Разработка системы трекинга объектов на видео (Object Tracking) под ключ

Зачем нужен трекинг объектов?

При подсчёте потока посетителей в торговом центре камера фиксирует каждого человека, но без трекинга вы не узнаете, сколько уникальных посетителей прошло через зону. Это классическая задача Object Tracking — удерживать идентичность объекта на всём пути его движения по кадру. Мы, команда AI-инженеров, решаем такие задачи с 2018 года. Запустили более 20 проектов трекинга для ритейла, логистики и спорта, и готовы построить решение под ключ для вашего кейса. Ошибка в выборе алгоритма может стоить до 30% точности подсчёта, поэтому важен правильный подход.

Какой алгоритм трекинга выбрать?

Трекинг — задача следования за конкретным объектом через последовательность кадров с сохранением идентичности. Если детекция отвечает на вопрос «что и где на кадре», то трекинг добавляет «это тот же объект, что и в предыдущих кадрах». Применения: подсчёт людей пересекающих линию, анализ траекторий в магазине, управление в системах автономного вождения, спортивная аналитика.

SORT (Simple Online and Realtime Tracking) — базовый алгоритм: Калман-фильтр для предсказания положения + IoU matching для ассоциации. Быстрый, но теряет объект при перекрытиях.

DeepSORT — SORT + ReID (Re-Identification): deep appearance features для ассоциации по внешнему виду, не только по пространственному положению. Лучше справляется с перекрытиями.

Почему ByteTrack — лучший выбор для продакшена?

ByteTrack — текущий state-of-the-art для общих задач. Использует все детекции (включая низкоуверенные) для ассоциации. Мы внедрили его в 15 проектах и убедились: он даёт HOTA 77.3 на MOT17 benchmark при низких задержках. Код интеграции прост:

from ultralytics import YOLO

model = YOLO('yolov8l.pt')

# Трекинг встроен в Ultralytics
results = model.track(
    source='video.mp4',
    tracker='bytetrack.yaml',
    persist=True,            # сохранять трек-IDs между кадрами
    conf=0.3,
    iou=0.5
)

for result in results:
    boxes = result.boxes
    for box in boxes:
        track_id = box.id.item()  # уникальный ID объекта
        x1, y1, x2, y2 = box.xyxy[0]

BoT-SORT — ByteTrack + camera motion compensation + ReID. Лучшие результаты на MOT17 benchmark: HOTA 77.8.

StrongSORT — ещё более агрессивная ReID интеграция, лучше для задач с длительными перекрытиями.

ReID модели: как не потерять объект при перекрытии?

ReID-модель извлекает embedding внешнего вида объекта. При потере трека система ищет его по similarity в embeddings:

import torchreid

# Загрузка ReID модели
model = torchreid.models.build_model(
    name='osnet_x1_0',
    num_classes=751,  # Market-1501
    pretrained=True
)

def extract_appearance_features(crop: np.ndarray) -> np.ndarray:
    tensor = preprocess_crop(crop)
    with torch.no_grad():
        features = model(tensor)
    return features.cpu().numpy()

Метрика ReID: mAP и Rank-1 на Market-1501 / DukeMTMC. OSNet-x1.0: Rank-1 94.8%, mAP 84.9% на Market-1501.

Анализ траекторий и метрики

После трекинга строим аналитику по траекториям:

class TrajectoryAnalyzer:
    def __init__(self):
        self.tracks = {}  # track_id -> list of (frame, x, y)

    def update(self, track_id, frame_num, cx, cy):
        if track_id not in self.tracks:
            self.tracks[track_id] = []
        self.tracks[track_id].append((frame_num, cx, cy))

    def count_line_crossings(self, line: tuple, direction='both') -> int:
        """Подсчёт пересечений виртуальной линии"""
        count = 0
        for track in self.tracks.values():
            if self._crosses_line(track, line, direction):
                count += 1
        return count

Метрики качества трекинга:

• HOTA (Higher Order Tracking Accuracy) — основная метрика, балансирует Detection и Association accuracy
• MOTA (Multiple Object Tracking Accuracy) — учитывает FP, FN, ID switches
• IDF1 — ID F1 score: насколько хорошо сохраняются ID через время
• ID Switches — количество смен ID у одного объекта

Процесс работы над проектом

1. Discovery — анализ задачи, видео-датасета, требований к точности и скорости.
2. Выбор модели — тестируем ByteTrack, DeepSORT, BoT-SORT на ваших данных.
3. Оптимизация — квантование (INT8), обрезание графа, настройка hyperparams для латенси p99 < 30 ms на Jetson.
4. Развёртывание — контейнеризация, интеграция с видеопотоком (RTSP, HLS), деплой на GPU/CPU.
5. Аналитика — личный кабинет с heatmaps, счётчиками, треками.

Сроки и объём работ

Стоимость рассчитывается индивидуально, исходя из числа камер, типов объектов и требуемой точности. Свяжитесь с нами — мы бесплатно оценим сложность.

Что входит в результат

• Обученная и оптимизированная модель трекинга (ByteTrack или BoT-SORT).
• Docker-образ с REST API для интеграции.
• Интерактивный дашборд для аналитики.
• Техническая документация (описание архитектуры, метрики, инструкция по запуску).
• Поддержка в течение 12 месяцев.

Опыт и гарантии

Наша команда имеет сертифицированных ML-инженеров с опытом работы над системами видеоаналитики в течение многих лет. Реализовано 25+ проектов для ритейла, логистики и безопасности. Предоставляем гарантию на корректную работу трекинга в рамках согласованных метрик (HOTA ≥ 70). Пишите — обсудим ваш проект и подготовим предложение. Закажите консультацию, чтобы получить индивидуальное решение под вашу задачу.

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.