Розробка AI-системи для автономного магазину без кас

Як побудувати автономний магазин без кас?

Типовий рітейлер, який вирішив прибрати каси, стикається з трьома основними проблемами: неточний трекінг покупців при перекриттях, висока вартість вагових сенсорів на полицях та необхідність обробки відео в реальному часі на edge-пристроях. Пілот на 20 камерах у магазині 80 м² показав, що без правильної архітектури кількість помилок списання перевищує 10%. Ми розбираємося з цим завданням не перший рік — досвід команди 5+ років у комп'ютерному зорі, за плечима 10+ проектів з бескасових магазинів. Зв'яжіться з нами для оцінки вашої площі та асортименту — впроваджуємо під ключ за 8–12 тижнів. Економія операційних витрат при впровадженні сягає 20–40%.

Сучасний стек включає edge-обробку, розпізнавання без QR та вагових сенсорів. Автономний магазин будується на трьох CV-системах: ідентифікація покупця, трекінг переміщень, детекція взаємодій з товаром. Для edge-обчислень застосовуємо INT8 quantization, що знижує затримку до 50 мс на камеру.

Як ми вирішуємо проблему трекінгу покупців? — розробка ai системи

Трекінг будується на мультикамерній асоціації детекцій. Кожна камера передає bounding box'и з ID, а центральний сервер зводить їх в єдиний трек. Використовуємо BoT-SORT для тимчасового зіставлення та StrongSORT для вирішення конфліктів при перетинах. На практиці це дає точність трекінгу 97% при щільності потоку до 5 осіб на 10 м². Для прискорення застосовуємо TensorRT з INT8 — latency p99 на одній камері не перевищує 30 мс.

Чому детекція взаємодій — найскладніший модуль?

Це центральне технічне завдання. Два підходи:

CV-only — камери над полицями детектують руку + товар, класифікують дію. Проблема: загородження тілом, схожі товари, часткова видимість. Для CV-only використовуємо спеціалізовану модель hand-object interaction detection: YOLOv8 для детекції руки та товару → SlowFast (Feichtenhofer et al.) для класифікації дії (grab/put back) по 16 кадрах. Вихідний код моделі доступний у репозиторії PyTorchVideo.

CV + shelf sensors — камери + IoT-датчики на полицях (вагові або ємнісні). CV визначає хто взяв, датчик — що і скільки. Надійність вища на 15%, але установка дорожча на 20–30%. Вибір залежить від бюджету та допустимої похибки; для магазинів з асортиментом до 500 SKU часто вистачає CV-only.

import torch
from pytorchvideo.models import create_slowfast

model = create_slowfast(
    input_channels=(3, 3),
    model_num_class=3,       # grab / put_back / no_action
    slowfast_alpha=8,
    slowfast_beta_inv=8
)

slow_frames = frames[::8]
fast_frames = frames
logits = model([slow_frames, fast_frames])

Розпізнавання товарів: SKU-level vs категорія

Два рівні: SKU-level recognition (fine-tuned EfficientNet-B5, топ-1 accuracy 0,91 на 500 SKU) та product category (для невпізнаних товарів із середньою ціною по категорії). Проблема постійного оновлення асортименту вирішується нічним пайплайном донавчання: фото з 4–8 ракурсів → augmentation → навчання класифікатора. Для швидкої адаптації використовуємо LoRA.

Що входить у проект?

• Архітектура CV-модулів: детекція, трекінг, розпізнавання.
• Інтеграція з касовим ПЗ через REST API.
• Донавчання моделей під ваш асортимент (пайплайн MLOps на W&B та Kubeflow).
• Установка та калібрування обладнання. Навчання персоналу.
• Технічна підтримка 24/7 після запуску.

Скільки часу займає впровадження?

Вартість розраховується з урахуванням обладнання, зон магазину та асортименту. Гарантуємо точність списання понад 99% після калібрування. Середня окупність — 18–24 місяці за рахунок скорочення персоналу та інвентаризаційних втрат.

Типові помилки на старті: недостатнє покриття камерами (сліпі зони ведуть до помилок трекінгу), ігнорування частоти оновлення асортименту (без автоматичного пайплайну донавчання точність падає) та вибір CV-only на складному плануванні — тут краще комбінувати з сенсорами.

Чому обирають нас?

5+ років досвіду в CV, 10+ реалізованих проектів cashierless. Використовуємо перевірені моделі (SlowFast для дій, EfficientNet для товарів) та стеки MLOps (W&B, Kubeflow). Забезпечуємо стабільну роботу при піковому навантаженні (p99 latency < 100 мс). Отримайте консультацію — оцінимо ваш проект за 1 день. Замовте пілотний запуск за 2 тижні.

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.