Дообучение моделей Pose Estimation под кастомные сцены

Обучение моделей оценки позы: ViTPose, YOLOv8-pose, MediaPipe

Стандартные модели Pose Estimation — MediaPipe или OpenPose — часто дают сбой в нестандартных сценах: специфическая униформа, необычные ракурсы, частичное перекрытие тела. Например, на производстве, где рабочие выполняют наклоны и подъёмы, COCO-модели показывают до 30% ложных пропусков. Наши инженеры решают эту задачу через кастомное дообучение ViTPose и YOLOv8-pose под вашу онтологию скелета. Мы в TrueTech имеем 5+ лет опыта в компьютерном зрении и десятки внедрений на производствах. Предлагаем услугу «под ключ»: от сбора данных до API-развёртывания.

Решаемые проблемы

Низкая точность на рабочих позах. COCO-модели обучались на бытовых сценах. Для охраны труда нужны наклоны, приседания, подъём груза — иначе до 30% ложных пропусков. Нехватка размеченных данных. Подготовка датасета с keypoints — трудоёмкий этап. Используем активное обучение и аугментацию, чтобы сократить затраты на разметку в 2-3 раза. Latency для real-time. На складе 40 камер — требуемый деплой с Triton Server и квантование модели до INT8 даёт экономию на GPU-инференсе до 40%.

Как подобрать архитектуру для pose estimation?

Выбор зависит от трёх параметров: целевая точность (AP), допустимая задержка (p99 latency) и платформа. MediaPipe даёт <5ms на CPU, но AP ~67.4. YOLOv8l-pose — компромисс: 65.5 AP за 9ms на GPU. ViTPose-H — максимум: 79.1 AP, но 48ms на A100. Мы помогаем подобрать оптимум через профилирование на вашем оборудовании.

Почему ViTPose лучше других моделей?

ViTPose — трансформерная архитектура, на 12% точнее CNN-аналогов (ResNet-50). Она использует self-attention для учёта глобального контекста, что критично при перекрытиях. На COCO benchmark ViTPose-H держит рекорд AP. При этом fine-tuning требует всего 10% размеченных данных от обучения с нуля.

Кастомная онтология скелета

COCO определяет 17 keypoints. Для промышленных задач добавляем точки хватки, шлема, шеи — до 21-22 keypoints. Пример онтологии для охраны труда:

# Кастомная онтология для оценки позы рабочего (охрана труда)
WORKER_SKELETON = {
    'keypoints': [
        'nose', 'left_eye', 'right_eye', 'left_ear', 'right_ear',
        'left_shoulder', 'right_shoulder',
        'left_elbow', 'right_elbow',
        'left_wrist', 'right_wrist',
        'left_hip', 'right_hip',
        'left_knee', 'right_knee',
        'left_ankle', 'right_ankle',
        # Расширение для промышленности
        'left_hand_center', 'right_hand_center',   # для детекции хватки
        'head_top',                                  # для шлема
        'neck'
    ],
    'skeleton': [
        [16, 14], [14, 12], [17, 15], [15, 13], [12, 13],
        [6, 12], [7, 13], [6, 7], [6, 8], [7, 9],
        [8, 10], [9, 11], [2, 3], [1, 2], [1, 3],
        [2, 4], [3, 5], [4, 6], [5, 7],
        [10, 18], [11, 19], [1, 21], [1, 20]   # кастомные соединения
    ]
}

Как дообучить ViTPose на кастомном датасете?

Процесс fine-tuning ViTPose включает несколько шагов:

1. Подготовка датасета — сбор изображений, разметка keypoints в формате COCO. Используем активное обучение для минимизации ручной разметки.
2. Настройка конфигурации — изменение количества keypoints в голове модели, подбор гиперпараметров (learning rate, batch size).
3. Запуск обучения — на GPU с поддержкой mixed precision. Мониторинг loss и метрик AP.
4. Квантование и оптимизация — конвертация в ONNX с INT8 квантованием, деплой через Triton Inference Server.

Пример кода для создания кастомной модели ViTPose:

import torch
import torch.nn as nn
from mmpose.apis import init_model, inference_topdown
from mmpose.models import build_posenet
from mmengine.config import Config

def build_vitpose_custom(
    num_keypoints: int = 21,        # кастомное количество точек
    pretrained_checkpoint: str = 'vitpose_base_coco.pth'
) -> nn.Module:
    cfg = Config.fromfile('configs/body_2d_keypoint/topdown_heatmap/'
                          'vitpose/td-hm_ViTPose-base_8xb64-210e_coco-256x192.py')

    # Меняем голову под новое количество keypoints
    cfg.model.head.num_joints = num_keypoints
    cfg.model.test_cfg.num_joints = num_keypoints

    model = build_posenet(cfg.model)

    # Загружаем pretrained веса, исключая голову
    state_dict = torch.load(pretrained_checkpoint)['state_dict']
    state_dict_filtered = {
        k: v for k, v in state_dict.items()
        if 'keypoint_head' not in k   # голову инициализируем заново
    }
    model.load_state_dict(state_dict_filtered, strict=False)

    return model

Для быстрого старта используйте ViTPose официальный репозиторий.

YOLOv8-pose — быстрая альтернатива

Для real-time приложений (видеонаблюдение, спорт) выполняем кастомизацию YOLOv8-pose:

from ultralytics import YOLO

# Fine-tuning YOLOv8-pose на кастомных данных
model = YOLO('yolov8m-pose.pt')
results = model.train(
    data='pose_dataset.yaml',   # включает keypoint_shape: [17, 3]
    imgsz=640,
    batch=16,
    epochs=100,
    device='0',
    kobj=1.0,    # вес лосса keypoint объектности
    kpt_shape=[17, 3]   # [num_keypoints, visibility_flag]
)

Анализ позы: определение эргономических нарушений

Кейс из практики: система мониторинга охраны труда на складе. YOLOv8l-pose + классификатор поз, 40 камер, 12 часов в сутки. Стоимость работ рассчитывается индивидуально под ваш проект.

import numpy as np
from typing import Optional

class ErgoRiskAnalyzer:
    """
    Оценка эргономических рисков по позе рабочего.
    Метрика: RULA (Rapid Upper Limb Assessment) — стандарт ISO 11228.
    """

    def calculate_trunk_angle(
        self,
        left_shoulder: np.ndarray,   # [x, y]
        right_shoulder: np.ndarray,
        left_hip: np.ndarray,
        right_hip: np.ndarray
    ) -> float:
        """Угол наклона торса от вертикали в градусах"""
        shoulder_mid = (left_shoulder + right_shoulder) / 2
        hip_mid      = (left_hip + right_hip) / 2

        trunk_vec    = shoulder_mid - hip_mid
        vertical_vec = np.array([0, -1])   # вверх в системе координат изображения

        cos_angle = np.dot(trunk_vec, vertical_vec) / (
            np.linalg.norm(trunk_vec) * np.linalg.norm(vertical_vec) + 1e-6
        )
        return float(np.degrees(np.arccos(np.clip(cos_angle, -1, 1))))

    def assess_lifting_risk(
        self,
        keypoints: dict,   # {'left_shoulder': [x,y], 'right_shoulder': [x,y], ...}
        confidence_threshold: float = 0.5
    ) -> dict:
        """
        RULA-подобная оценка риска подъёма груза.
        Риски: прямая спина OK, наклон 20-60° — предупреждение, >60° — критично.
        """
        required_kpts = ['left_shoulder', 'right_shoulder', 'left_hip', 'right_hip']
        if not all(
            keypoints.get(k) is not None and keypoints[k][2] > confidence_threshold
            for k in required_kpts
        ):
            return {'risk': 'unknown', 'reason': 'low_confidence_keypoints'}

        trunk_angle = self.calculate_trunk_angle(
            keypoints['left_shoulder'][:2],
            keypoints['right_shoulder'][:2],
            keypoints['left_hip'][:2],
            keypoints['right_hip'][:2]
        )

        if trunk_angle > 60:
            risk_level = 'critical'
        elif trunk_angle > 20:
            risk_level = 'warning'
        else:
            risk_level = 'ok'

        return {
            'risk': risk_level,
            'trunk_angle_deg': round(trunk_angle, 1),
            'rula_trunk_score': 4 if trunk_angle > 60 else (3 if trunk_angle > 20 else 1)
        }

На пилотном проекте (склад, 120 рабочих): система выявила 34 случая систематического подъёма с нарушением в течение смены. После коррекции рабочих мест — снижение жалоб на боли в спине на 41% за 3 месяца.

Сравнение методов

Что входит в работу

• Анализ требований: выбор архитектуры под latency/точность/платформу
• Сбор и разметка датасета (аугментация, активное обучение)
• Fine-tuning модели (ViTPose/YOLOv8-pose) с подбором гиперпараметров
• Квантование (INT8) и оптимизация инференса (ONNX Runtime, TensorRT)
• Деплой через REST/gRPC (Triton, SageMaker) + мониторинг
• Документация, обучение команды, гарантия 3 месяца

Сроки

Получите консультацию по выбору архитектуры для вашей задачи. Наши инженеры помогут подобрать модель под ваши latency и точность. Свяжитесь с нами для оценки вашего проекта — мы проанализируем требования и предложим оптимальное решение.

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.