AI-система візуальної оцінки пошкоджень авто за фото

AI-система візуальної оцінки пошкоджень авто за фото

Ми розробили AI-систему візуальної оцінки пошкоджень автомобіля за фото. Вона вирішує завдання страхового скорингу в реальному часі. Досвід наших інженерів у машинному зорі перевищує 10 років, а кількість впроваджених проєктів — понад 50. Наша компанія має понад 5 років досвіду на ринку AI та 50+ впроваджених проектів. Уявіть: клієнт фотографує машину на парковці, завантажує 6 знімків у додаток. Через 40 секунд отримує попередню оцінку збитку. Без виїзду експерта, без черги на огляд. Це в 5 разів швидше ручного огляду експерта. Ця архітектура на базі YOLOv8-seg + регресійної моделі вартості розгортається в продакшн за 8–12 тижнів. Вона гарантує зниження витрат на експертизу на 30–50%. Для типового страхового портфеля економія бюджету може сягати 2–3 млн грн на рік. Для портфеля з 10 000 полісів економія становитиме близько 15 млн грн на рік.

Що реально детектує модель

Задача ділиться на три рівні:

• Локалізація пошкоджень — де саме і що: вм'ятина (dent), подряпина (scratch), тріщина (crack), розбите скло (glass damage), деформація кузова (deformation). Сегментаційна модель дає полігональну маску кожного дефекту з площею в пікселях.
• Класифікація деталі — до якої зони автомобіля належить пошкодження: передній бампер, капот, ліве переднє крило, двері тощо. Це важливо для прив'язки до прайсу нормо-годин конкретної деталі.
• Оцінка severity — легке / середнє / важке пошкодження. Регресійна голова на фічах із backbone дає скор, який множиться на коефіцієнти з довідника вартості.

Архітектура пайплайну

Двоетапна схема працює надійніше за наскрізний end-to-end:

1. Детекція та сегментація пошкоджень -> YOLOv8-seg або SAM 2 з автоматичними промптами по зонах авто
2. Класифікація деталі -> ResNet-50 або EfficientNet-B3, навчений на розбивці кузова (30–50 класів деталей)
3. Оцінка вартості -> XGBoost або LightGBM на ознаках: площа маски, клас деталі, severity score, марка/модель авто з EXIF або окремого класифікатора

# Приклад інференсу сегментаційної моделі
from ultralytics import YOLO
import cv2

model = YOLO('damage_seg_v8x.pt')  # fine-tuned на датасеті пошкоджень
results = model.predict(
    source='car_damage.jpg',
    conf=0.35,
    iou=0.45,
    imgsz=1280,   # висока роздільна здатність критична для дрібних подряпин
    retina_masks=True
)

for r in results:
    masks = r.masks.data       # (N, H, W) tensor
    classes = r.boxes.cls      # класи пошкоджень
    areas = masks.sum(dim=[1,2])  # площа кожної маски в пікселях

Як ми забезпечуємо якість детекції

Чому дрібні подряпини — найпоширеніша проблема?

При стандартному imgsz=640 подряпина довжиною 10 см на відстані 1.5 метра займає 3–4 пікселі. YOLOv8 пропускає їх з IoU < 0.3. Підняття imgsz з 640 до 1280 підвищує recall в 1.6 разу — з 0.44 до 0.71, але latency зростає з 28ms до 95ms на RTX 3090. Ми балансуємо через автоматичний вибір роздільної здатності на основі метаданих камери.

Як модель відрізняє нові пошкодження від старих?

Свіжий скол має білий край, старий — коричневий від іржі. Ми додаємо колірний аналіз країв маски і cross-check з історією попередніх оглядів. Це знижує юридичні ризики для страхової компанії.

Датасет і навчання

Мінімальний обсяг для робочої моделі: 5 000 розмічених зображень з масками, що покривають усі класи пошкоджень і деталей. На практиці використовуємо:

• Відкриті датасети: CarDD (4 000 фото), COCO з донавчанням
• Синтетика з Blender — для рідкісних випадків (тотальне руйнування передньої частини)
• Клієнтські дані з архіву страхових справ

Fine-tuning YOLOv8x-seg на RTX 4090 з датасетом 8 000 зображень — близько 18 годин (100 епох, batch=16, imgsz=1280). Фінальні метрики: [email protected] = 0.79, [email protected]:0.95 = 0.61.

Порівняння продуктивності на різних пристроях

Для різних типів пошкоджень точність детекції також відрізняється. Наприклад, recall по вм'ятинах досягає 0.85, а по дрібних подряпинах — 0.71.

Що входить у роботу

• Аудит даних — перевірка репрезентативності датасету, рекомендації щодо збору та розмітки
• Розробка моделі — fine-tuning, quantization (INT8/INT4), експорт в ONNX/TensorRT
• Інтеграційне API — FastAPI, ендпоїнти для завантаження фото, отримання масок та вартості
• Мобільне SDK — CoreML (iOS), TFLite (Android) з прикладом інтеграції
• Документація — OpenAPI специфікація, model card, інструкція з розмітки нових даних
• Підтримка — 3 місяці гарантійного супроводу після запуску

Як ми будуємо модель оцінки пошкоджень: покроковий процес

1. Збір та розмітка — 5 000+ зображень з полігональними масками від експертів страхової компанії
2. Навчання — transfer learning з YOLOv8x-seg, 100 епох, 8–12 годин на RTX 4090
3. Валідація — тестування на відкладеній вибірці ([email protected] > 0.75) та на реальних кейсах замовника
4. Оптимізація — TensorRT FP16 для сервера, CoreML/TFLite для мобільних пристроїв
5. Розгортання — Docker-контейнер на Kubernetes, моніторинг latency p99 та drift

Типові помилки моделі та їх вирішення

• Освітлення та відблиски — симуляція RandomSunFlare в augmentations, quality check відбраковує пересвічені фото.
• Дрібні подряпини — збільшення imgsz до 1280 та використання retina_masks підвищує recall з 0.44 до 0.71.
• Старі vs нові пошкодження — колірний аналіз країв маски + cross-check з історією оглядів.

Строки проекту

Від 8 до 16 тижнів залежно від наявності розмічених даних та вимог щодо інтеграції із системами страховика. Вартість розраховується індивідуально.

Замовте рішення під ключ за 8-16 тижнів. Отримайте безкоштовну оцінку вашого проекту. Зв'яжіться з нами для консультації. Вам входить: аудит даних, розробка моделі, інтеграція, документація та підтримка.

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.