данных. Оценим проект за 2 дня. Получите консультацию — поможем выбрать модель и настроить пайплайн.

Как мы работаем

1. Аналитика — изучаем задачу, данные, разметку. Предлагаем архитектуру.
2. Прототипирование — быстро тестируем 2-3 модели на вашем датасете.
3. Fine-tuning — дообучаем выбранную модель, оптимизируем гиперпараметры.
4. Продакшен — упаковываем в Docker, TensorRT или Triton Inference Server.
5. Поддержка — документация, обучение команды, гарантия 6 месяцев.

Что входит в работу

• Модель, обученная на ваших данных
• API для инференса (REST/gRPC)
• Интеграция в существующую инфраструктуру
• Документация и код пайплайна
• Обучение ваших инженеров

Сроки

Стоимость рассчитывается индивидуально по объёму работ. Закажите консультацию — получите оценку проекта за 2 дня.

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.