AI-ротоскопінг: автоматичне виділення об'єктів на відео

Ручний ротоскопінг 4-хвилинної сцени — це 5 760 кадрів при 24fps. Досвідчений спеціаліст закриває 30–60 кадрів на день, перетворюючи епізод на 3–6 місяців роботи. Ми автоматизуємо цей процес за допомогою ШІ, скорочуючи терміни до тижня. Автоматизація скорочує час у 10–30 разів порівняно з ручним ротоскопінгом. Наш AI-ротоскопінг поєднує SAM 2 для відеосегментації, RVM для video matting, temporal smoothing на основі оптичного потоку та alpha matting для субпіксельної точності. Наприклад, для 10-хвилинного ролика економія складає до 100 000 грн. За час роботи (5 років на ринку) оброблено понад 50 проєктів, включаючи повнометражні фільми та рекламні ролики. Клієнти отримують економію до 500 000 грн на великих проєктах — це до 70% бюджету на ротоскопінгу.

Як працює AI-ротоскопінг?

AI-ротоскопіювання — автоматичне виділення об'єктів на відео (людей, автомобілів, тварин) за допомогою моделей комп'ютерного зору. На відміну від ручного ротоскопінгу, де кожен кадр обводиться вручну, ШІ-моделі сегментують об'єкт і відстежують його рух. Це незамінно для постпродакшну: заміна фону, додавання ефектів, ізоляція об'єкта для compositing. Технологія підходить для будь-яких сцен: від простих (статична камера, чіткий контур) до складних (швидкий рух, розвіяне волосся, натовп). Для оцінки якості використовуємо метрики IoU та MSE між масками, а також perceptual metrics LPIPS.

Технічні деталі

Сучасний підхід — не просто сегментація по кадрах, а трекінг маски в часі з temporal consistency. Ключові інструменти:

SAM 2 (Segment Anything Model 2) від Meta — прямо створений для відеосегментації. Задаєш точку або bounding box на першому кадрі, модель пропагує маску через весь ролик з урахуванням руху. На практиці: точність зберігається на 80–120 кадрах без додаткових промптів, далі потрібна корекція. Memory module всередині SAM 2 тримає контекст попередніх кадрів. SAM 2 у 10 разів швидше за ручну сегментацію.

import torch
from sam2.build_sam import build_sam2_video_predictor

predictor = build_sam2_video_predictor(
    "sam2_hiera_large.yaml",
    "sam2_hiera_large.pt",
    device="cuda"
)

with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16):
    state = predictor.init_state(video_path="scene_001.mp4")
    # Задаємо точку на акторі в кадрі 0
    _, _, masks = predictor.add_new_points_or_box(
        state, frame_idx=0, obj_id=1,
        points=[[540, 380]], labels=[1]
    )
    # Пропагація маски по всьому відео
    for frame_idx, obj_ids, masks in predictor.propagate_in_video(state):
        save_mask(frame_idx, masks)

RVM (Robust Video Matting) — спеціалізований на відділенні людини від фону, працює в реальному часі (30fps на RTX 3080). Кращий за SAM 2 для сцен з розвіяним волоссям і напівпрозорими елементами.

Як усунути мерехтіння маски?

Відзначимо: коли сегментуєш кадр за кадром незалежно, маска «мерехтить» — краї стрибають на 2–5 пікселів між кадрами. У готовому compositing це виглядає як тремтячий контур. Рішення — temporal smoothing:

1. Optical flow консистентність: застосовуємо RAFT або FlowFormer для обчислення оптичного потоку між кадрами, маску з кадру N варпимо в кадр N+1 і усереднюємо з передбаченням моделі.
2. Post-processing з morphological operations: невеликий erode/dilate по масці прибирає шум, gaussian blur на краях робить перехід плавним.
3. Alpha матування: замість бінарної маски (0/1) використовуємо soft alpha (0..1) на краях — через GuidedFilter або Deep Image Matting.

На практиці: SAM 2 без temporal smoothing дає edge flickering на швидкому русі. Після застосування RAFT + alpha refinement через ViTMatte — переміщення країв маски між кадрами < 1.2 px (субпіксельна стабільність).

Чи потрібен Temporal Smoothing для стабілізації маски?

Temporal smoothing — це не просто фільтр, а комплекс технік, що забезпечують часову узгодженість маски. Оптичний потік (RAFT) дозволяє «переносити» маску з кадру на кадр, а alpha matting (ViTMatte) додає субпіксельну точність на краях. У результаті — стабільна маска навіть на складних сценах зі швидким рухом. Гарантія точності на рівні субпікселя.

Процес роботи в продакшні

1. Первинна автоматична сегментація SAM 2 / RVM — весь ролик.
2. QA: автоматичний детектор flickering (variance маски в ковзному вікні 5 кадрів > threshold).
3. Ручна корекція лише проблемних ділянок — через Silhouette, Mocha Pro або After Effects Roto Brush.
4. Alpha refinement через ViTMatte для волосся та напівпрозорих тканин.
5. Експорт EXR-послідовності з alpha-каналом.

Співвідношення ручної роботи до автоматики: проста сцена — 90/10, складна — 60/40. Економія бюджету на повнометражному фільмі може сягати 500 000 грн.

Зв'яжіться з нами для точної оцінки вашого проєкту. Ми підберемо оптимальний pipeline і порахуємо вартість індивідуально.

Що входить в роботу

• Первинна автоматична сегментація з використанням обраної моделі (SAM 2, RVM).
• QA та детекція flickering з наданням звіту.
• Ручна корекція проблемних кадрів (до 10% від загального обсягу) — безкоштовно.
• Alpha refinement для волосся, диму, напівпрозорих об'єктів.
• Експорт у необхідному форматі (EXR, PNG, MOV з альфа-каналом).
• Навчання вашої команди роботі з отриманими масками (за запитом).

Терміни орієнтовні, точна оцінка — після аналізу вихідного матеріалу. Вартість розраховується індивідуально залежно від складності сцен і необхідної якості. Замовте тестову обробку 1-хвилинного ролика, щоб переконатися в якості. Отримайте консультацію по вашому проєкту — ми допоможемо обрати оптимальний підхід.

Посилання: RVM

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.