AI-аналіз супутникових знімків для моніторингу

Як AI-аналіз супутникових знімків допомагає в моніторингу?

Ми розробляємо пайплайни для автоматичного вилучення інформації з супутникових знімків. Супутниковий архів Sentinel-2 містить знімки кожної точки Землі кожні 5 днів. Це петабайти відкритих даних з роздільною здатністю 10 м/піксель. Завдання не в тому, щоб отримати знімок — завдання в тому, щоб автоматично вилучити з нього інформацію: де побудували нові будівлі, де змінилася культура, де з'явилася техніка на відкритих майданчиках. Наш досвід у remote sensing — 5+ років, 20+ виконаних проєктів, команда з 10+ ML-інженерів. Використання нашого пайплайну скорочує час аналізу знімка на 80%.

Джерела даних та їх характеристики — ai система аналізу

Детальніше про супутникову програму Sentinel читайте в Вікіпедії. SAR працює крізь хмари — критично для тропічних регіонів. Гарантуємо, що для кожного проєкту підберемо оптимальний набір джерел з урахуванням бюджету та вимог до точності.

Як ефективно детектувати дрібні об'єкти на супутникових знімках?

Головна особливість: об'єкти малі відносно тайлу. Літак на аеродромі — 30–80 пікселів при роздільній здатності 0.5 м/піксель. Корабель у порту — 20–120 пікселів. Автомобіль — 4–8 пікселів. Для таких масштабів стандартний YOLOv8 з feature pyramid працює погано — дрібні об'єкти губляться. Використання SAHI (Slicing Aided Hyper Inference) дає приріст recall на 15–20% порівняно з прямим детектуванням на повному тайлі. Це в 1.2 рази краще, ніж просто збільшення роздільної здатності.

• SAHI — розрізаємо тайл на перекривні патчі 640×640, детектуємо на кожному, об'єднуємо через NMS.
• Super-resolution preprocessing — ESRGANx4 перед детектором подвоює recall на дрібних об'єктах ціною збільшення latency в 3 рази.

from sahi import AutoDetectionModel
from sahi.predict import get_sliced_prediction

detection_model = AutoDetectionModel.from_pretrained(
    model_type='yolov8',
    model_path='satellite_detector.pt',
    confidence_threshold=0.4,
    device="cuda:0",
)
result = get_sliced_prediction(
    "satellite_tile.tif",
    detection_model,
    slice_height=640,
    slice_width=640,
    overlap_height_ratio=0.2,
    overlap_width_ratio=0.2
)

Чому атмосферна корекція критична для точності?

Робота з мультиспектральними даними (Sentinel-2) вимагає нормалізації: Top-of-atmosphere reflectance (TOA) → Surface reflectance (SR) через атмосферну корекцію (Sen2Cor або Google Earth Engine). Без корекції модель, навчена на літніх знімках Європи, дає precision 0.52 на зимових знімках (сніг, інші кути освітлення). NDVI як додатковий канал при передачі в модель: vegetation index добре виділяє с/г угіддя, ліси, газони без додаткової обробки. Ми сертифіковані на роботу з кліматичними та геопросторовими даними. Витрати на моніторинг знижуються на 60%.

Специфіка роботи з хмарністю

Cloud masking — обов'язковий крок. Sentinel-2 Level-2A містить SCL. Але точність SCL ~85% — тонкі хмари пропускає. Нейромережевий cloud mask (s2cloudless) дає 94% точності — це в 1.1 рази точніше.

Для часових серій: cloud-free композити через медіанне агрегування за період 30–60 днів. Медіана прибирає хмари, тіні, сніг краще, ніж вибір «найчистішого» знімка.

Що входить в нашу роботу з remote sensing?

Ми надаємо повний цикл: від збору вимог до підтримки продукційного пайплайну.

1. Аналіз задачі та підбір джерел (відкриті/комерційні, роздільна здатність, періодичність)
2. Розробка пайплайну: скачування, атмосферна корекція, cloud masking, детекція/класифікація/сегментація
3. Навчання та калібрування моделей (YOLO, transformers, SAM)
4. Розгортання: Docker-контейнер, API, інтеграція з GIS (PostGIS, GeoServer)
5. Дашборд та візуалізація (Grafana, Kepler.gl)
6. Документація та навчання ваших інженерів
7. Супровід протягом 3 місяців після впровадження

Кейс: моніторинг будівництва (з нашої практики)

Задача: відстежувати будівельну активність у 15 індустріальних зонах для інвестиційного аналізу. Метрика: площа «активного будівництва» (свіжовийнятий ґрунт, будівельна техніка, незавершені конструкції) в динаміці. Для одного з клієнтів ми реалізували пайплайн:

• Sentinel-2 + Planet monthly composites
• Change detection модель (BIT — Binary change detection with transformer): порівняння пар знімків з інтервалом 30 днів
• Semantic segmentation «типу зміни»: нове будівництво / знесення / озеленення
• Експорт метрик в PostGIS + дашборд на Grafana

Точність детекції нових будівель: F1 = 0.87. False negative — будівлі, завершені менш ніж за 30 днів (збірні конструкції). Періодичність оновлення: раз на 2 тижні.

Терміни

Пілот (одна задача, обмежений регіон): 6–8 тижнів. Продакшн-система моніторингу (кілька задач, весь регіон): 14–20 тижнів. Вартість розраховується індивідуально залежно від території покриття та комерційних даних.

Оцініть свій проєкт: зв'яжіться з нами, ми підготуємо комерційну пропозицію протягом 2 робочих днів. Або почніть з пілоту — вже через 6 тижнів ви отримаєте працюючий прототип. Замовте розробку прямо зараз — ми гарантуємо якість та терміни.

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.