Разработка системы распознавания поз человека (Pose Estimation)

Вы получаете видео с камеры наблюдения, но вместо чёткого скелета — шум и ложные срабатывания. Знакомая ситуация? Мы решаем эту задачу с помощью production-ready моделей Pose estimation. Наши инженеры имеют 5+ лет опыта в компьютерном зрении и реализовали более 30 проектов по распознаванию поз для фитнеса, реабилитации и киносъёмки. Pose estimation — детекция ключевых точек тела человека (keypoints): суставы, голова, конечности. Задача: по изображению или видео получить 2D или 3D координаты 17–133 точек скелета. Основные технические сложности: перекрытия, когда один человек заслоняет другого; bottom-up подходы могут ошибаться при группировке keypoints — используем комбинацию top-down с Non-Maximum Suppression. Освещение и ракурс: тени, блики, нестандартный угол камеры — решается аугментацией данных и transformer-моделями (ViTPose). Реальное время: latency p99 должна быть ниже 30ms для видео 30 FPS — применяем RTMPose с оптимизацией ONNX Runtime и TensorRT. Для фитнес-приложений с одним пользователем предпочтителен top-down (RTMPose-l), для многолюдных пространств — bottom-up (OpenPose). В условиях плохого освещения помогает CLAHE и ансамбли моделей. Внедрение таких систем окупается за 3–6 месяцев за счёт автоматизации анализа и сокращения времени экспертов на 80%.

Какие проблемы решаем

Pose estimation — детекция ключевых точек тела человека (keypoints): суставы, голова, конечности. Задача: по изображению или видео получить 2D или 3D координаты 17–133 точек скелета. Основные технические сложности:

• Перекрытия: когда один человек заслоняет другого, bottom-up подходы группируют keypoints с ошибками. Используем комбинацию top-down с Non-Maximum Suppression для N людей.
• Освещение и ракурс: тени, блики, нестандартный угол камеры. Помогает аугментация данных и использование transformer-моделей (ViTPose).
• Реальное время: latency p99 должна быть ниже 30ms для видео 30 FPS. Применяем RTMPose с оптимизацией ONNX Runtime и TensorRT.

Top-down vs Bottom-up — какой подход выбрать?

Выбор между top-down и bottom-up зависит от сценария. Top-down даёт более точные keypoints, так как bounding box ограничивает область поиска, но производительность падает при >5 людях. Bottom-up быстрее при множестве людей, но хуже обрабатывает пересечения. Для фитнес-приложений с одним пользователем предпочтителен top-down (RTMPose-l), для многолюдных пространств — bottom-up (OpenPose).

from ultralytics import YOLO
import cv2

# YOLOv8-pose — top-down, производительный вариант
model = YOLO('yolov8l-pose.pt')

def estimate_poses(image_path: str) -> list[dict]:
    results = model(image_path, conf=0.5)
    poses = []

    for result in results:
        for i, (bbox, kps) in enumerate(zip(
            result.boxes.xyxy,
            result.keypoints.data
        )):
            keypoints = []
            for j, kp in enumerate(kps):
                x, y, conf = kp
                keypoints.append({
                    'name': COCO_KEYPOINTS[j],
                    'x': float(x),
                    'y': float(y),
                    'confidence': float(conf)
                })

            poses.append({
                'person_id': i,
                'bbox': bbox.tolist(),
                'keypoints': keypoints
            })

    return poses

COCO_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'
]

ViTPose и RTMPose — production-ready модели

ViTPose — лучшее качество на COCO benchmark. ViTPose-H: AP 79.1 на COCO val2017. Transformer-based backbone, требует больше ресурсов.

RTMPose — оптимизирован для production (RTMDet детектор + RTMPose backbone). RTMPose-l: AP 76.3, latency 3ms на T4. Рекомендуется для систем реального времени.

from mmpose.apis import MMPoseInferencer

inferencer = MMPoseInferencer('rtmpose-l_8xb32-270e_coco-wholebody-384x288')
results = inferencer('image.jpg', out_dir='output/')

Как улучшить точность при частичных затемнениях?

В условиях плохого освещения помогает предобработка изображения: контрастирование, CLAHE, использование моделей с attention (ViTPose). Также эффективен ансамбль из нескольких моделей (ViTPose + RTMPose) с усреднением keypoints. COCO keypoints dataset содержит примеры с разным освещением, и fine-tuning на своих данных с аугментациями (brightness, noise) даёт прирост 3–5% AP.

3D Pose Estimation для реабилитации и спорта

Для реабилитации, спортивного анализа нужны 3D-координаты:

• MotionBERT — transformer для 2D→3D лифтинга: принимает 2D keypoints из видео, выдаёт 3D скелет.
• MediaPipe Pose — встроенный 3D (относительные 3D координаты без depth camera).
• Stereo camera setup — точный 3D через две синхронизированные камеры.
• Depth camera (Intel RealSense, Azure Kinect) — RGBD для точного 3D.

Анализ техники выполнения упражнений

import numpy as np

def analyze_squat_form(keypoints: dict) -> dict:
    """Анализ техники приседания по keypoints"""
    # Угол в колене
    hip = np.array([keypoints['left_hip']['x'], keypoints['left_hip']['y']])
    knee = np.array([keypoints['left_knee']['x'], keypoints['left_knee']['y']])
    ankle = np.array([keypoints['left_ankle']['x'], keypoints['left_ankle']['y']])

    knee_angle = calculate_angle(hip, knee, ankle)

    # Выравнивание спины (наклон туловища)
    shoulder = np.array([keypoints['left_shoulder']['x'],
                          keypoints['left_shoulder']['y']])
    torso_angle = calculate_angle(shoulder, hip,
                                   np.array([hip[0], hip[1] + 100]))

    return {
        'knee_angle': knee_angle,
        'torso_angle': torso_angle,
        'depth': 'sufficient' if knee_angle < 90 else 'insufficient',
        'back_alignment': 'good' if 70 < torso_angle < 90 else 'needs_correction'
    }

Метрики качества

• OKS (Object Keypoint Similarity) — основная метрика COCO.
• AP (Average Precision) на COCO val.
• PCKh (Percentage of Correct Keypoints) — для head-normalized threshold.

Что входит в работу

• Прототип модели: выбор архитектуры, обучение/дообучение с метриками.
• Интеграция: API на FastAPI, инференс на GPU/CPU, оптимизация под TensorRT.
• Документация: model card, описание пайплайна, инструкция по развёртыванию.
• Поддержка: 2 недели бесплатной поддержки после сдачи, обучение вашей команды.

Наш процесс

1. Аналитика: разбираем вашу задачу, собираем требования по точности и скорости.
2. Проектирование: выбираем модель (ViTPose, RTMPose, OpenPose), определяем пайплайн.
3. Прототипирование: быстрый MVP за 1–2 недели, демонстрация заказчику.
4. Оптимизация: сжатие модели (quantization INT8, pruning), подгонка под целевое железо.
5. Деплой: контейнеризация, мониторинг (MLflow, Prometheus), CI/CD.

Получите консультацию по вашему проекту — мы оценим требования и предложим оптимальное решение.

Стоимость и сроки

Стоимость рассчитывается индивидуально в зависимости от сложности. Ориентировочные сроки указаны в таблице выше. Внедрение системы окупается за 3–6 месяцев за счёт автоматизации анализа и сокращения времени экспертов на 80%. Снижаем затраты на разработку с нуля, используя предобученные модели и transfer learning.

Закажите пилотный проект и проверьте эффективность на своих данных.

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.