Разработка системы детекции объектов на изображениях (Object Detection)

Разработка системы детекции объектов на изображениях (Object Detection)

Сталкивались с тем, что готовая модель детекции не справляется с вашими объектами? Мы разрабатываем кастомные системы object detection под ключ: от сбора датасета до деплоя на edge-устройства. За 5+ лет мы реализовали проекты для ритейла, производства и безопасности. В этой статье разберём, как выбрать архитектуру, настроить fine-tuning и добиться real-time производительности. Типичные задачи — счёт товаров на полке, контроль брака на конвейере, распознавание автомобилей на парковке. Часто клиенты приходят с запросом «научите нейросеть находить дефекты» или «посчитайте количество продуктов». Мы помогаем сформулировать ТЗ, подобрать оптимальную модель и внедрить решение.

Как выбрать детектор под задачу?

YOLOv8/YOLO11 — оптимальный выбор для большинства задач. Ultralytics-имплементация с хорошей документацией, активной поддержкой, встроенным экспортом в TensorRT/ONNX. Для стандартных сценариев (1–20 классов, real-time) — это стартовая точка.

RT-DETR (Real-Time Detection Transformer) — transformer-based детектор, лучшее качество при сопоставимой скорости с YOLOv8. Архитектура на основе DETR с ускорением за счёт query selection. Рекомендуем, когда нужно максимальное mAP и нет жёстких требований к latency (74 FPS на T4).

Grounding DINO — open-vocabulary детекция: находит объекты по текстовому описанию без дообучения. Полезен для прототипирования и задач с редкими категориями или частой сменой номенклатуры. Не требуется собирать датасет — достаточно сформулировать запрос.

Почему fine-tuning на кастомных данных критичен?

Предобученные на COCO детекторы умеют распознавать 80 классов. Если ваши объекты не входят в этот список — fine-tuning необходим. Даже если классы есть, домен может отличаться (ночные кадры, специфические ракурсы), что снижает качество. Fine-tuning адаптирует модель под вашу доменную область.

from ultralytics import YOLO

model = YOLO('yolov8l.pt')
results = model.train(
    data='dataset.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    optimizer='AdamW',
    lr0=0.001,
    lrf=0.01,
    weight_decay=0.0005,
    augment=True,
    degrees=10.0,
    mosaic=1.0,
    device=0
)

Структура dataset.yaml:

path: /data/myproject
train: images/train
val: images/val
test: images/test

nc: 5
names: ['cat', 'dog', 'car', 'person', 'bicycle']

Аугментация для детекции

Детекция требует специфичной аугментации — трансформации должны корректно применяться к bounding boxes:

• Mosaic — склейка 4 изображений в одно, увеличивает разнообразие контекстов
• MixUp — смешивание двух изображений с весами
• Copy-Paste — вырезание объектов и вставка в новый контекст
• Random crop с сохранением объектов в кадре
• Albumentations: HorizontalFlip, RandomBrightnessContrast, GaussNoise

Метрики и постобработка

• [email protected] — mean Average Precision при IoU threshold 0.5
• [email protected]:0.95 — более строгий: среднее mAP при IoU от 0.5 до 0.95 с шагом 0.05
• Precision / Recall при конкретном confidence threshold
• FPS / latency — для real-time систем

Выбор confidence threshold: ROC-like кривая precision-recall, выбор порога в зависимости от допустимого баланса для конкретного применения.

Non-Maximum Suppression удаляет дублирующие детекции. Параметры: IoU threshold (0.45–0.7), confidence threshold (0.25–0.5). Для плотно расположенных объектов применяется Soft-NMS или Class-Agnostic NMS.

Деплой на целевое устройство

TensorRT engine для NVIDIA GPU: экспорт из Ultralytics одной командой model.export(format='engine'). ONNX для CPU-деплоя. Для Raspberry Pi / Jetson: YOLO11n в TFLite / ONNX Runtime.

Типичные ошибки и как их избежать

• Мало данных на один класс — приводит к низкой recall. Решение: собрать минимум 500 изображений на класс.
• Переобучение при избытке пустых кадров. Решение: балансировать пустые и содержащие объекты изображения.
• Неправильная аугментация: например, обрезка, убирающая объект. Решение: настраивать RandomCrop с сохранением объекта.
• Игнорирование постпроцессинга: NMS с высоким порогом может удалить правильные детекции. Решение: подбирать порог на валидационной выборке.

Процесс работы над проектом

1. Анализ задачи и сбор требований: какие объекты, условия съёмки, требования по FPS.
2. Сбор и разметка датасета: с использованием CVAT или Label Studio. Минимум 1000 изображений.
3. Выбор архитектуры и обучение baseline. Итеративное улучшение с аугментацией и оптимизацией гиперпараметров.
4. Тестирование на реальных данных: оценка mAP, precision, recall, FPS.
5. Деплой: экспорт в TensorRT/ONNX/TFLite, интеграция в вашу систему.
6. Поддержка после внедрения: мониторинг качества, дообучение при появлении новых классов.

Что входит в работу

• Техническая документация по архитектуре и инструкции по использованию.
• Обучение вашей команды работе с моделью.
• Исходный код и конфигурации обучения.
• Доступ к серверу с обученной моделью (опционально).
• Гарантия на результат: если через месяц качество падает, мы бесплатно дообучаем.

Свяжитесь с нами, чтобы обсудить ваш проект. Получите консультацию по выбору модели и оценке сроков — расскажем, как быстро достичь нужного качества детекции.

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.