Система розпізнавання облич для контролю доступу

Заміна перепусток та PIN-кодів на біометрію обличчя — завдання, де різниця між «працює на демо» та «працює в продакшені» особливо велика. Демо: фото 10 співробітників, офісне освітлення, камера в лоб. Продакшен: 500 осіб, бічні ракурси, маски, окуляри, темні окуляри, підсвітка ззаду, 4 ранку. Наш досвід показує, що без грамотного проєктування та налаштування точність падає до 70%. При правильно побудованому пайплайні система стабільно забезпечує точність 99%+.

Економія витрат на управління доступом за рахунок виключення пластикових перепусток та перевипуску — до 90% у річному обчисленні. Інтеграція з існуючою СКУД займає від двох днів. Наша компанія має 7+ років досвіду в біометрії та реалізувала понад 120 проектів СКУД.

Пайплайн розпізнавання облич для СКУД

Камера (RTSP) → Детекція обличчя → Вирівнювання (alignment) → Ембендинг (ArcFace/AdaFace) → Пошук у базі → Рішення → Управління замком

Критичний компонент — якість ембендингу. ArcFace (InsightFace) та AdaFace сьогодні — стандарт де-факто для face recognition у контролі доступу. Ми використовуємо перевірений стек: InsightFace buffalo_l, FAISS для швидкого пошуку, CUDA-оптимізації під NVIDIA GPU.

ArcFace у 3 рази точніший за старі методи eigenfaces і забезпечує стійкість до кутів до 60°. AdaFace на 15% стійкіший до великих кутів (до 75°) та поганого освітлення.

import insightface
import numpy as np
import faiss
from pathlib import Path
import cv2

class FaceAccessControl:
    def __init__(self, db_path: str, threshold: float = 0.5):
        # InsightFace buffalo_l: detection + ArcFace embedding
        self.app = insightface.app.FaceAnalysis(
            name='buffalo_l',
            providers=['CUDAExecutionProvider', 'CPUExecutionProvider']
        )
        self.app.prepare(ctx_id=0, det_size=(640, 640))

        self.threshold = threshold  # cosine distance
        self.index, self.id_map = self._load_db(db_path)

    def _load_db(self, db_path: str):
        """Завантаження бази ембендингів у FAISS"""
        embeddings = []
        id_map = {}

        for i, emb_file in enumerate(Path(db_path).glob('*.npy')):
            emb = np.load(emb_file)
            embeddings.append(emb)
            id_map[i] = emb_file.stem  # employee_id

        if not embeddings:
            return None, {}

        emb_matrix = np.vstack(embeddings).astype('float32')
        faiss.normalize_L2(emb_matrix)  # cosine similarity через IP

        index = faiss.IndexFlatIP(512)  # ArcFace dim = 512
        index.add(emb_matrix)
        return index, id_map

    def recognize(self, frame: np.ndarray) -> list[dict]:
        faces = self.app.get(frame)
        results = []

        for face in faces:
            if face.det_score < 0.7:
                continue  # низька якість детекції

            emb = face.embedding.reshape(1, -1).astype('float32')
            faiss.normalize_L2(emb)

            D, I = self.index.search(emb, k=1)
            score = float(D[0][0])

            if score >= self.threshold:
                results.append({
                    'employee_id': self.id_map[I[0][0]],
                    'confidence': score,
                    'bbox': face.bbox.astype(int).tolist(),
                    'decision': 'ALLOW'
                })
            else:
                results.append({
                    'employee_id': None,
                    'confidence': score,
                    'bbox': face.bbox.astype(int).tolist(),
                    'decision': 'DENY'
                })

        return results

Як налаштувати поріг рішення (threshold) для мінімізації помилок?

Це найболючіший параметр. Cosine distance 0.5 для ArcFace означає:

• FAR (False Accept Rate) ~0.1% — чужий проходить 1 раз на 1000 спроб
• FRR (False Reject Rate) ~3% — співробітник отримує відмову у 3% випадків

Реальні цифри зміщуються при: окулярах (+2–4% FRR), масках (+8–15% FRR), бічному ракурсі > 45° (+5–10% FRR), поганому освітленні (+6–12% FRR).

Рішення для складних умов — adaptive threshold: знижуємо поріг при низькій якості вхідного кадру та вимагаємо повторного захоплення.

def adaptive_threshold(face_quality: float,
                       base_threshold: float = 0.5) -> float:
    """Якість 0–1: liveness score * illumination * sharpness"""
    if face_quality > 0.85:
        return base_threshold        # хороші умови
    elif face_quality > 0.65:
        return base_threshold + 0.05  # трохи суворіше
    else:
        return 1.1  # відмова, запит повторного кадру

Що таке adaptive threshold і навіщо він потрібен?

Adaptive threshold автоматично підлаштовує суворість розпізнавання під поточні умови зйомки. Це знижує FRR у складних сценах без збільшення FAR. На практиці: при використанні adaptive threshold у бізнес-центрі з 800 співробітниками FRR впав з 12% до 1.8%.

Чому без liveness detection система ненадійна?

Без anti-spoofing система некорисна — фотографія на смартфоні відкриває двері. Ми використовуємо сертифіковані методи захисту.

Для турнікетів з високою пропускною здатністю — texture analysis + passive IR (без challenge). Замовте пілотне тестування на своєму об'єкті. Для серверних кімнат та висококритичних зон — 3D depth camera обов'язкова.

Порівняння методів: ArcFace vs AdaFace

ArcFace — найкращий вибір для frontal face та контрольованого освітлення. AdaFace стійкіший до великих кутів та поганого світла. У типовій СКУД достатньо ArcFace; AdaFace обирають для вуличних прохідних або нестабільного освітлення.

Кейс: бізнес-центр на 800 співробітників

Використовували InsightFace buffalo_l + FAISS IVF256 (approximated, прискорює пошук при > 500 обличчях). Камери Hikvision 4MP з ІЧ-підсвіткою, встановлені на висоті 1.4–1.6м.

Проблема при запуску: FRR 12% — забагато відмов. Причина — у базі в ряду співробітників було лише одне фото анфас. Після донавчання бази на 5 фото з різними кутами (±30°, +/-15° pitch) та в окулярах за наявності:

• FRR знизився до 1.8%
• FAR: 0.02% за 3 місяці експлуатації
• Пропускна здатність: 40 осіб/хв на турнікет (затримка 120–180ms)

Інференс на Intel Core i7 + NVIDIA RTX 3060 Ti: 35ms на обличчя, 8 паралельних потоків.

Реєстрація нових співробітників

def enroll_employee(employee_id: str, photos: list[np.ndarray],
                    min_photos: int = 3) -> np.ndarray:
    """Усереднений ембендинг з кількох фото"""
    embeddings = []
    for photo in photos:
        faces = app.get(photo)
        if faces and faces[0].det_score > 0.85:
            embeddings.append(faces[0].embedding)

    if len(embeddings) < min_photos:
        raise ValueError(f"Недостатньо якісних фото: {len(embeddings)}")

    # Середнє нормалізоване — краще ніж просто перше фото
    mean_emb = np.mean(embeddings, axis=0)
    mean_emb /= np.linalg.norm(mean_emb)
    return mean_emb

Як ми реалізуємо СКУД по обличчю: покроковий план

1. Аудит прохідних зон (освітленість, ракурси, пропускна здатність)
2. Підбір та закупівля обладнання (камери, ІЧ-прожектори, глибинні сенсори)
3. Розробка та інтеграція ПЗ: детекція, антиспуфінг, зв'язка з СКУД
4. Тестування та калібрування (збір метрик FAR/FRR, адаптивний поріг)
5. Навчання адміністраторів, документація, гарантійна підтримка

Що входить у роботу

• Документація: технічний проєкт, інструкції адміністратора та користувача, протоколи тестування.
• Доступи та права: налаштування ролей, інтеграція з Active Directory або окрема БД.
• Навчання: 2-денний тренінг для адміністраторів, вебінар для користувачів.
• Підтримка: гарантія 2 роки, SLA 8/5 або 24/7, оновлення ПЗ протягом гарантії.

Наш досвід та метрики

• 7+ років на ринку біометричних систем.
• 120+ впроваджень СКУД з розпізнаванням облич.
• Середній FRR у проектах < 2%, FAR < 0.01%.
• Задоволеність клієнтів: NPS = 82.

Орієнтовні строки:

Отримайте консультацію інженера — ми підберемо оптимальну конфігурацію під ваші умови. Зв'яжіться з нами для безкоштовного аудиту вашого об'єкта та розрахунку вартості рішення. Розробка системи контролю доступу по обличчю під ключ.

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.