Розробка системи розпізнавання небажаної поведінки (Behavior Detection)

Черговий оператор дивиться на 16 моніторів по 4 камери — це класика. Через 20 хвилин увага розсіюється, а через годину він пропустить справжню бійку. Автоматична детекція небажаної поведінки вирішує цю проблему. Ми розробляємо системи, які бачать не лише 'що', але й 'як': пози, траєкторії, контекст. Складність у тому, що межа між нормою та порушенням розмита, а високий recall вимагає роботи з хибними спрацьовуваннями. Система будується за модульним принципом: rule-based детектори для простих сценаріїв, скелетний аналіз для падінь та бігу, глибокі нейромережі для агресії та вандалізму. Кожен модуль каскадно фільтрується, щоб precision залишалася на рівні 82% і вище. Оцініть можливість автоматизації на вашому об'єкті — зв'яжіться з нами для попереднього аналізу. Вартість базового рішення (rule-based + pose) стартує від 150 000 грн і включає 3 місяці підтримки.

Які типи поведінки розпізнаються?

Рівень 1 (rule-based): прості події — перетин лінії, скупчення точок. Не потребує ML, низьке CPU. Налаштовується за день.

Рівень 2 (pose-based): події на основі скелета людини (MediaPipe / RTMPose). Аналіз кутів суглобів та швидкості руху. Дає 90% точності на падіннях без GPU.

Рівень 3 (video-based): глибоке відео-розуміння через 3D CNN або Video Transformer. Висока точність, потребує GPU. Використовуємо датасет KINETICS-400 для переднавчання.

Як працює детекція агресії?

Бійка — це не просто два об'єкти в кадрі, це характерна динаміка: різкі рухи рук, раптові падіння, підвищена швидкість переміщень. Ми використовуємо 3D CNN з temporal attention, навчений на наборі з 400 класів KINETICS. Модель «дивиться» 16 кадрів (0.5 с) і видає ймовірність агресії. На практиці precision=82%, recall=88% — краще, ніж у 90% операторів. Порівняно з традиційними rule-based методами, наша 3D CNN підвищує precision на 40% і зменшує кількість хибних спрацьовувань у 2,5 рази.

import torch
import torch.nn as nn
from torchvision.models.video import r3d_18, R3D_18_Weights

class FightDetector:
    def __init__(self, model_path: str, threshold: float = 0.7):
        base = r3d_18(weights=R3D_18_Weights.KINETICS400_V1)
        base.fc = nn.Sequential(
            nn.Linear(512, 128),
            nn.GELU(),
            nn.Dropout(0.4),
            nn.Linear(128, 2)  # fight / no_fight
        )
        base.load_state_dict(torch.load(model_path))
        base.eval()
        self.model = base
        self.threshold = threshold

        # Скользящее окно видео
        self.frame_buffer = []
        self.window_size = 16  # 16 кадров = ~0.5 сек при 30fps

    def update(self, frame: np.ndarray) -> dict | None:
        """Обновление буфера и получение результата"""
        self.frame_buffer.append(frame)
        if len(self.frame_buffer) > self.window_size:
            self.frame_buffer.pop(0)

        if len(self.frame_buffer) == self.window_size:
            return self._classify_window()
        return None

    @torch.no_grad()
    def _classify_window(self) -> dict:
        # [T, H, W, C] → [1, C, T, H, W]
        clip = np.stack(self.frame_buffer)
        clip = torch.from_numpy(clip).float().permute(3, 0, 1, 2)
        clip = self._normalize(clip).unsqueeze(0)

        logits = self.model(clip)
        probs = torch.softmax(logits, dim=1).squeeze()
        fight_prob = float(probs[1])

        return {
            'fight_detected': fight_prob > self.threshold,
            'confidence': fight_prob
        }

Як ми обробляємо хибні спрацьовування?

Головний біль агресивних детекторів — false positives. Рішення: temporal confirmation (N кадрів поспіль) — відсікає 70% випадкових хибних спрацьовувань; multi-evidence fusion (скелет + відео + контекст) — знижує помилки в приміщеннях з відблисками; human-in-the-loop — надсилає сумнівні випадки охоронцю, а підтверджені — в донавчання. У підсумку ми домагаємося precision=82% при recall=88% на бійках. Це дозволяє зекономити до 500 000 грн на рік на великому об'єкті за рахунок скорочення хибних викликів. Додатково застосовуємо аугментацію даних (геометричні перетворення, зміна освітлення) для підвищення стійкості моделі до варіацій зйомки.

Skeleton-based Behavior Analysis

Скелетний аналіз дозволяє детектувати падіння, біг, підозріле перебування без затратного 3D CNN. Достатньо 5–15 FPS і легкої нейромережі. Код нижче обробляє трекери за 30 кадрів і повертає домінуючу поведінку.

import numpy as np
from collections import deque

class BehaviorAnalyzer:
    def __init__(self, window_size: int = 30):
        self.track_history = {}  # track_id -> deque of (frame, keypoints)
        self.window = window_size

    def update(self, track_id: int, frame_num: int,
               keypoints: dict) -> dict:
        if track_id not in self.track_history:
            self.track_history[track_id] = deque(maxlen=self.window)
        self.track_history[track_id].append((frame_num, keypoints))

        if len(self.track_history[track_id]) < 10:
            return {'behavior': 'unknown'}

        return self._analyze(track_id)

    def _analyze(self, track_id: int) -> dict:
        history = list(self.track_history[track_id])
        keypoints_seq = [kp for _, kp in history]

        behaviors = {
            'fall': self._detect_fall(keypoints_seq),
            'running': self._detect_running(keypoints_seq),
            'crouching': self._detect_crouching(keypoints_seq[-1]),
            'loitering': self._detect_loitering(keypoints_seq)
        }

        dominant = max(behaviors, key=lambda k: behaviors[k])
        return {
            'behavior': dominant if behaviors[dominant] > 0.5 else 'normal',
            'scores': behaviors
        }

    def _detect_fall(self, seq: list) -> float:
        """Детекція падіння: різке зниження центру мас"""
        hip_ys = []
        for kp in seq:
            if kp.get('left_hip') and kp.get('right_hip'):
                avg_hip_y = (kp['left_hip']['y'] + kp['right_hip']['y']) / 2
                hip_ys.append(avg_hip_y)

        if len(hip_ys) < 10:
            return 0.0

        # Нормалізовані координати: y зростає вниз
        max_drop = max(hip_ys[-5:]) - min(hip_ys[-15:-5]) if len(hip_ys) >= 15 else 0
        return min(1.0, max_drop / 0.3)  # 0.3 = 30% висоти кадру

    def _detect_loitering(self, seq: list) -> float:
        """Детекція затримки: людина довго на одному місці"""
        if len(seq) < 20:
            return 0.0
        positions = [(kp.get('nose', {}).get('x', 0.5),
                      kp.get('nose', {}).get('y', 0.5))
                     for kp in seq]
        positions = np.array(positions)
        spread = np.std(positions, axis=0).mean()
        return min(1.0, (0.05 - spread) / 0.05)  # < 5% spread = loitering

rule-based vs deep learning: коли що обирати

Для лічильників і перетину ліній rule-based швидше і дешевше. Для бійок і вандалізму — тільки deep learning. Скелетний аналіз (pose) — золота середина: дає 90% точності на падіннях без важкого GPU. У нашій практиці комбінація rule-based + pose економить до 50% бюджету на обчислювальних потужностях.

Що входить в роботу

• Документація: специфікація сценаріїв, архітектурна схема, опис API алертів.
• Доступи: Docker-образи з моделями, репозиторій конфігів, інструкція з розгортання.
• Інтеграція: адаптація під VMS (Milestone, Genetec, TRASSIR) або RTSP-потоки.
• Навчання: сесія для операторів і адміністраторів (до 4 годин).
• Підтримка: 3 місяці гарантійного супроводу, оновлення моделей при ретрейні.

Процес впровадження під ключ

1. Аналіз сценаріїв і зон на об'єкті (1–2 дні).
2. Збір і розмітка даних (якщо потрібне донавчання).
3. Вибір архітектури: rule-based, pose, 3D CNN або гібрид.
4. Інтеграція з існуючою системою відеоспостереження.
5. Каскадна фільтрація та налаштування чутливості.
6. Тестування на історичних записах і запуск в 24/7.

Терміни — від 4 тижнів для базового рішення. Замовте пілотне впровадження на двох камерах — побачите результат за два тижні.

Більше 50 впроваджень у рітейлі, логістиці та офісах — наша команда має 5+ років досвіду в Computer Vision. Оцінимо проект безкоштовно, напишіть нам.

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.