AI-система розумної парковки: детекція, ANPR, прогноз

AI-система розумної парковки

Ручний контроль парковок — вузьке місце: оператори пропускають зайняті місця, втрата часу на пошук сягає 15 хвилин, а помилки при розпізнаванні номерів призводять до конфліктів. Альтернатива — AI-система комп'ютерного зору, яка обробляє відеопотік з камер і видає статус кожного слота за мілісекунди.

Ми розробляємо та впроваджуємо AI-системи для розумних парковок, які повністю замінюють ручну працю оператора. Real-time облік з точністю 99% — не маркетинг, а результат роботи згорткових мереж на виділених нейропроцесорах. Парковка на 600 місць з 24 камерами — типовий об'єкт, де наша CV-система усуває помилки, пов'язані з людським фактором, і дає аналітику оборотності кожного слота. Рішення включає детекцію слотів (slot-based classification або YOLOv8), розпізнавання номерів (ANPR з PaddleOCR) та навігацію водіїв до вільних місць — все під ключ з гарантією 12 місяців. Термін впровадження — від 3 до 20 тижнів залежно від складності.

Технологічний стек: PyTorch, Hugging Face, ONNX, PaddleOCR, YOLOv8, MobileNetV3. Для edge-інференсу використовуємо NVIDIA Jetson Orin NX з TensorRT — це забезпечує latency p99 не більше 50 мс на парковці з 600 слотів. Детальніше про ANPR читайте в Wikipedia.

Як AI детектує зайнятість місця?

Для класифікації статусу кожного паркувального слота (occupied / free) використовуємо два підходи:

Slot-based classification — кожен слот — фіксований ROI на кадрі. Класифікатор (MobileNetV3 або EfficientNet-B0) обробляє кроп кожного слота. Швидше і стійкіше до перекриття.

Object detection — YOLOv8 детектує автомобілі, bounding boxes зіставляються зі слотами через IoU. Підходить для відкритих парковок без фіксованої розмітки.

На практиці slot-based працює надійніше на критих багаторівневих паркінгах зі стабільним ракурсом. На відкритих майданчиках зі змінним освітленням застосовуємо YOLOv8 з IR-камерами.

# Slot-based класифікація: паралельний інференс усіх слотів
import torch
from torchvision import transforms

def classify_slots(frame, slot_coords, model, device='cuda'):
    transform = transforms.Compose([
        transforms.Resize((64, 64)),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406],
                             [0.229, 0.224, 0.225])
    ])
    crops = [frame.crop(coord) for coord in slot_coords]
    batch = torch.stack([transform(c) for c in crops]).to(device)
    with torch.no_grad():
        logits = model(batch)  # (N_slots, 2)
    return logits.argmax(1).cpu().numpy()  # 0=free, 1=occupied

MobileNetV3-Small на 600 слотах: 45ms на RTX 3060, що дозволяє обробляти 22 кадри в секунду — більш ніж достатньо для парковки, де статус змінюється за секунди.

Що робити, якщо номер не розпізнався?

Підсистема ANPR на в'їзді використовує YOLOv8 для детекції зони номера та PaddleOCR для розпізнавання. Точність на українських номерах — 97% при confidence > 0.85, reject rate ~4%. Для пропущених номерів передбачений fallback: ручне введення оператором або повторне зчитування при виїзді. Нічна зйомка — ІЧ-підсвітка 850нм з сенсором Sony IMX327.

Чому slot-based класифікація надійніша на критих парковках?

Стабільний ракурс камер і контрольоване освітлення дозволяють використовувати легкі моделі MobileNetV3-Small. На 600 слотах інференс займає 45ms на RTX 3060, що дає 22 кадри в секунду — запас для real-time. Порівняння підходів:

Що дає аналітика та навігація?

Реальна цінність — не лише «вільно/зайнято», а й:

• Час пошуку місця (від в'їзду до фіксації зайняття) — середній та по зонах
• Оборотність місць по годинах і днях тижня
• Прогноз заповнюваності на 2–4 години — часові ряди через Prophet або LSTM

Навігація: мобільний додаток або екрани всередині паркінгу показують найкоротший шлях до вільних місць (алгоритм Dijkstra по графу паркінгу).

Що входить в роботу

1. Обстеження парковки та розрахунок кількості камер
2. Розробка та навчання моделей детекції та ANPR
3. Налаштування обладнання (камери, Jetson Orin NX, шлагбауми)
4. Інтеграція з системою керування доступом
5. Розробка мобільного додатку або екранів навігації
6. Тестування та навчання персоналу
7. Гарантія 12 місяців та підтримка

Edge-деплой на Jetson Orin NX знижує вимоги до мережевої інфраструктури — обробка локально, в хмару йде лише агрегована статистика. Вартість розраховується індивідуально.

Наш досвід впровадження парковок для ТЦ, аеропортів та бізнес-центрів — понад 10 проєктів, 5 років на ринку. Ми гарантуємо точність 97%+ по розпізнаванню номерів та 99% по детекції місць. Зв'яжіться з нами для розрахунку вашого проєкту — проаналізуємо планування та підготуємо комерційну пропозицію за 1 день.

Замовте консультацію, щоб обговорити деталі та отримати безкоштовну оцінку.

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.