Інтерактивна 3D-реконструкція Gaussian Splatting: розробка під ключ

Інтерактивна 3D-реконструкція Gaussian Splatting: розробка під ключ

Уявіть: ви фотографуєте об'єкт з 40 ракурсів, а за годину отримуєте інтерактивну 3D-сцену з рендерингом 120 FPS — у браузері. Це не магія, а 3D Gaussian Splatting (3DGS). Метод, запропонований групою Kerbl et al., поєднує якість NeRF з продуктивністю, недосяжною для класичного ray marching. Ми будуємо такі системи під ключ: від налаштування pipeline до WebGL-плеєра.

За 5 років ми реалізували 20+ проєктів з 3D-реконструкції, гарантуємо PSNR не нижче 28 дБ. Економія бюджету до 30% за рахунок автоматизації pipeline.

Чому 3DGS швидший за NeRF?

3DGS використовує растеризацію гаусіан замість ray marching. Кожна гаусіана — це 3D-еліпсоїд з параметрами (позиція, орієнтація, масштаб, колір, прозорість). Рендеринг зводиться до проекції цих еліпсоїдів на екран та альфа-композитингу. Це дає 100–200+ FPS на споживчому GPU, тоді як NeRF потребує перебору точок вздовж променів (5–30 FPS). При цьому якість за метрикою PSNR порівнянна: 27–32 дБ. Основна перевага — інтерактивний рендеринг без втрати якості. Згідно з 3D Gaussian Splatting for Real-Time Radiance Field Rendering, це перший метод, що поєднує швидкість растеризації з якістю нейронного рендерингу.

Які проблеми вирішує 3DGS у реальних проєктах?

Основні проблеми, які ми вирішуємо за допомогою 3DGS: низька швидкість рендерингу NeRF (5–30 FPS проти 100–200 FPS), неможливість редагування сцени без перенавчання (у 3DGS гаусіани можна рухати та видаляти індивідуально) та великий розмір моделей (ми пакуємо сцену в 500 MB – 2 GB, що завантажується за секунди). Також 3DGS дозволяє вимірювати відстані та створювати digital twin прямо в браузері.

Які дані потрібні для якісної зйомки?

Для успішної реконструкції потрібно 40–120 фотографій з перекриттям не менше 80%. Використовуйте калібровану камеру (iPhone, DSLR), уникайте відблисків та рухомих об'єктів. Роздільна здатність — від 12 МП. При зйомці великих сцен (цех, фасад) розбийте об'єкт на зони з overlapping.

Як ми будуємо pipeline для 3D-реконструкції

Стек: PyTorch, gsplat (офіційна бібліотека), COLMAP для SfM, Hugging Face для кастомних модулів. Використовуємо NVIDIA RTX 4090 для навчання — 30–60 хвилин на сцену. Приклад pipeline:

# gaussian-splatting (офіційна реалізація + nerfstudio)
from nerfstudio.configs.method_configs import method_configs

# 3DGS через nerfstudio
# ns-train splatfacto --data ./processed

# Параметри оптимізації
config = method_configs['splatfacto']
config.pipeline.model.num_downscales = 2      # прогресивне навчання
config.pipeline.model.densify_grad_thresh = 0.0002
config.pipeline.model.densify_size_thresh = 0.01
config.max_num_iterations = 30000

Ми адаптуємо параметри під вашу сцену: для об'єктів з глянцевими поверхнями змінюємо densify_grad_thresh, для складної геометрії — кількість ітерацій.

Приклад з практики: цифровий двійник цеху

З нашої практики: один із клієнтів звернувся із завданням реконструювати інтер'єр виробничого цеху для створення digital twin. Вихідні дані — 120 фотографій з iPhone, зйомка зайняла 20 хвилин. Навчання 3DGS на RTX 4090 — 45 хвилин. Підсумкова модель — 1.2 GB, рендеринг 150 FPS. Клієнт отримав можливість вимірювати відстані між об'єктами прямо в браузері через WebGL-плеєр. Після впровадження час інспекції обладнання скоротився на 40%.

Процес роботи: від зйомки до WebGL-плеєра

1. Збір даних: налаштування камери, зйомка з перекриттям 80%.
2. Структура з руху (SfM) через COLMAP для отримання розрідженої хмари точок та поз камер.
3. Навчання 3DGS: підбір гіперпараметрів, оптимізація на GPU.
4. Постобробка: видалення фону, обрізка меж, експорт у .ply.
5. Інтеграція: WebGL-плеєр на three-gaussian-splats, завантаження в хмару.

Терміни та обсяг робіт

Типові помилки при впровадженні 3DGS

Недостатня кількість фотографій (менше 30) веде до артефактів, погане калібрування камери знижує PSNR на 2–3 dB, а вибір гіперпараметрів без урахування сцени призводить до перенавчання. Ми враховуємо ці нюанси на етапі препроцесингу та налаштування pipeline. 3DGS — єдиний метод, що дає інтерактивний рендеринг без втрати якості.

Замовте пілотний проєкт — ми навчимо 3DGS на ваших даних за 2 дні. Отримайте консультацію щодо вибору обладнання та алгоритмів. Зв'яжіться з нами — оцінимо ваш проєкт за 2 робочі дні.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.