Розробка системи 3D-реконструкції через NeRF

Розробка системи 3D-реконструкції через NeRF

Ви перезнімали об'єкт з 50 ракурсів, але після фотограмметрії отримали модель з дірками та розмитими текстурами. Стандартні алгоритми безсилі при складній геометрії та глянцевих поверхнях. NeRF вирішує це завдання, кодуючи сцену у вагах нейромережі — без mesh, без скепсису щодо відбиттів. Ми розробляємо такі системи під ключ. У нашому портфоліо — проекти від реконструкції артефактів до VR-турів по архітектурних об'єктах. Досвід понад 10 років. Гарантуємо прозорий результат: метрики PSNR > 30 dB на тестових ракурсах. Нещодавно ми реконструювали інтер'єр залу для клієнта — 200 фото, indoor сцена 20×15 м. Використовували Mip-NeRF 360 на A100 (4 години навчання). Отримали mesh з деталізацією 2 мм на точку. Результат: VR-тур з реалістичним освітленням. Типові проблеми — низька якість знімків, нерівномірне освітлення, динамічні об'єкти (люди, тіні). Ми знаємо, як їх обійти: маскування, HDR-зйомка, синтез недостатніх ракурсів.

Як обрати метод? Instant-NGP vs Nerfacto vs Mip-NeRF 360

Instant-NGP швидший за Nerfacto в 6 разів, але Nerfacto дає кращу деталізацію на indoor сценах. Для outdoor сцен з великим діапазоном глибин Mip-NeRF 360 — вибір номер один. Порівняння методів:

Nerfstudio: сучасний фреймворк

# Встановлення та запуск через nerfstudio
# pip install nerfstudio

from nerfstudio.configs.method_configs import method_configs
from nerfstudio.engine.trainer import TrainerConfig

# Вибір методу
config = method_configs['nerfacto']  # нейронний контекст = хороший баланс

config.pipeline.model.near_plane = 0.1
config.pipeline.model.far_plane = 1000.0
config.max_num_iterations = 30000

# CLI:
# ns-train nerfacto --data /path/to/images
# ns-render --load-config outputs/exp/nerfacto/config.yml \
#            --traj interpolate --output-path render.mp4

Instant-NGP: швидкий NeRF

# instant-ngp навчається за хвилини завдяки hash grid encoding
# Python binding:
import pyngp

testbed = pyngp.Testbed(pyngp.TestbedMode.Nerf)
testbed.load_training_data('transforms.json')  # COLMAP/nerfstudio формат

testbed.nerf.training.near_distance = 0.01
testbed.train(max_iterations=5000)

# Синтез нового ракурсу
testbed.camera_matrix = look_at(eye=[0, 0, 2], target=[0, 0, 0])
frame = testbed.render(width=1920, height=1080, spp=8)

Підготовка даних: COLMAP preprocessing

NeRF потребує точних позицій камер (camera poses). Стандартний шлях — COLMAP SfM:

# З набору фотографій → poses у nerfstudio форматі
ns-process-data images \
  --data ./photos \
  --output-dir ./processed \
  --sfm-tool colmap \
  --matching-method exhaustive

transforms.json — вихідний файл з інтринсиками камери та матрицями трансформації для кожного кадру.

Що робити, якщо сцена містить динамічні об'єкти?

Динамічні об'єкти (люди, машини) — стандартний NeRF не працює з ними. Рішення: маскування динаміки (MaskNeRF) або використання розкладу s-t поля часу (D-NeRF). Для сцен з рухом ми застосовуємо динамічні варіанти NeRF, що дозволяє отримати якісний результат навіть за наявності рухомих елементів.

Процес роботи: від фотографій до готової моделі

1. Аналіз задачі: визначаємо тип сцени, кількість необхідних ракурсів, необхідну роздільну здатність.
2. Збір та попередня обробка даних: проводимо фото-зйомку з каліброваним обладнанням, COLMAP для вилучення camera poses.
3. Навчання моделі: обираємо оптимальний метод (Nerfacto/Instant-NGP/Mip-NeRF) та архітектуру, навчаємо на GPU (A100/RTX4090).
4. Валідація: оцінюємо PSNR, SSIM, LPIPS на тестовому спліті. Досягаємо PSNR > 30 dB.
5. Експорт геометрії: вилучаємо mesh за допомогою Marching Cubes з роздільною здатністю до 2048³, експорт у PLY/OBJ.
6. Постобробка та інтеграція: ретопологія, текстурування, підготовка для VR/AR або web-переглядача.
7. Документація та навчання: передаємо метрики, інструкцію з запуску, навчаємо вашого фахівця (2-3 дні).

Терміни: від 3 тижнів для об'єкта до 8 тижнів для складної сцени. Пишіть — ми оцінимо ваш проект за 1-2 дні.

Що входить в роботу

• Фотограмметрична зйомка (з виїздом або за вашими даними)
• Попередня обробка (COLMAP, маскування)
• Навчання та валідація моделі NeRF
• Експорт mesh у форматах PLY, OBJ, FBX
• Документація з метриками та інструкцією з відтворення
• Навчання вашого фахівця роботі з моделлю
• Підтримка протягом 3 місяців

Обмеження NeRF та їх обхід

Дзеркала та прозорі стекла — погано для NeRF. Допомагає Ref-NeRF, який моделює відбиття окремо. Для міських сцен масштабу кілометра використовуємо Block-NeRF або Mega-NeRF. Всі ці техніки ми адаптуємо під ваш проект.

Експорт 3D геометрії

NeRF зберігає сцену у вагах мережі, але для використання в 3D-редакторах потрібен mesh:

# Вилучення mesh з NeRF через Marching Cubes
from nerfstudio.exporter.exporter_utils import generate_point_cloud
from nerfstudio.exporter.marching_cubes import generate_mesh_with_multires_marching_cubes

mesh = generate_mesh_with_multires_marching_cubes(
    pipeline=trainer.pipeline,
    resolution=2048,
    bounding_box_min=(-2, -2, -2),
    bounding_box_max=(2, 2, 2),
    isosurface_threshold=0.0,
    output_path=Path('output.ply')
)

Чому замовляють NeRF у нас

• 10+ років досвіду в комп'ютерному зорі та нейронних представленнях
• 5 завершених NeRF-проектів (від музейних експонатів до промислових цехів)
• Гарантія якості за метриками (PSNR, LPIPS)
• Власні напрацювання: швидкий Instant-NGP з кастомним hash grid, Mip-NeRF 360 з адаптивним bounding box
• Повний цикл: від виїзної зйомки до постачання готової 3D-моделі під ключ

Зв'яжіться з нами для консультації. Оцінимо ваш проект протягом 1-2 робочих днів.

Згідно з оригінальною статтею Mildenhall et al., NeRF забезпечує безпрецедентну якість синтезу нових ракурсів. Докладніше про технологію — у Wikipedia.

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.