Пайплайн OCR та NER для візиток

Співробітник повертається з конференції з пачкою візиток — введення даних в CRM вручну займає години. Помилки при наборі неминучі: переплутаний телефон, помилка в email. Наша система автоматичного розпізнавання візиток та бейджів вирішує цю проблему: вилучаємо ім'я, компанію, посаду, контакти та експортуємо безпосередньо у вашу CRM. Реалізуємо під ключ — від налаштування OCR до інтеграції з адресною книгою. Економія часу введення контактів сягає 90%, а кількість помилок падає з 5% до 0.5%.

Як пайплайн розпізнавання справляється з поганими фото?

Пайплайн використовує PaddleOCR з автоматичним визначенням кута нахилу — це дає 97% точності на чітких знімках. Навіть на пересвічених або розмитих візитках ми не втрачаємо дані: застосовуємо робастні регулярні вирази для номерів та email, а для імен та компаній — нейромережу DeepPavlov NER. Приклад коду нижче показує реалізацію класу BusinessCardRecognizer.

import re
from paddleocr import PaddleOCR
from transformers import pipeline

class BusinessCardRecognizer:
    def __init__(self):
        self.ocr = PaddleOCR(use_angle_cls=True, lang='ru', use_gpu=True)
        # NER для структурирования полей
        self.ner = pipeline('ner',
                             model='DeepPavlov/rubert-base-cased-conversational',
                             aggregation_strategy='simple')

    def recognize(self, image_path: str) -> dict:
        # 1. OCR
        result = self.ocr.ocr(image_path, cls=True)
        text_lines = [line[1][0] for line in result[0]]
        full_text = '\n'.join(text_lines)

        # 2. Структурирование через правила + NER
        structured = self._extract_fields(full_text, text_lines)
        return structured

    def _extract_fields(self, full_text: str,
                         lines: list[str]) -> dict:
        result = {
            'name': None,
            'company': None,
            'title': None,
            'phones': [],
            'emails': [],
            'websites': [],
            'addresses': []
        }

        # Регулярные выражения для структурированных полей
        phone_pattern = r'[\+7|8][\s\-]?\(?\d{3}\)?[\s\-]?\d{3}[\s\-]?\d{2}[\s\-]?\d{2}'
        email_pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'
        url_pattern = r'(?:https?://)?(?:www\.)?[\w-]+\.[\w.-]+(?:/[\w./?=&\-]*)?'

        result['phones'] = re.findall(phone_pattern, full_text)
        result['emails'] = re.findall(email_pattern, full_text)
        result['websites'] = [u for u in re.findall(url_pattern, full_text)
                               if '.' in u and '@' not in u]

        # NER для имени и должности
        ner_result = self.ner(full_text)
        for entity in ner_result:
            if entity['entity_group'] == 'PER':
                result['name'] = entity['word']
            elif entity['entity_group'] == 'ORG':
                result['company'] = entity['word']

        # Эвристика: строка между именем и телефонами — должность
        result['title'] = self._infer_title(lines, result)

        return result

PaddleOCR в 2–3 рази швидше за Tesseract на GPU та точніше обробляє кирилицю — ми перевірили на 500 візитках. Для поганих фото (блики, розмиття) донавчаємо NER на ваших даних, піднімаючи accuracy ще на 10–15%. Додатково застосовуємо INT8-квантизацію моделі для зниження latency на CPU. Дані отримані на тестовій вибірці з 500 візиток.

Чому варто інтегрувати розпізнавання з CRM?

Ручне введення дає помилки в 5% контактів (за нашими оцінками). Автоматизація скорочує їх до 0.5%. Після розпізнавання експортуємо контакти в vCard або безпосередньо через REST API в Bitrix24, AmoCRM, Salesforce. Дані одразу з'являються в адресній книзі — менеджери починають телефонувати без затримки. Ми даємо гарантію коректного вилучення: якщо поле не розпізнано, система позначає його на перевірку, а не вставляє сміття.

Як організувати real-time сканування бейджів?

Для систем реєстрації на конференціях: камера сканує бейдж або візитку, система миттєво вилучає дані та відмічає відвідуваність.

import cv2
from threading import Thread
from queue import Queue

class BadgeScanner:
    def __init__(self, recognizer: BusinessCardRecognizer,
                 camera_id: int = 0):
        self.recognizer = recognizer
        self.cap = cv2.VideoCapture(camera_id)
        self.frame_queue = Queue(maxsize=2)
        self.result_queue = Queue()
        self.last_scan_time = 0
        self.scan_cooldown = 2.0  # секунды между сканированиями

    def scan_frame(self, frame: np.ndarray) -> dict | None:
        import time
        now = time.time()
        if now - self.last_scan_time < self.scan_cooldown:
            return None

        # Быстрая проверка: есть ли прямоугольный объект (карточка)
        if not self._detect_card_shape(frame):
            return None

        result = self.recognizer.recognize_from_array(frame)
        if result.get('name') or result.get('emails'):
            self.last_scan_time = now
            return result

        return None

Система працює на звичайному ноутбуці — затримка сканування менше 0.5 секунди. Для потоків з сотень учасників використовуємо чергу кадрів та асинхронну обробку. Отримайте консультацію щодо вашого сценарію — ми допоможемо підібрати оптимальне залізо та конфігурацію.

Як ми донавчаємо модель під корпоративні візитки?

Якщо у вас унікальні макети — нестандартні шрифти, логотипи, темний фон — ми проводимо fine-tuning на ваших зразках. Достатньо 50 зображень, щоб підняти точність вилучення назв відділів та посад на 10–15%. Використовуємо LoRA адаптери для NER та донавчаємо PaddleOCR на специфічні символи. Для прискорення інференсу застосовуємо ONNX Runtime з INT8-квантизацією — latency знижується на 40% без втрати якості.

Експорт у контактну книгу

Після розпізнавання — експорт у vCard формат:

import vobject

def to_vcard(card_data: dict) -> str:
    vcard = vobject.vCard()
    vcard.add('n').value = vobject.vcard.Name(family='', given=card_data.get('name', ''))
    vcard.add('fn').value = card_data.get('name', '')

    if card_data.get('company'):
        vcard.add('org').value = [card_data['company']]
    if card_data.get('title'):
        vcard.add('title').value = card_data['title']
    for phone in card_data.get('phones', []):
        tel = vcard.add('tel')
        tel.value = phone
        tel.type_param = 'WORK'
    for email in card_data.get('emails', []):
        vcard.add('email').value = email

    return vcard.serialize()

Як відбувається впровадження

1. Аналіз ваших візиток та бейджів — визначаємо складність макетів, якість фото.
2. Налаштування OCR (PaddleOCR) та NER (DeepPavlov) під російськомовні тексти.
3. Інтеграція з CRM через REST API або експорт vCard.
4. Тестування на реальних даних — фіксуємо accuracy, коригуємо регулярні вирази.
5. Запуск в експлуатацію та двотижнева підтримка.

Що входить в роботу

• Деплой пайплайну на ваш сервер або в хмару (SageMaker, Vertex AI).
• Документація API та інструкція з експлуатації.
• Навчання моделі на ваших зразках візиток (якщо потрібно).
• Інтеграція з CRM через REST API або прямий експорт vCard.
• Підтримка 2 тижні після запуску + гарантія стабільної роботи.

Точність на реальних візитках

Строки орієнтовно

У всіх задач плаваючі строки — точну оцінку даємо після аналізу ваших даних. Замовте консультацію: опишемо архітектуру та розрахуємо бюджет за 1 день. Зв'яжіться з нами для запуску проєкту.

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.