AI-система для магазинів: розпізнавання товарів без кас

Розпізнавання товарів у руках: система для магазину без кас

Ми стикалися із запитами на кшталт: «Як зробити магазин без кас, щоб система розуміла, що покупець взяв із полиці?». Технічно це не одна модель, а синхронізована робота детекції рук, трекінгу та розпізнавання на десятках потоків. Amazon Go вирішив це завдання за 4+ роки до комерційного запуску — ми пропонуємо реалістичний pipeline для рітейлу середнього розміру. Наш досвід у computer vision для рітейлу — понад 5 років, а гарантії точності підтверджені pilot-проєктами. У цій статті ми розберемо, як побудувати таку систему з нуля: від детекції контакту рука-товар до ідентифікації SKU в асортименті з тисяч позицій. Ми використовуємо сучасні нейромережеві архітектури, MLOps-інструменти для продакшн-експлуатації та metric learning для ефективного масштабування асортименту. Результат — скорочення втрат від крадіжок та помилок інвентаризації на 30–50%, що в грошовому вираженні може становити до 1.5 млн грн на рік на один магазин середньої площі. Втрати від необлікованих товарів можуть сягати 2–3 млн грн на рік для магазину середньої площі, і наша система окупається за 6–12 місяців.

Що означає «розпізнати товар у руці»

Завдання складається з кількох підзадач:

• Детекція факту взяття товару з полиці — рука перетнула зону полиці, взяла об'єкт
• Ідентифікація товару — SKU-level розпізнавання: що саме взяли
• Трекінг покупця — прив'язати взятий товар до конкретної людини
• Детекція повернення на полицю — взяли → подивилися → поклали назад

Кожна підзадача нетривіальна. Разом вони вимагають глибокої інтеграції CV та MLOps.

Як працює детекція контакту рука-товар?

Перший крок: знайти руки в кадрі. MediaPipe Hands добре для ізольованих рук, але в рітейлі руки часто частково закриті полицею, іншими товарами або тілом покупця. Спеціалізований hand detector — 100DOH або EgoHands dataset fine-tuned — працює краще в закритих сценах.

Після детекції рук — розпізнавання контакту рука-об'єкт. Це не просто просторове перекриття боксів: потрібно зрозуміти, чи тримає рука об'єкт, чи знаходиться поруч. Підходи:

• Bounding box overlap + velocity analysis: об'єкт рухається синхронно з рукою → контакт
• Contact state classification: окремий класифікатор на парі (hand crop, object crop) → тримає/не тримає
• Pose estimation: долоня зімкнута навколо об'єкта — детекція захвату через hand keypoints

Чому SKU-level recognition — найскладніша частина?

Магазин — це 5 000–50 000 унікальних SKU. Класифікатор на 50 000 класів нереалістичний без спеціальних технік.

Ефективний підхід: Metric learning + open-set recognition. Замість закритої класифікації — embeddings, де схожі товари близько у просторі. Додавання нового SKU = додавання одного еталонного embedding'а без перенавчання моделі.

Backbone: ConvNeXt-Small або EfficientNet-B4 з ArcFace loss, навчений на каталозі товарів (студійні фото). Few-shot recognition: 1–5 еталонних фото на SKU достатньо для надійної ідентифікації. На internal benchmark (2 000 SKU бакалійного магазину, умови реального магазину): top-1 accuracy 0.87, top-3 accuracy 0.96.

Додатково: штрихкод/QR-код як backup channel. Якщо товар у руці розташований зручно — CV зчитує код напряму через ZXing або ZBar, інтегрований у pipeline. Confidence-based fusion: якщо barcode читається з confidence > 0.98 → використовуємо його, інакше visual recognition.

Інфраструктура для магазину

Усі камери синхронізовані за часом з точністю <1 мс — критично для трекінгу між камерами.

Порівняння методів детекції контакту

Що входить у роботу

1. Аудит зони магазину: планування, освітлення, типи полиць
2. Проєктування схеми камер з урахуванням сліпих зон
3. Розробка pipeline детекції рук та об'єктів (PyTorch, TensorRT)
4. Навчання моделі SKU-recognition під ваш асортимент
5. Інтеграція з POS/ваговими системами (опціонально)
6. Документація та навчання персоналу
7. Пост-релізна підтримка на 3 місяці

Обмеження та реалістичні очікування

Чесно про складнощі:

• Помилки при схожих упаковках: два варіанти одного товару (класичний/лайт) — найскладніше
• Часткова видимість: покупець закриває товар тілом — inevitable gap
• Повернення на чужу полицю: детектували взяття, трекали, але поклали в інше місце

Точність на рівні Amazon Go (~99%+ за їхніми заявами) вимагає додаткових сенсорів — вагові датчики на полицях знімають невизначеність: убуло N грамів → взяли 1 пачку конкретного товару. CV + ваги = значно вища точність, ніж чисте CV.

Технологія Amazon Go, описана в Wikipedia, заснована на комп'ютерному зорі та датчиках ваги.

Терміни

Pilot-система для зони 20–30 м² з обмеженим асортиментом (200–500 SKU): 10–16 тижнів. Повноцінна система магазину 100+ м² з інтеграцією в касу/POS: 5–9 місяців.

Оцінимо ваш проєкт: зв'яжіться з нами для безкоштовного аудиту планування — надішлемо технічну пропозицію та приблизні терміни. Замовте проєкт та отримайте консультацію інженера. Ми також допоможемо з вибором конфігурації камер та серверів під ваш бюджет. Зв'яжіться з нами, 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.