AI-система автоматичного трекінгу об'єктів для VFX

ІІ-трекінг об'єктів для VFX

Ми розробляємо AI-системи трекінгу об'єктів для VFX, які вирішують проблему втрати треку при оклюзії та motion blur. Класичні інструменти на кшталт Mocha Pro і PFTrack потребують ручного розставлення точок і ламаються при змазі більше 15 пікселів. Наші рішення на базі нейронних мереж (CoTracker, DiffusionTrack, FoundPose) забезпечують стійке відстеження навіть при 70% оклюзії. У нас понад 5 років досвіду в VFX-трекінгу та більше 10 успішних проєктів для рекламних роликів і кіно. Нейронний трекінг у 3 рази швидший за класичний при схожій точності, а вартість рішення розраховується індивідуально залежно від складності матеріалу. Економія бюджету на постпродакшн — до 60%.

Типи трекінгу та інструменти

2D point tracking — відстеження опорних точок для stabilization або match move. Сучасний нейронний трекінг: CoTracker (Meta) — трекає 256+ точок одночасно з урахуванням взаємних залежностей між ними. Працює через transformer з temporal attention, що дає стійкість при частковій оклюзії. — Meta Research

Planar tracking — трекінг площини (стіна, борт автомобіля, екран) для вставки графіки. Нейронна версія: DiffusionTrack, або гібрид гомографії + deep features від SuperGlue для matching.

6DoF object tracking — трекінг 3D-положення та орієнтації об'єкта. FoundPose, FoundTrack — працюють з CAD-моделлю об'єкта або навченим prior.

Human body tracking — MediaPipe Holistic (33 точки скелета + руки + обличчя), OpenPose, SMPL-X для повноцінної 3D-реконструкції тіла актора з monocular відео. Використовується для motion capture без маркерів.

Чому нейронний трекінг стійкіший за класичний?

Класичний feature-based трекінг (Lucas-Kanade, KLT) втрачає точку при motion blur > 15px, оклюзії > 40% об'єкта, різкій зміні освітлення. Нейронний підхід виграє за рахунок learned descriptors і visibility prediction. Наприклад, CoTracker тримає трекінг при оклюзії до 70% — модель передбачає, чи видима точка в поточному кадрі, і не намагається шукати її там, де її немає. При поверненні об'єкта з-за оклюзії трекінг відновлюється через re-identification.

import torch
from cotracker.predictor import CoTrackerPredictor

model = CoTrackerPredictor(checkpoint='cotracker2.pth')
model = model.cuda()

# video: (1, T, 3, H, W) tensor
# queries: (1, N, 3) - (t, x, y) для кожної точки
tracks, visibility = model(video, queries=queries)
# tracks: (1, T, N, 2) - координати N точок у всіх T кадрах
# visibility: (1, T, N) - ймовірність видимості

Як інтегрувати трекінг у постпродакшн-пайплайн?

Вихід трекінгу ми віддаємо у форматах, сумісних з індустріальним софтом: .nuke скрипти або .abc (Alembic) файли з анімаційними кривими для Nuke, After Effects, Blender. Для match move використовуємо .chan формат з camera transform даними. Автоматизація: Python API для Nuke дозволяє напряму записувати трекінгові дані в Tracker4 ноди без ручного перенесення. Все це прискорює інтеграцію та знижує ймовірність помилок при передачі між відділами.

Покрокова інструкція:

1. Підготуйте відеофайл і визначте цільові об'єкти.
2. Виберіть тип трекінгу (2D, planar, 6DoF) залежно від завдання.
3. Запустіть нейронну модель на GPU — середній час обробки 5 хвилин відео ~2 години.
4. Перевірте якість треків через візуалізацію.
5. Експортуйте дані в потрібний формат.
6. Інтегруйте в сцену через плагін або скрипт.

Що входить у роботу

• Аналіз матеріалу та вибір підходу (2D/planar/6DoF/human)
• Розробка та налаштування нейронної моделі під конкретну сцену
• Виконання трекінгу з проміжними ітераціями
• Експорт даних у потрібні формати (Nuke, AE, Blender)
• Документація щодо використаних моделей та конфігурації
• Навчання вашої команди роботі з виданими скриптами
• Технічна підтримка на етапі постпродакшну

Терміни

Вартість розраховується індивідуально за складністю матеріалу. Ми гарантуємо відхилення треку менше 1 px на перевірених кадрах. Зв'яжіться з нами для оцінки вашого проєкту — ми підберемо оптимальне рішення під ключ. Замовте консультацію, щоб обговорити деталі.

З нашої практики: рекламний ролик, 45 секунд, камера рухається разом з автомобілем на трасі. Логотип потрібно «наклеїти» на двері з урахуванням відблисків і деформації кузова при вібрації. Проблема: швидкість 120 км/год, motion blur на кадрах 1/60s, періодичні засвіти від сонця. Рішення: planar трекінг через гомографію з SuperGlue-matching (стійкий до blur завдяки learned descriptors) + mesh-based деформація (двері розбиті на сітку 8×4, кожен вузол трекається незалежно) + lighting estimation через EfficientLit. Підсумок: стабілізований трекінг 1080 кадрів з відхиленням < 0.8 px, 6 годин автоматичної обробки замість 3 днів ручного трекінгу в Mocha.

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.