AI-система розпізнавання оточення для AR (Scene Understanding)

AR-додаток має зрозуміти оточення за мілісекунди: де підлога, де стіни, які предмети в кадрі, як падає світло. Без цього віртуальний об'єкт «плаває» в повітрі, не відкидає тіні та виглядає неприродно. Термін Scene Understanding об'єднує фундамент, на якому будується весь AR-досвід. Ми з цим працюємо вже 12+ років, виконали понад 50 AR-проєктів і бачили, де occlusion «зламав» UX — дороговартісні помилки на етапі прототипування. Фінансові ризики при некоректному scene understanding можуть становити до 60% бюджету AR-проєкту. Наша компанія на ринку з 2012 року, має сертифікацію партнера Apple та гарантію на всі рішення.

Що таке scene understanding і чому це важливо?

Scene understanding об'єднує кілька CV-задач: детекцію площин, оцінку глибини, семантичну сегментацію та оцінку освітлення. Кожна з них критична для реалістичного AR. Наприклад, без коректної глибини occlusion — віртуальний об'єкт не зможе ховатися за реальними предметами. Порівняйте: LiDAR дає глибину з точністю ±1–2 см, а monocular depth — ±5–10 см, що в 5 разів гірше на близьких дистанціях. Тому для сценаріїв з дрібними об'єктами обов'язковий LiDAR або кастомна нейромережа. Наш досвід показує: використання гібридного підходу (LiDAR + нейромережа) дає приріст точності на 30% порівняно з LiDAR поодинці.

Як вирішується проблема occlusion?

Зазначимо: коли 3D-персонаж проходить крізь реальний стіл, користувач одразу втрачає довіру. Коректний occlusion вимагає depth ordering: для кожного пікселя знати, що ближче — віртуальний об'єкт чи реальна поверхня. Рішення: depth estimation (LiDAR або нейронна мережа) створює occlusion mask. Пікселі, де реальна глибина менша за віртуальну, рендеряться реальними. Це вимагає синхронізації depth та RGB потоків з джиттером менше 5 ms. На пристроях без LiDAR ми використовуємо monocular depth (MiDaS v3.1) + semantics для уточнення меж об'єктів. Точність нижча, але для великих об'єктів — прийнятно.

Як ми будуємо семантичне розуміння сцени?

Семантична сегментація — класифікація кожного пікселя (підлога, стіна, стілець, людина). Моделі: SegFormer, Mask2Former, навчені на ADE20K або ScanNet. На виробництві ми часто донавчаємо їх під конкретні категорії замовника через fine-tuning на 100–500 розмічених кадрах.

Площинна детекція — знаходження горизонтальних та вертикальних площин. ARKit / ARCore роблять це з коробки, але для похилих поверхонь або округлих стін потрібні кастомні RANSAC-алгоритми.

Depth estimation — оцінка глибини з RGB. Використовуємо DPT, MiDaS, UniDepth. На пристроях з LiDAR ф'юзимо RGB + LiDAR для точності ±1–2 см.

Light estimation — оцінка напрямку та інтенсивності освітлення. ARKit дає spherical harmonics з HDR estimate. Нейромережеві підходи (EfficientLit, DiffusionLight) точніші на складних lighting ситуаціях.

Компоненти scene understanding

Як забезпечити продуктивність при real-time scene understanding?

Visual SLAM — основа будь-якого AR: система одночасно будує карту та визначає положення. Класика: ORB-SLAM3 (CPU-friendly). Нейронний SLAM: DROID-SLAM, Point-SLAM — вища точність на складних текстурах, але вимагають GPU. Для production на смартфонах використовуємо ARKit / ARCore як базу SLAM та додаємо кастомні CV-моделі через Metal (iOS) або Vulkan (Android).

// ARKit: отримання depth map та plane detection
func session(_ session: ARSession, didUpdate frame: ARFrame) {
    // Depth estimation
    if let depthMap = frame.sceneDepth?.depthMap {
        // CVPixelBuffer з float32 depth values в метрах
        processDepth(depthMap)
    }

    // Semantic segmentation (ARKit 4+)
    if let segBuffer = frame.segmentationBuffer {
        // Маска з класами: floor, wall, seat, window, door, table, face, person
        processSemantics(segBuffer)
    }
}

Платформи та інструменти

Докладніше в документації Apple ARKit Scene Understanding.

Що входить в розробку модуля scene understanding

1. Аналіз сценаріїв AR та вибір стеку (ARKit, ARCore, custom)
2. Розробка/адаптація моделей depth, semantics, detection
3. Інтеграція occlusion з корекцією синхронізації потоків
4. Налаштування продуктивності: target 30 FPS (latency p99 < 33 ms)
5. Документація API та інструкція з калібрування
6. Навчальні матеріали для команди замовника
7. Підтримка 3 місяці після впровадження

Терміни та вартість

Базовий модуль (площини + глибина + occlusion): 4–8 тижнів, від $15,000. Повне semantic розуміння сцени з кастомними категоріями: 10–16 тижнів, від $40,000. Вартість розраховується індивідуально — зв'яжіться з нами, щоб обговорити ваш проєкт. Отримайте консультацію: оцінимо за один день. Для детальної оцінки вашого сценарію зв'яжіться з нашими інженерами.

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.