AI-система трекінгу покупців у магазині

У ретейлі ви не знаєте, скільки покупців пройшли повз промостенд. Камера на вході рахує людей, але не розповість, що відбувається в глибині залу. Анонімний трекінг на основі комп'ютерного зору закриває цю сліпу зону. Ми впроваджуємо такі системи понад 5 років і реалізували проєкти для 15+ магазинів: без трекінгу ви втрачаєте до 30% потенційних продажів. В одному проєкті клієнт заощадив 1,2 млн руб. за рік на оптимізації розташування товарів. Порівняння: ByteTrack дає HOTA 63.1, що на 12% вище, ніж у DeepSort (55.2).

Як працює анонімний трекінг без ідентифікації?

Трекінг ≠ ідентифікація особи — ми відстежуємо анонімний трек «людина A» без прив'язки до особи. Це юридично чистіше (GDPR, закон про персональні дані) і технічно простіше.

Стек: детекція людей (YOLOv8m) → multi-object tracking (ByteTrack або BoT-SORT) → перезапуск треків при переході між зонами камер (cross-camera re-identification по appearance без зберігання біометрії). ByteTrack — поточний стандарт для high-density сцен (магазин у годину-пік): використовує confidence-based association, не втрачає треки при коротких оклюзіях. Для ретейлу найважливіший IDF1 — стійкість ID через час.

Які метрики можна отримати?

Координатне відображення: пікселі → реальні координати

Камера дивиться під кутом, перспективно спотворюючи простір. Для побудови реальних траєкторій потрібна гомографія: матриця 3×3, яка проєктує піксельні координати на план підлоги.

Calibration: вибрати 4+ опорних точки з відомими координатами (кути плиток, маркери на підлозі), обчислити матрицю через cv2.findHomography. Після трансформації — кожен трек описується в реальних координатах (метри від входу).

Для overhead камер гомографія проста (майже affine). Для бокових камер — перспективна дисторція значна, потрібне більш акуратне калібрування або fisheye-undistortion.

import cv2
import numpy as np
# точки на підлозі (метри) та відповідні піксельні координати
pts_floor = np.array([[0,0],[2,0],[2,3],[0,3]], dtype=np.float32)
pts_pixel = np.array([[150,200],[400,210],[380,450],[140,460]], dtype=np.float32)
H, _ = cv2.findHomography(pts_pixel, pts_floor)
# H — матриця 3x3 для перетворення

Зонова аналітика

Зони задаються в редакторі (полігони на плані підлоги). Система в реальному часі рахує:

• Dwell time по зонах: скільки секунд у середньому покупець проводить біля стелажа з молоком
• Conversion rate зони: відсоток покупців, які зайшли в зону і здійснили покупку в ній
• Traffic flow: теплові карти та діаграми потоків (sankey-діаграма маршрутів)
• Bottlenecks: зони з уповільненням руху (черга до каси, вузький прохід)

Кейс з практики

Мережа продуктових магазинів 12 точок, кожна 300–500 м². Після аналізу траєкторій за 30 днів з'ясували, що 68% покупців ніколи не заходили в праве крило магазину, де розміщувався відділ з дитячими товарами. Причина — поганий навігаційний знак при вході. Після перестановки навігації трафік у відділ зріс на 41%. Економія від перепланування склала 3,5 млн руб./рік.

Як влаштована інфраструктура?

Два варіанти деплою:

Dashboard: Grafana або кастомний React SPA з Leaflet для відображення план-схеми магазину з тепловими картами в реальному часі. API для інтеграції з BI-інструментами клієнта.

Що входить у результат

Ви отримуєте працюючу систему трекінгу з документацією щодо розмітки зон і калібрування камер, доступ до дашборду та API, навчання персоналу, технічну підтримку на 3 місяці та гарантію конфіденційності (без зберігання біометрії).

Процес впровадження

1. Аудит магазину — розмітка зон, вибір кутів камер
2. Встановлення та калібрування обладнання
3. Налаштування моделей YOLOv8 + ByteTrack під геометрію залу
4. Інтеграція з BI-системою клієнта
5. Тестування та навчання персоналу

Строки: для 1 магазину — 5–8 тижнів, для мережі з централізованим управлінням — 3–5 місяців.

Ми реалізували проєкти для 15+ магазинів, включаючи мережі з 12 точками. Наша експертиза підтверджена сертифікатами NVIDIA та 5+ роками практичного досвіду. Зв'яжіться з нами для розрахунку вартості та консультації. Замовте пілотне впровадження на одному магазині та отримайте реальні цифри за своїм асортиментом. Дізнайтеся, як трекінг покупців у магазині може збільшити ваш прибуток.

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.