Автоматичний підбір акторів: AI-аналіз зовнішності, голосу та емоцій

Чому AI-кастинг необхідний?

Кінопродакшн середнього бюджету отримує від 3 000 до 8 000 заявок на головні ролі. Кастинг-директор фізично не може переглянути все: третина заявок відсіюється за фото, половина тих, що залишились — за перші 30 секунд відеопроби. Ми розробили AI-систему, яка обробляє весь обсяг за формалізованими критеріями та видає ранжований шортлист за лічені години. Маємо значний досвід у AI/ML для медіаіндустрії, понад 50 реалізованих проєктів. Це знижує витрати на кастинг на 40–60% та прискорює процес у 10 разів.

Що аналізує система

Система аналізує три модальності: фото, відео та голос. Кожен модуль використовує спеціалізовані моделі та видає числові оцінки, які агрегуються в єдиний профіль кандидата.

Відповідність зовнішності ролі — порівняння з візуальним профілем персонажа: віковий діапазон (за фото), тип зовнішності, зріст/комплекція. Використовується face analysis (DeepFace, InsightFace) для оцінки віку та детектор ключових точок тіла (MediaPipe Pose) для пропорцій.

Аналіз відеопроби — facial expression recognition за часовими рядами: як актор тримає емоцію, наскільки природні переходи. Модель на базі VideoMAE (VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training) або TimeSformer, навчена на анотованих відеопробах, видає скор «природність» і «діапазон емоцій».

Голосовий аналіз — темп мовлення, паузи, інтонаційний контур. Моделі: Whisper для транскрипції + prosody analysis через librosa (pitch, energy contour). Зіставлення з голосовим профілем ролі.

Пошук схожих акторів — embedding-пошук по базі через FAISS: «знайти акторів, схожих на [референс]» за обличчям і манерою гри.

Чому face embedding — основа системи?

Головна технічна задача — не знайти найкрасивіших або наймолодших, а знайти відповідних конкретному персонажу. Це означає роботу з embedding-простором облич, а не з raw-метриками. ArcFace або AdaFace генерують 512-вимірний вектор обличчя. Кастинг-директор вказує кілька референсних облич персонажа (арт, сторонні актори), система обчислює центроїд цих ембідінгів та шукає найближчих кандидатів за cosine similarity.

from insightface.app import FaceAnalysis
import faiss
import numpy as np

app = FaceAnalysis(providers=['CUDAExecutionProvider'])
app.prepare(ctx_id=0, det_size=(640, 640))

def get_face_embedding(image_path):
    img = cv2.imread(image_path)
    faces = app.get(img)
    if not faces:
        return None
    return faces[0].embedding  # 512-dim ArcFace embedding

index = faiss.IndexFlatIP(512)  # inner product = cosine для L2-нормалізованих
index.add(normalized_embeddings)  # база кандидатів
D, I = index.search(query_embedding.reshape(1, -1), k=50)

Як відбувається дедуплікація заявок?

Дедуплікація критична при великому потоці заявок — один актор може подати заявку з 4–5 різними фотографіями. Порівняння cosine similarity ембідінгів з порогом 0.72 надійно знаходить одне й те ж обличчя в різних умовах освітлення. Це виключає повторний перегляд і прискорює обробку на 30%.

Як ми інтегруємо AI в існуючий пайплайн?

Процес впровадження включає п'ять етапів:

1. Аудит поточного кастинг-процесу та збір вимог.
2. Збір та розмітка даних (фото, відео, голос) за згодою претендентів.
3. Навчання або донавчання моделей під задачу замовника (fine-tuning на специфічних даних).
4. Інтеграція через REST API або вбудовування в CRM-систему.
5. Тестування на історичних даних (A/B-тест) та деплой у захищеному контурі.

У середньому на етапі 3 вдається підвищити точність відеоаналізу на 15–20% порівняно з попередньо навченою моделлю. На одному з проєктів точність пошуку за ембідінгами перевищила 94%.

Що входить у роботу?

Етика та обмеження

Система не приймає рішення — вона ранжує кандидатів і передає шортлист кастинг-директору. Автоматичне відхилення за захищеними характеристиками (етнічна приналежність, стать) недопустиме та не реалізується. Chemistry між акторами, реакція на режисерські вказівки, поведінка на довгих дублях — це залишається в зоні живого кастингу.

Всі дані обробляються за згодою претендентів, зберігаються в ізольованому контурі з TTL на видалення після завершення кастингу. Гарантуємо конфіденційність та відповідність GDPR.

Терміни та вартість

Базова система (фото-аналіз + embedding-пошук): від 4 до 6 тижнів. Повна платформа з відеоаналізом та голосом: від 10 до 16 тижнів. Вартість розраховується індивідуально після аудиту ваших даних. Зв'яжіться з нами — ми оцінимо ваш проєкт та запропонуємо оптимальне рішення. Отримати консультацію можна, надіславши заявку через форму зворотного зв'язку. Замовте пілотний проєкт, щоб оцінити результат на ваших даних.

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.