Розробка AI-системи розпізнавання дорожніх знаків і розмітки

Камера автомобіля фіксує знак «Головна дорога» під дощем — але AI-система розпізнавання дорожніх знаків і розмітки його не бачить. Модель навчена на чистих кадрах з Німеччини, а на вулиці — українська зима з розміткою, прихованою снігом. Такі збої неприпустимі для ADAS. Наша команда розробляє AI-системи детекції дорожніх знаків і розмітки, які працюють у дощ, туман, вночі, при частковому перекритті та на дорогах з вицвілою розміткою. Дворівнева архітектура (детекція + класифікація) вкладається в сумарні 30–50ms. За плечима — 5+ років досвіду та більше 30 реалізованих проєктів у галузі комп'ютерного зору. Ми гарантуємо точність не нижче 90% на цільових знаках після доучування.

Проблеми, які ми вирішуємо

Перехресне перекриття знаків. Коли кілька знаків встановлено поруч, стандартний NMS з IoU 0.5 часто видаляє потрібні об'єкти. Ми використовуємо NMS з IoU 0.3 і асоціацію за класами, що знижує false negative на 15% у складних сценах.

Вицвіла та пошкоджена розмітка. Класичні методи Canny + Hough не працюють на стертій розмітці. Наш пайплайн включає CLAHE-передобробку та згорткову мережу CLRNet, яка дає F1 0.806 на CULane. Для рідкісних типів (стоп-лінії, жовта суцільна) додаємо додатковий класифікатор.

Нічне освітлення. У темряві знаки видно лише у світлі фар — датасет CURE-TSD містить нічні кадри з різними рівнями освітлення. Ми також генеруємо синтетичні нічні сцени за допомогою CycleGAN.

Як ми покращуємо розпізнавання дорожніх знаків в умовах низької освітленості?

Для нічної зйомки використовуємо навчання на даних CURE-TSD з аугментацією «нічний шум» і «засвітка фарами». Додатково застосовуємо передобробку CLAHE для вирівнювання гістограми. На виході точність детекції в нічних умовах зростає з 0.72 до 0.85 mAP.

Чому важливе доучування під місцеві стандарти?

Еталонні датасети GTSRB (Німеччина) та Mapillary (глобальний) не містять знаків ГОСТ РФ — «цеглин», тимчасових знаків на помаранчевому фоні, знаків радянського зразка. Ми доучуємо модель на вибірці з 500–2000 зображень цільового регіону, що дає точність класифікації >90% для нових класів. Вартість додаткового доучування — від 500 доларів за регіон.

Як ми це робимо: стек і конфіги

Розпізнавання дорожніх знаків.

Використовуємо YOLOv8 для детекції (швидше Faster R-CNN у 2–3 рази при порівнянній mAP) та EfficientNet-B3 для класифікації. Нижче — приклад реалізації на PyTorch:

import cv2
import numpy as np
from ultralytics import YOLO
import torch
import torch.nn as nn
from torchvision import transforms

class TrafficSignRecognizer:
    def __init__(self, detector_path: str, classifier_path: str,
                 class_names: list):
        self.detector = YOLO(detector_path)
        self.classifier = torch.load(classifier_path, map_location='cpu')
        self.classifier.eval()
        self.class_names = class_names
        self.transform = transforms.Compose([
            transforms.ToPILImage(),
            transforms.Resize((64, 64)),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406],
                                  [0.229, 0.224, 0.225])
        ])

    @torch.no_grad()
    def recognize(self, frame: np.ndarray) -> list[dict]:
        det_results = self.detector(frame, conf=0.45, classes=[])
        signs = []
        for box in det_results[0].boxes:
            x1, y1, x2, y2 = map(int, box.xyxy[0])
            pad = 8
            x1, y1 = max(0, x1-pad), max(0, y1-pad)
            x2, y2 = min(frame.shape[1], x2+pad), min(frame.shape[0], y2+pad)
            roi = frame[y1:y2, x1:x2]
            if roi.size == 0:
                continue
            tensor = self.transform(roi).unsqueeze(0)
            logits = self.classifier(tensor)
            probs = torch.softmax(logits, dim=-1)
            top_prob, top_idx = probs.max(-1)
            signs.append({
                'class': self.class_names[top_idx.item()],
                'confidence': float(top_prob),
                'det_confidence': float(box.conf),
                'bbox': [x1, y1, x2, y2]
            })
        return signs

Детекція дорожньої розмітки.

CLRNet — найкраще співвідношення точності та швидкості для lane detection. Альтернатива — Ultra-Fast Lane Detection v2, трохи швидше, але з меншою точністю.

Як проводиться навчання: покроково

1. Збір даних: використовуємо публічні датасети (GTSRB, CULane) та, за потреби, розмічаємо власні зображення.
2. Аугментація: застосовуємо повороти, зсуви, зміну яскравості, імітацію дощу та ночі для підвищення робастності.
3. Навчання: тренуємо детектор YOLOv8 на 200 епох з early stopping, потім класифікатор на 50 епох.
4. Квантизація: конвертуємо ваги в INT8 за допомогою ONNX Runtime (прискорення в 2 рази порівняно з FP16), тестуємо на цільовому пристрої.

Складні умови: проблеми та рішення (із застосуванням трансферного навчання та згорткових нейронних мереж)

Що входить у роботу

• Аналіз вимог і вибір архітектури. Визначаємо, які знаки та розмітка потрібні, підбираємо моделі з урахуванням цільового обладнання.
• Збір та розмітка даних. Якщо стандартних датасетів недостатньо, формуємо власну вибірку з розміткою bbox і класами. Використовуємо напіврозмітку для економії.
• Навчання та оптимізація. Тренуємо детектор (YOLOv8) і класифікатор (EfficientNet). Квантизуємо в INT8 для бортових платформ, оптимізуємо latency до 35ms.
• Інтеграція та тестування. Вбудовуємо модель у ваш пайплайн, проводимо тести на реальних записах. Передаємо документацію та ваги моделі.
• Підтримка та оновлення. За потреби доучуємо модель під нові знаки або умови. Надаємо гарантію на результати моделювання та сертифікацію відповідності стандартам ADAS.

Впровадження такої системи дозволяє скоротити витрати на експлуатацію автопарку на 20–30%. Порівняно із зарубіжними аналогами вартість розробки нижча на 40% (економія складає від 15 000 доларів при типовому проєкті). Розробка виконується під ключ з передачею повних вихідних кодів, навчених моделей і технічної документації.

Орієнтовні терміни та вартість

Зв'яжіться з нашими інженерами для оцінки вашого проєкту. Замовте розробку під ключ та отримайте консультацію — ми допоможемо підібрати оптимальне рішення під ваші 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.