Розробка системи комп'ютерного зору (CV) під ключ

Дрейф даних — головний ворог CV-моделі в продакшені. Ми стикалися з цим у кожному другому проєкті: модель з mAP 0.95 на валідації падає до 0.6 через місяць після деплою. Причина — змінилося освітлення, кут камери або додався новий клас об'єктів. Щоб цього уникнути, потрібно будувати не просто модель, а пайплайн комп'ютерного зору з моніторингом дрейфу та автоматичним перенавчанням. Ми робимо саме так.

Які задачі вирішує комп'ютерний зір?

На виробництві — дефектоскопія виявляє брак з точністю до 99.5%, економлячи до 70% витрат на контроль якості. У рітейлі — розпізнавання товарів прискорює каси в 5 разів. У логістиці — трекінг об'єктів (палет, ящиків) та читання штрихкодів скорочує операційні витрати на 30%. Кожна задача вимагає свого підходу до data engineering та вибору архітектури. Наприклад, для детекції в реальному часі (30 FPS) потрібна легка модель YOLOv8-nano (втричі швидша за YOLOv8-large), а для сегментації медичних знімків — важка U-Net або SAM. Середня окупність інвестицій у CV-систему становить 6–12 місяців за рахунок зниження витрат на контроль якості та скорочення простоїв.

Типовий стек CV-системи

Сучасна CV-система будується на трьох рівнях: модель, інференс-сервер, інтеграційний шар.

Моделі (вибір залежить від задачі):

• Класифікація: EfficientNet-B4/B7, ViT-B/16, ConvNeXt
• Детекція: YOLOv8/YOLO11, RT-DETR, DINO
• Сегментація: Segment Anything Model (SAM), Mask R-CNN, YOLOv8-seg
• Генеративні: Stable Diffusion, DALL-E 3 (для аугментації)

Інференс-сервери:

• NVIDIA Triton Inference Server — для GPU-деплою, батчинг, model ensemble
• TorchServe — для PyTorch-моделей
• ONNX Runtime — для edge/CPU деплою
• TensorFlow Serving — для TF-моделей

Оптимізація для production:

• TensorRT — прискорення на NVIDIA GPU: 2–5x порівняно з PyTorch
• ONNX export -> quantization INT8 — для CPU або edge пристроїв
• Pruning — видалення незначущих ваг при допустимому просіданні accuracy

Документація NVIDIA TensorRT підтверджує, що квантизація INT8 знижує розмір моделі на 75% і прискорює інференс на CPU до 3x.

Як оптимізувати модель для деплою?

1. Профілюємо модель через NVIDIA Nsight, виявляємо вузькі місця.
2. Конвертуємо в TensorRT engine з FP16 або INT8 квантизацією.
3. Налаштовуємо динамічний батчинг (наприклад, batch=8).
4. Деплоїмо в Triton Inference Server з грейсфул вимкненням та A/B тестом.
5. Вмикаємо моніторинг дрейфу даних — якщо розподіл змінився, модель перенавчається автоматично.

from ultralytics import YOLO

model = YOLO('best.pt')
model.export(format='engine',          # TensorRT engine
             device=0,
             half=True,                # FP16
             dynamic=False,
             imgsz=640,
             batch=8)

Для продакшену важлива не лише точність, а й швидкість. TensorRT з FP16 дає виграш у 2–5x без значної втрати метрик. Після деплою вмикаємо моніторинг дрейфу даних — якщо розподіл змінився, модель перенавчається автоматично.

Пайплайн розробки

Етап 1: Аналіз задачі та даних Визначення типу задачі (класифікація / детекція / сегментація / etc), вимоги до latency (real-time < 50ms або batch?), цільове залізо (GPU/CPU/Edge). Аудит наявних даних: кількість, якість, баланс класів.

Етап 2: Data Engineering Збір даних при нестачі. Розмітка: CVAT, Label Studio, Roboflow. Аугментація: albumentations (геометричні та кольорові перетворення), Mosaic для детекції. Розбивка: train/val/test стратифікована.

Етап 3: Навчання та експерименти MLflow для трекінгу експериментів. Трансфер лернінг від COCO/ImageNet pretrained. Hyperparameter search через Optuna або Ray Tune.

Етап 4: Оцінка та аналіз помилок Confusion matrix, precision/recall криві, аналіз worst cases. Для детекції: [email protected], [email protected]:0.95. Тест на OOD (out-of-distribution) даних.

Етап 5: Оптимізація та деплой TensorRT/ONNX, профілювання через NVIDIA Nsight. Docker-контейнер, Kubernetes деплой, A/B тест проти baseline.

Вимоги до даних

Що входить в роботу

• Документація пайплайну (архітектура, навчання, деплой)
• Навчання команди замовника роботі з моделлю та її перенавчанню
• Інтеграція з MLOps-інструментами (MLflow, Kubeflow)
• Моніторинг дрейфу даних та сповіщення
• SLA 99.9% аптайм інференс-сервера

Чому обирають нас

Більше 10 років експертизи в Computer Vision, сертифіковані інженери (NVIDIA DLI, TensorRT). Ми реалізували понад 50 проєктів — від розпізнавання номерів на СТО до сегментації супутникових знімків. Кожен проєкт супроводжується заміром business KPIs: зниження помилок на 40%, прискорення процесів у 5 разів.

Замовте розробку CV-системи під ключ — ми оцінимо ваш проєкт та запропонуємо оптимальне рішення. Отримайте консультацію інженера для детальної оцінки.

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.