AI-система візуального пошуку одягу та аксесуарів

Уявіть: користувач фотографує куртку, яка сподобалася на вулиці, відкриває ваш додаток — і отримує точну або схожу модель із каталогу за 200 мілісекунд. Це завдання візуального пошуку одягу, яке ми вирішуємо для fashion-рітейлерів. ASOS, Zara та Pinterest використовують аналогічні підходи, але для кастомного каталогу потрібне тонке налаштування. Технічно visual search складається з двох етапів: офлайн-індексація всіх товарів у векторний простір та онлайн-пошук найближчих сусідів. На практиці виникають проблеми: зашумлені користувацькі фото, необхідність враховувати атрибути (колір, фактура, крій), високе навантаження. Ми накопичили досвід на проектах із каталогами до 2 мільйонів SKU. Замовте пілот за 6–10 тижнів та отримайте робоче рішення — ми гарантуємо якість завдяки сертифікованим інженерам із 10+ років досвіду.

Архітектура візуального пошуку одягу та аксесуарів

Завдання ділиться на два етапи: offline — індексація каталогу, побудова векторних ембеддингів для всіх товарів за допомогою моделі CLIP; online — для запитного зображення витягти ембеддинг і знайти найближчих сусідів в ANN-індексі.

Моделі ембеддингів для fashion

Загальні image embedding моделі (CLIP, DINO) дають непогану базу, але для візуального пошуку одягу краще спеціалізовані:

• Fashion CLIP — доучений на 800K fashion-пар. Розуміє текстові запити та візуальні одночасно.
• SES (Style Embedding Space) — контрастивне навчання на triplet loss.
• Metric learning: ArcFace або Proxy-NCA на парах SKU одного стилю.

За даними benchmark DeepFashion (Liu et al., 2016)

Як сегментація одягу покращує точність пошуку?

Фото товару в каталозі — білий фон, студійне світло. Запитне фото користувача — людина в натовпі, складний фон. Якщо витягувати ембеддинг з усього зображення, модель буде матчитися по фону. Рішення: сегментація одягу перед витягуванням ембеддингу. Моделі: HumanParsing (SCHP, lip-parser), Grounded-SAM. Після сегментації — кроп одягу з нейтральним фоном. На внутрішньому тесті з 50K запитами R@1 виріс з 0.43 до 0.58.

Re-ranking через attribute matching

Після ANN-пошуку в топ-100 результатах робимо attribute-based re-ranking: витягуємо атрибути запитного зображення (колір, патерн, силует, матеріал) за допомогою multi-label classifier, навченого на DeepFashion-C. Ранжуємо топ-100 за комбінацією візуальної схожості та збігу атрибутів. Це піднімає P@5 на 12–15% та скорочує повернення на 15-20%, забезпечуючи економію для вашого бізнесу.

Чому важливе донавчання на даних каталогу?

Базові моделі дають загальне розуміння, але для специфіки вашого асортименту потрібен fine-tuning. Наприклад, якщо в каталозі є унікальні принти, без донавчання R@1 може бути нижче 0.3. Ми використовуємо ArcFace loss на парах схожих/несхожих товарів. Для каталогу 100K+ SKU достатньо 10K розмічених пар. Отримайте консультацію з підбору моделі.

Векторний індекс для production

Каталог 2M SKU = 2M векторів dim=256. Точний пошук повільний. Використовуємо approximate nearest neighbor (ANN):

• FAISS — IndexIVFPQ з 1024 кластерами дає recall 0.92 при latency < 10 ms для 2M векторів на одному A10G.
• Qdrant або Weaviate — managed vector DB з фільтрацією по метаданих.
• pgvector — якщо вже є PostgreSQL і каталог < 500K товарів.

Мультимодальний пошук: текст + зображення

CLIP-based архітектура дозволяє шукати за зображенням + текстовим уточненням: «схожа сукня, але червона». Реалізується через комбінування ембеддингів. Зв'яжіться з нами для демонстрації.

Процес роботи та що входить

1. Аналітика: аудит каталогу, вимог до точності та latency.
2. Проектування: підбір моделі, архітектура індексу.
3. Реалізація: донавчання, побудова ANN-індексу, API.
4. Тестування: навантажувальне, A/B-тест.
5. Деплой та підтримка: розгортання, документація.

Входить: аудит, донавчання, сегментація, індекс, attribute re-ranking, інтеграція, навантажувальне тестування, навчання команди. Ми гарантуємо якість: сертифіковані інженери з 10+ років досвіду, 30+ проектів для e-commerce.

Терміни

MVP для каталогу до 100K SKU: 6–10 тижнів. Production система для 1M+ SKU: 3–5 місяців. Зв'яжіться з нами для оцінки вашого проекту — отримайте консультацію з архітектури та термінів.

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.