Розробка системи автоматичної інвентаризації через камери

Розробка системи автоматичної інвентаризації через камери

Уявіть: склад з 10 000 SKU, ручна інвентаризація раз на квартал зупиняє відвантаження на три дні. Розбіжності виявляються постфактум — виправляти їх уже пізно. Ми вирішуємо цю проблему системою на комп'ютерному зорі: камери аналізують полиці в реальному часі, алгоритми YOLO (You Only Look Once) детектують кожен товар. Така система працює без зупинки складу і дає точність до 98%. Для складу з 10 000 SKU економія від впровадження перевищує 2 млн рублів на рік. Ultralytics YOLOv8: Instance Segmentation, Object Detection, and Image Classification.

Як працює камерна інвентаризація?

Стаціонарні камери над полицями роблять знімки за розкладом (кожні 6–12 годин). Зображення проходять через модель виявлення об'єктів — ми використовуємо YOLOv8 (навчена на 100+ класах товарів). Результат — список SKU з кількістю по кожній полиці. Ці дані звіряються з очікуваними залишками з ERP. Розбіжності фіксуються автоматично, а система може ініціювати замовлення відсутніх позицій. YOLOv8 обробляє кадр у 2 рази швидше за попередню версію, що критично при потоці в сотні полиць. Опціонально використовується NVIDIA Triton для пакетного інференсу — це знижує latency p99 до 50 мс.

Чому точність 92–96% недостатня і як ми її підвищуємо?

Для більшості рітейлерів точність 95% прийнятна, але при обігу в мільйони доларів кожен відсоток розбіжності — це прямі втрати. Ми піднімаємо точність до 98% за рахунок трьох прийомів:

• Мультиракурсна зйомка: камера робить кадри під різними кутами, щоб перекрити тіні та перекриття.
• Аугментація даних: модель донавчається на ваших фотографіях з урахуванням освітлення та упаковки.
• Reconciliation з касовими даними: система порівнює фізичний підрахунок з продажами та автоматично виправляє системні залишки.

Як підвищити точність до 98%?

Ключовий прийом — мультиракурсна зйомка. Одна камера не бачить товари за іншими, тому ми встановлюємо 2–3 камери на прохід. Для кожного кадру застосовуємо перспективне перетворення, щоб отримати плоский вигляд полиці. Потім об'єднуємо детекції з різних ракурсів, виключаючи дублікати по IoU (Intersection over Union). Це знижує помилки окклюзії на 40%.

Як відбувається звірка з системою обліку?

def reconcile(camera_counts: dict, system_counts: dict,
               tolerance_percent: float = 5.0) -> list[dict]:
    """Нахождение расхождений между физическим и системным учётом"""
    discrepancies = []

    all_skus = set(camera_counts) | set(system_counts)
    for sku in all_skus:
        camera_qty = camera_counts.get(sku, 0)
        system_qty = system_counts.get(sku, 0)

        if system_qty > 0:
            diff_pct = abs(camera_qty - system_qty) / system_qty * 100
        else:
            diff_pct = 100 if camera_qty > 0 else 0

        if diff_pct > tolerance_percent:
            discrepancies.append({
                'sku': sku,
                'camera': camera_qty,
                'system': system_qty,
                'diff_percent': round(diff_pct, 1),
                'severity': 'high' if diff_pct > 20 else 'medium'
            })

    return sorted(discrepancies, key=lambda x: x['diff_percent'], reverse=True)

Що ми робимо: архітектура та стек

Серце системи — детектор на базі YOLO (PyTorch). Кадри передаються на сервер з GPU (NVIDIA T4 або A10), інференс займає <100 мс на зображення. Для плоского представлення полиць застосовуємо перспективне перетворення OpenCV. Для edge-пристроїв використовуємо TensorRT — це прискорює інференс в 1,5 раза без втрати точності.

class AutoInventorySystem:
    def __init__(self, detector_path: str, inventory_db_path: str):
        self.detector = YOLO(detector_path)
        self.db = InventoryDatabase(inventory_db_path)

    def run_inventory_cycle(self, shelf_images: dict) -> InventoryReport:
        """
        shelf_images: {shelf_id: image} - фото всех полок
        """
        report = InventoryReport()

        for shelf_id, image in shelf_images.items():
            shelf_counts = self._count_shelf(image, shelf_id)
            report.add_shelf(shelf_id, shelf_counts)

        # Сравнение с ожидаемым остатком
        expected = self.db.get_expected_quantities()
        report.discrepancies = self._find_discrepancies(
            report.actual_counts, expected
        )

        # Автоматическое обновление в ERP
        self.db.update_inventory(report.actual_counts)

        return report

    def _count_shelf(self, image: np.ndarray,
                      shelf_id: str) -> dict:
        """Подсчёт товаров на одной полке"""
        detections = self.detector(image, conf=0.45)

        counts = {}
        for box in detections[0].boxes:
            sku = self.detector.model.names[int(box.cls)]
            counts[sku] = counts.get(sku, 0) + 1

        return counts

Обробка перспективних спотворень

Для shelf-камер з широким кутом — корекція спотворень і створення плоского вигляду полиці:

def create_shelf_rectified_view(image: np.ndarray,
                                 shelf_corners: list,
                                 output_size: tuple = (2000, 400)) -> np.ndarray:
    """
    Плоское (top-down) представление полки для удобного анализа
    shelf_corners: 4 угла полки в изображении
    """
    pts_src = np.array(shelf_corners, dtype='float32')
    w, h = output_size
    pts_dst = np.array([
        [0, 0], [w - 1, 0],
        [w - 1, h - 1], [0, h - 1]
    ], dtype='float32')

    M = cv2.getPerspectiveTransform(pts_src, pts_dst)
    rectified = cv2.warpPerspective(image, M, (w, h))
    return rectified

Інвентаризація через дрони

Для складів з високими стелажами — дрон з камерою:

class DroneInventoryController:
    def __init__(self, drone_api, inventory_system):
        self.drone = drone_api
        self.inventory = inventory_system
        self.waypoints = []  # заранее запрограммированные точки съёмки

    async def run_inventory_mission(self) -> InventoryReport:
        images = {}
        await self.drone.takeoff()

        for waypoint in self.waypoints:
            await self.drone.fly_to(waypoint)
            await self.drone.stabilize(seconds=1.0)

            # Фото с нескольких ракурсов для лучшего покрытия
            for angle_offset in [0, -15, 15]:
                await self.drone.rotate(angle_offset)
                image = await self.drone.capture_image()
                images[f"{waypoint['shelf_id']}_{angle_offset}"] = image

        await self.drone.land()

        return self.inventory.run_inventory_cycle(images)

Інтеграція з ERP/WMS системами

Оновлення залишків через API:

import requests

class ERPIntegration:
    def __init__(self, erp_url: str, api_key: str):
        self.base_url = erp_url
        self.headers = {'Authorization': f'Bearer {api_key}'}

    def update_stock_levels(self, inventory: dict,
                             location_id: str) -> dict:
        """Обновление остатков в ERP системе"""
        stock_updates = [
            {
                'sku': sku,
                'quantity': qty,
                'location_id': location_id,
                'source': 'camera_inventory',
                'timestamp': get_iso_timestamp()
            }
            for sku, qty in inventory.items()
        ]

        response = requests.post(
            f'{self.base_url}/api/inventory/bulk-update',
            json={'updates': stock_updates},
            headers=self.headers
        )
        return response.json()

Процес роботи

1. Аналітика: обстежуємо склад, визначаємо кількість полиць, ракурси, освітлення. Обираємо обладнання.
2. Проектування: розробляємо архітектуру (камери → сервер → ERP). Налаштовуємо модель YOLO під ваш асортимент.
3. Реалізація: монтуємо камери, розгортаємо ПЗ, пишемо інтеграцію.
4. Тест: пілотний запуск, звірка з ручною інвентаризацією, калібрування.
5. Деплой: введення в промислову експлуатацію, навчання персоналу.
6. Моніторинг та оптимізація: після запуску відстежуємо точність, при необхідності донавчаємо модель під нові SKU.

Що входить в роботу

• Документація: схема встановлення камер, API-специфікація, інструкція оператора.
• Навчання: 2 дні для команди складу та 1 день для IT-спеціалістів.
• Підтримка: гарантія 12 місяців на ПЗ, 3 місяці безкоштовного супроводу.
• Метрики: дашборд з точністю, кількістю розбіжностей, часом інвентаризації.

Типові помилки та як їх уникаємо

• Окклюзія: товари перекривають один одного. Рішення — мультиракурсна зйомка.
• Зміна освітлення: модель донавчається на нічних кадрах.
• Нові SKU: автоматична реєстрація через image-пошук (embeddings).

Стартова вартість пілотного проекту для одного складу — від 600 000 до 1 200 000 рублів залежно від кількості камер та складності інтеграції. З нашим досвідом (50+ проектів з автоматизації складів) ми гарантуємо точність не нижче 95% з першого запуску. Економія часу на інвентаризацію — до 80%, зниження втрат від розбіжностей — до 30%. Зв'яжіться з нами для попередньої оцінки вашого складу — безкоштовно. Отримайте індивідуальний розрахунок і пілотний проект — переконайтеся в точності системи на реальних даних.

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.