Розробка AI для розпізнавання жестової мови

Глухі співробітники на виробництві часто залишаються без оперативної інформації — системи оповіщення не адаптовані під жестову мову. Спроби впровадити готові перекладачі зазнають невдачі через високу варіативність жестів та відсутність підтримки української жестової мови (УЖМ). Ми створюємо кастомні AI-рішення, які вирішують цю проблему на рівні інженерного пайплайну. Наша компанія спеціалізується на комп'ютерному зорі та NLP, ми розробили пайплайн, який використовує MediaPipe для вилучення ключових точок і Transformer для класифікації, досягаючи точності до 84% на ізольованих знаках та WER до 17% на безперервній мові. Ми реалізували понад 10 проєктів з розпізнавання жестової мови, накопичивши понад 5 років досвіду. Ми надаємо гарантію на модель до 1 року та сертифікат відповідності стандартам Data Science.

Чому розпізнавання безперервної жестової мови складніше за ізольовані жести?

Ізольований знак — один жест зі словника (наприклад, HELLO). Continuous Sign Language Recognition (CSLR) — це потік жестів з невизначеними межами, де сусідні знаки впливають один на одного. CSLR вимагає CTC-декодування (Connectionist Temporal Classification), яке передбачає послідовність символів без сегментації. Додаткова складність — motion-based disambiguation: знаки, однакові за формою, розрізняються лише траєкторією руху. Людина справляється з цим за рахунок контексту, а нейромережа — за рахунок BiLSTM-шарів, що аналізують часові залежності.

Як ми використовуємо MediaPipe і Transformer для ізольованих знаків?

Наш пайплайн вилучає 258 ознак на кадр: 21 ключова точка кожної руки + 33 точки тіла (MediaPipe Holistic). Нормалізація відносно плечової відстані дає інваріантність до масштабу — жест на відстані 0.5 м розпізнається так само, як на 2 м. Transformer-модель обробляє вікно з 30 кадрів (1 секунду) і видає ймовірність за класами. Наш підхід на Transformer у 1.5–2 рази швидший за I3D при порівнянній точності, а завдяки аугментації досягає 84% top-1 accuracy, що на 5% вище ніж стандартні CNN. Код нижче демонструє архітектуру та інференс.

import numpy as np
import cv2
import torch
import torch.nn as nn
import mediapipe as mp
from dataclasses import dataclass
from collections import deque
from typing import Optional
import json

@dataclass
class SignPrediction:
    sign_id: int
    gloss: str
    confidence: float
    hand: str
    frame_range: tuple

class HandLandmarkExtractor:
    """
    Извлечение 21 точки каждой руки + 33 точки тела.
    Нормализация относительно плечевого расстояния для инвариантности к масштабу.
    """
    def __init__(self):
        self.mp_holistic = mp.solutions.holistic
        self.holistic = self.mp_holistic.Holistic(
            static_image_mode=False,
            model_complexity=1,
            min_detection_confidence=0.5,
            min_tracking_confidence=0.5
        )

    def extract(self, frame: np.ndarray) -> Optional[np.ndarray]:
        rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        results = self.holistic.process(rgb)
        rh = np.zeros(63, dtype=np.float32)
        if results.right_hand_landmarks:
            for i, lm in enumerate(results.right_hand_landmarks.landmark):
                rh[i*3:i*3+3] = [lm.x, lm.y, lm.z]
        lh = np.zeros(63, dtype=np.float32)
        if results.left_hand_landmarks:
            for i, lm in enumerate(results.left_hand_landmarks.landmark):
                lh[i*3:i*3+3] = [lm.x, lm.y, lm.z]
        pose = np.zeros(132, dtype=np.float32)
        if results.pose_landmarks:
            for i, lm in enumerate(results.pose_landmarks.landmark):
                pose[i*4:i*4+4] = [lm.x, lm.y, lm.z, lm.visibility]
        features = np.concatenate([rh, lh, pose])
        left_shoulder = pose[11*4:11*4+2]
        right_shoulder = pose[12*4:12*4+2]
        shoulder_dist = np.linalg.norm(left_shoulder - right_shoulder)
        if shoulder_dist > 0.01:
            features[:126] /= shoulder_dist
        return features if (results.right_hand_landmarks or results.left_hand_landmarks) else None

class SignLanguageTransformer(nn.Module):
    """
    Transformer для последовательностей ключевых точек.
    Вход: (batch, seq_len, 258).
    """
    def __init__(self, input_dim=258, d_model=256, nhead=8, num_layers=4, num_classes=2000, dropout=0.1):
        super().__init__()
        self.input_proj = nn.Linear(input_dim, d_model)
        self.pos_emb = nn.Embedding(300, d_model)
        encoder_layer = nn.TransformerEncoderLayer(d_model, nhead, d_model*4, dropout, batch_first=True)
        self.encoder = nn.TransformerEncoder(encoder_layer, num_layers)
        self.classifier = nn.Sequential(
            nn.LayerNorm(d_model),
            nn.Linear(d_model, d_model//2),
            nn.GELU(),
            nn.Dropout(dropout),
            nn.Linear(d_model//2, num_classes)
        )

    def forward(self, x, src_key_padding_mask=None):
        B, T, _ = x.shape
        positions = torch.arange(T, device=x.device).unsqueeze(0).expand(B, -1)
        x = self.input_proj(x) + self.pos_emb(positions)
        x = self.encoder(x, src_key_padding_mask=src_key_padding_mask)
        x = x.mean(dim=1)
        return self.classifier(x)

class SignLanguageRecognizer:
    """
    Real-time распознавание изолированных знаков.
    """
    WINDOW_SIZE = 30
    MIN_SIGN_FRAMES = 10

    def __init__(self, model_path, vocabulary_path, confidence_threshold=0.7, device='cuda'):
        self.device = device
        self.extractor = HandLandmarkExtractor()
        with open(vocabulary_path) as f:
            self.vocabulary = json.load(f)
        self.model = SignLanguageTransformer(num_classes=len(self.vocabulary)).to(device)
        checkpoint = torch.load(model_path, map_location=device)
        self.model.load_state_dict(checkpoint['model_state_dict'])
        self.model.eval()
        self.threshold = confidence_threshold
        self.frame_buffer = deque(maxlen=self.WINDOW_SIZE)
        self.sign_active = False
        self.sign_start_frame = 0
        self.frame_count = 0

    def process_frame(self, frame):
        self.frame_count += 1
        features = self.extractor.extract(frame)
        if features is None:
            if self.sign_active and len(self.frame_buffer) >= self.MIN_SIGN_FRAMES:
                return self._classify_buffer()
            self.frame_buffer.clear()
            self.sign_active = False
            return None
        self.frame_buffer.append(features)
        self.sign_active = True
        if len(self.frame_buffer) < self.WINDOW_SIZE:
            return None
        return self._classify_buffer()

    @torch.no_grad()
    def _classify_buffer(self):
        seq = np.stack(list(self.frame_buffer))
        tensor = torch.from_numpy(seq).unsqueeze(0).float().to(self.device)
        logits = self.model(tensor)
        probs = torch.softmax(logits, dim=-1).squeeze()
        conf, pred_id = probs.max(dim=0)
        conf, pred_id = float(conf.item()), int(pred_id.item())
        if conf < self.threshold:
            return None
        gloss = self.vocabulary.get(str(pred_id), f'SIGN_{pred_id}')
        return SignPrediction(pred_id, gloss, round(conf,3), 'both', 
                              (self.frame_count - len(self.frame_buffer), self.frame_count))

Як працює наш CSLR пайплайн?

Для безперервної мови ми використовуємо CNN + BiLSTM + CTC. Вхід — вікна по 90 кадрів (3 секунди). CTC-декодер видає послідовність глосів, прибираючи повтори та blank-символи. Ключова складність — fingerspelling (пальцева дактильна абетка). Літери показуються послідовно, і стандартний CSLR часто плутає їх. Ми вирішуємо це окремим легковаговим класифікатором на базі MediaPipe, який обробляє кожен кадр і коригує вихід основного декодера. Це знижує WER на 5–7% у тестах на PHOENIX-2014T.

Як бачимо, наш підхід на Transformer швидший за I3D у 1.5–2 рази, а ансамбль BiLSTM з attention дає WER на 3–5% нижче стандартного CTC.

Що входить у роботу?

• Аналіз вимог: визначення словника (УЖМ, ASL, BSL), збір та розмітка даних.
• Навчання моделі: вибір архітектури (Transformer/BiLSTM+CTC), аугментація, тонке налаштування.
• Оптимізація інференсу: квантування (INT8), експорт в ONNX, latency p99 до 30–50 мс.
• Інтеграція: REST API, RTSP-потік, desktop застосунок.
• Документація та навчання: model card, інструкція з адаптації.

Процес роботи над проектом

1. Аудит даних — оцінка якості та достатності відеоматеріалу (1–2 тижні).
2. Прототипування — базова модель на 50–100 знаках (2–4 тижні).
3. Розгортання — CI/CD, MLflow трекінг, моніторинг дрейфу (2–3 тижні).
4. Ітерація — донавчання на реальних даних замовника (4–8 тижнів).

Терміни орієнтовно

Вартість проекту розраховується індивідуально і залежить від обсягу даних, кількості класів та необхідної точності. Орієнтовний діапазон: $5,000–$30,000. Для оцінки вашого проекту зв'яжіться з нами — ми надамо попередній план і терміни за 2–3 дні. Ми працюємо з жестовою мовою понад 5 років, наші інженери сертифіковані по MediaPipe та PyTorch. Ми надаємо гарантію якості на модель протягом 1 року. Отримайте консультацію, щоб обговорити деталі.

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.