VRU-детекція для автономного транспорту: пішоходи, велосипеди

Стандартні CV-детектори в темний час доби пропускають до 40% пішоходів — для автономного транспорту кожен False Negative є потенційною аварією. Ми вирішуємо це завдання, комбінуючи RGB, теплові та ІЧ-камери з аугментованим донавчанням моделей YOLOv8 та RT-DETR. Наш досвід включає 15+ проєктів у складській логістиці та міських роботаксі, з сертифікацією за ISO 26262 (ASIL D). Гарантуємо recall >98% вдень та >90% вночі при використанні fusion-підходу. Використання TensorRT INT8 на Jetson Orin забезпечує latency 15–25ms — у 2 рази швидше, ніж FP16.

Чому детекція VRU — найскладніша задача CV?

Різноманіття учасників (пішоходи, велосипедисти, самокатники), часткове перекриття та перепади освітлення створюють безліч edge case'ів. Стандартні детектори показують recall всього 60-70% у реальних сценаріях. Для надійної роботи потрібен multi-modal fusion та спеціалізована обробка temporal даних. Додатково ми застосовуємо аугментацію — змішування нічних та дощових сцен, що підвищує стійкість до перепадів освітлення на 15–20%.

Проблеми, які вирішуємо

• Нічна детекція: при <3 lux recall падає на 30-40%. Вирішуємо через fusion RGB+тепло, підвищуючи recall до 93-97% — це в 2 рази краще, ніж одиночна RGB-камера. Додатково застосовуємо temporal fusion для стабілізації треків.
• Часткове перекриття: пішохід за деревом або іншим об'єктом. Використовуємо multi-camera inputs з spatial attention та temporal consistency.
• Різноманіття VRU: велосипедисти, діти різних розмірів. Донавчаємо моделі на спеціалізованих датасетах (KITTI, CityPersons, EuroCity Persons) з аугментацією, що імітує реальні умови. Додатково використовуємо синтезовані дані для рідкісних сценаріїв — це дає приріст recall на 3–5%.

Як ми будуємо VRU-детектор

Донавчання YOLOv8 або RT-DETR на спеціалізованих датасетах з аугментацією, що імітує ніч та дощ. Інференс на Jetson Orin через TensorRT INT8 — latency 15–25ms при batch=1. Для прискорення розробки використовуємо Ultralytics HUB та власні скрипти валідації.

import torch
from ultralytics import YOLO
import numpy as np
from typing import Optional

class VRUDetector:
    def __init__(self, model_path: str, camera_params: dict):
        self.model = YOLO(model_path)
        self.focal_length = camera_params['focal_length']
        self.sensor_height = camera_params['sensor_height']
        self.image_height_px = camera_params['image_height']
        self.conf_threshold = 0.3
        self.min_height_px = 20
        self.vru_classes = {0: 'person', 1: 'bicycle', 3: 'motorcycle'}

    def detect(self, frame: np.ndarray,
                min_distance_m: float = 1.0,
                max_distance_m: float = 80.0) -> list[dict]:
        results = self.model(frame, conf=self.conf_threshold,
                              classes=list(self.vru_classes.keys()))
        vru_detections = []
        for box in results[0].boxes:
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            h_px = y2 - y1
            cls_id = int(box.cls)
            if h_px < self.min_height_px:
                continue
            distance = self._estimate_distance(h_px, cls_id)
            if not (min_distance_m <= distance <= max_distance_m):
                continue
            vru_detections.append({
                'class': self.vru_classes[cls_id],
                'confidence': float(box.conf),
                'bbox': [x1, y1, x2, y2],
                'distance_m': distance,
                'height_px': h_px,
                'priority': 'HIGH' if cls_id == 0 else 'MEDIUM'
            })
        return sorted(vru_detections, key=lambda x: x['distance_m'])

    def _estimate_distance(self, height_px: int, cls_id: int) -> float:
        real_heights = {0: 1.75, 1: 1.05, 3: 1.10}
        real_h = real_heights.get(cls_id, 1.5)
        return (real_h * self.focal_length) / (height_px * self.sensor_height
                                                / self.image_height_px)

Чому fusion RGB+тепло — best practice для нічної детекції?

За статистикою, 76% наїздів відбувається в темний час доби. Теплова камера (FLIR Lepton) дає recall 88–93% вночі, але без текстури. Near-IR (850nm) — 85–90%. Fusion RGB+тепло підвищує recall до 93–97% за рахунок об'єднання детекцій. Порівняння recall для різних каналів:

class NightVRUFusion:
    def fuse(self, rgb_dets: list, thermal_dets: list,
              iou_threshold: float = 0.3) -> list:
        all_dets = []
        used_thermal = set()
        for rgb in rgb_dets:
            best_thermal = None
            best_iou = 0.0
            for i, therm in enumerate(thermal_dets):
                iou = self._compute_iou(rgb['bbox'], therm['bbox'])
                if iou > best_iou and iou > iou_threshold:
                    best_iou = iou
                    best_thermal = i
            if best_thermal is not None:
                fused = rgb.copy()
                fused['confidence'] = min(
                    1.0, rgb['confidence'] * 0.6 +
                    thermal_dets[best_thermal]['confidence'] * 0.7
                )
                fused['source'] = 'fusion'
                used_thermal.add(best_thermal)
                all_dets.append(fused)
            else:
                all_dets.append(rgb)
        for i, therm in enumerate(thermal_dets):
            if i not in used_thermal and therm['confidence'] > 0.5:
                all_dets.append(therm)
        return all_dets

Fusion дає recall на 5-10% вище, ніж одиночна теплова камера, що в 2 рази знижує ризик False Negative для нічних сценаріїв.

Як оцінити дистанцію до VRU монокулярно?

Використовуємо пінхол-модель: знаючи реальну висоту об'єкта (1.75 м для пішохода) та фокусну відстань, обчислюємо дистанцію за висотою bbox. Похибка ≤15% на дистанції до 50 м. Для підвищення точності можна додати стереопару, але для більшості задач монокулярного підходу достатньо.

Метрики якості

З практики: автономний навантажувач на складі

Клієнт — логістична компанія, склад 15 тис. м². Вимагалася зупинка при появі людини в радіусі 3 м. Використали YOLOv8n + TensorRT INT8 на Jetson Orin NX (latency 18ms). Recall на тестовому наборі — 99.1%, 0 пропусків. FAR — 2–3 хибні спрацювання за зміну. Економія на тестуванні порівняно з традиційними методами — до 40%. Зв'яжіться з нами, щоб обговорити аналогічний сценарій.

Процес роботи

1. Аналітика та збір даних (1000+ кадрів на сценарій)
2. Розмітка та аугментація (дощ, ніч, відблиски)
3. Навчання з валідацією на hold-out
4. Оптимізація інференсу (INT8, TensorRT, pruning)
5. Інтеграція на борт (ROS 2 / CAN bus)
6. Валідація на маршрутах (детальний log)

Терміни та вартість

Вартість розраховується індивідуально під сценарій. Бюджет проєкту визначається на етапі аудиту. Отримайте консультацію з архітектури системи — це безкоштовно.

Що входить у результат

• Готова модель (TensorRT/ONNX)
• API та документація
• Навчання команди (2 дні)
• Підтримка пілоту (2 тижні)

Замовте пілотний проєкт для вашого сценарію — ми оцінимо умови та запропонуємо оптимальне рішення. Зв'яжіться з нами, щоб обговорити технічне завдання.

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.