Інтеграція та налаштування CVAT для розмітки зображень і відео

Інтеграція та налаштування CVAT для розмітки зображень і відео

Ви запустили пілот з комп'ютерного зору, зібрали 50 000 зображень, найняли трьох розмітників, але через місяць зрозуміли: ручна розмітка коштує дорого, дедлайн горить, а якість — 70% IoU. Ми стикалися з цим десятки разів. Рішення — розгорнути CVAT (Intel), підключити AI-попередню розмітку та налаштувати пайплайн автоматичного контролю якості. Працюємо від деплою до навчання команди. Такий підхід окупається за 2–3 місяці при обсязі від 5000 розмічених об'єктів.

Чим CVAT кращий за платні сервіси?

Платні сервіси беруть від $2 до $5 за зображення, але ви не контролюєте дані, не можете кастомізувати воркфлоу, а при масштабі 10 000+ зображень бюджет стає критичним. CVAT — open-source, підтримується Intel. Зберігайте дані у себе, налаштовуйте інтерфейс, додавайте свої моделі через серверлес-функції. Ми ставили CVAT для клієнтів з ретейлу, медицини та автономного транспорту — скрізь рішення окупається за 2–3 місяці. Офіційний репозиторій: opencv/cvat.

Як AI-асистент прискорює розмітку?

AI-асистент — головний козир. Розмітник відкриває кадр, модель вже намалювала 80% боксів, людина тільки править межі. Без AI — 4–7 хвилин на зображення. З AI при точності 90% — 15–30 секунд. Це економія 80% часу команди. Ми реалізували такий пайплайн для 15 проектів. Ключовий фактор — якість передбачень: якщо точність падає нижче 70%, AI починає заважати. Тому ми обов'язково калібруємо порогові значення та підбираємо модель під конкретний датасет.

Як налаштувати AI-асистовану розмітку?

Для цього потрібен Nuclio serverless і модель, упакована в функцію. Завантажуємо модель, CVAT викликає її для кожного кадру. Приклад конфігурації для YOLOv8:

# docker-compose.override.yml
version: '3.3'

services:
  cvat_server:
    environment:
      DJANGO_MODWSGI_EXTRA_ARGS: ""
      ALLOWED_HOSTS: "*"
      CVAT_REDIS_HOST: "cvat_redis"
      CVAT_POSTGRES_HOST: "cvat_db"
      CVAT_DEFAULT_STORAGE_TYPE: "cloud_storage"
      AWS_ACCESS_KEY_ID: "${AWS_ACCESS_KEY_ID}"
      AWS_SECRET_ACCESS_KEY: "${AWS_SECRET_ACCESS_KEY}"
      AWS_STORAGE_BUCKET_NAME: "cvat-data"

  cvat_worker_annotation:
    deploy:
      replicas: 4

  cvat_worker_export:
    deploy:
      replicas: 2

  traefik:
    command:
      - "--providers.docker.exposedByDefault=false"
      - "--entrypoints.websecure.address=:443"
      - "[email protected]"

# Швидкий деплой з SSL
git clone https://github.com/opencv/cvat.git
cd cvat
docker compose -f docker-compose.yml -f docker-compose.override.yml -f components/serverless/docker-compose.serverless.yml up -d
docker exec -it cvat_server python manage.py createsuperuser

Функція Nuclio для детекції:

# nuclio/yolov8_detector/main.py
import json
import base64
import numpy as np
import cv2
from ultralytics import YOLO

model = YOLO('/opt/nuclio/yolov8l.pt')

def handler(context, event):
    data = event.body
    buf = base64.b64decode(data['image'])
    img = cv2.imdecode(np.frombuffer(buf, np.uint8), cv2.IMREAD_COLOR)
    threshold = data.get('threshold', 0.45)
    results = model(img, conf=threshold)
    annotations = []
    for box in results[0].boxes:
        x1, y1, x2, y2 = map(float, box.xyxy[0])
        cls_name = model.names[int(box.cls)]
        annotations.append({
            'confidence': float(box.conf),
            'label': cls_name,
            'points': [x1, y1, x2, y2],
            'type': 'rectangle'
        })
    return context.Response(
        body=json.dumps(annotations),
        headers={'Content-Type': 'application/json'},
        status_code=200
    )

# nuclio function.yaml
apiVersion: nuclio.io/v1beta1
kind: Function
metadata:
  name: cvat-yolov8-detector
spec:
  runtime: python:3.9
  handler: main:handler
  resources:
    limits:
      nvidia.com/gpu: 1
  env:
    - name: MODEL_PATH
      value: /opt/nuclio/yolov8l.pt

Як автоматизувати імпорт та експорт даних через API CVAT?

from cvat_sdk import make_client
from cvat_sdk.models import TaskWriteRequest, DataRequest

class CVATIntegration:
    def __init__(self, host: str, credentials: tuple):
        self.client = make_client(host=host, credentials=credentials)

    def create_task_from_s3(self, task_name: str, s3_prefix: str, labels: list) -> int:
        task = self.client.tasks.create(TaskWriteRequest(
            name=task_name,
            labels=labels,
            segment_size=100,
            overlap=5
        ))
        self.client.tasks.create_data(
            id=task.id,
            data_request=DataRequest(
                cloud_storage_id=1,
                filename=[f'{s3_prefix}/{f}' for f in self._list_s3_files(s3_prefix)]
            )
        )
        return task.id

    def export_annotations(self, task_id: int, format: str = 'YOLO 1.1') -> str:
        export_path = f'/tmp/annotations_{task_id}.zip'
        self.client.tasks.export_dataset(id=task_id, format=format, filename=export_path)
        return export_path

    def get_annotation_progress(self, task_id: int) -> dict:
        task = self.client.tasks.retrieve(task_id)
        return {'total_frames': task.size, 'annotated': task.jobs[0].stage if task.jobs else 0}

При автоматизації через API важливо налаштувати правильні політики ретраїв та ліміти. Ми використовуємо exponential backoff при перевищенні лімітів CVAT. Для великих проектів (100 000+ зображень) налаштовуємо паралельні черги завдань.

Швидкість розмітки: AI-асистент vs ручна

Реальні цифри з проекту з розмітки промислових дефектів (5000 зображень):

Якщо точність передбачень нижче 70%, AI-асистент сповільнює роботу — виправлення займають більше часу, ніж розмітка з чистого аркуша. Тому ми завжди тестуємо модель на репрезентативній вибірці перед інтеграцією.

Як забезпечити контроль якості розмітки?

• Overlap jobs: 10–15% зображень розмічаються двома розмітниками незалежно, потім порівнюємо IoU.
• Honeypots: спеціально підготовлені зображення з відомою розміткою — перевіряємо точність конкретного розмітника.
• Consensus: 3 розмітники на складні випадки + majority vote.

Додатково налаштовуємо автоматичну валідацію: перевірка пропущених об'єктів, дублікатів, відповідності label-схемі. Всі метрики потрапляють у дашборд для аналізу. Для автоматизації контролю використовуємо CVAT Analytics та власні скрипти на Python.

Типова помилка — пропускати етап валідації на старті. Якщо датасет містить багато поганих зразків, AI-модель швидко деградує. Ми рекомендуємо закладати 10% часу проекту на рев'ю розмітки.

Типові помилки при інтеграції CVAT:

• Відсутність ретраїв в API-запитах при перевищенні лімітів.
• Неправильне налаштування S3-пермішенів.
• Використання моделі без попереднього тестування на репрезентативній вибірці.
• Пропуск етапу overlap jobs на старті.

Процес роботи та терміни

1. Аналітика: вивчення даних, підбір моделі для попередньої розмітки, проектування архітектури.
2. Деплой: розгортання CVAT з S3, SSL, backup.
3. Інтеграція AI: підключення 1–3 моделей через Nuclio, налаштування threshold.
4. Контроль якості: налаштування overlap, honeypots, consensus.
5. Навчання команди: 2–3 сесії по 4 години.
6. Передача документації та CI/CD.

Що входить у роботу?

При замовленні комплексної інтеграції ви отримуєте:

• Робочий інстанс CVAT з SSL, регулярними бекапами та моніторингом
• 1–3 AI-моделі, упаковані в Nuclio-функції з налаштуванням порогів
• Пайплайн автоматичного імпорту/експорту даних через S3
• Систему контролю якості: overlap jobs, honeypots, консенсус
• Навчання команди розмітників (2–4 години) та адміністраторів (1–2 години)
• Документацію з адміністрування та розширення системи
• Підтримку протягом місяця після здачі

Чому варто інтегрувати AI-асистент?

Досвід показує: на проектах обсягом більше 3000 зображень AI-асистент окупається за 2–4 тижні. Ви знижуєте залежність від кількості розмітників, отримуєте однорідну якість і можете масштабуватися без найму. Ми гарантуємо, що точність попередньої розмітки не нижче 80% — інакше повертаємо гроші за інтеграцію моделі.

Замовте інтеграцію під ключ — отримайте готовий пайплайн з навченою командою. Зв'яжіться з нами для консультації по вашому проекту та оцінки економії бюджету.

Досвід інженерів — понад 5 років у Computer Vision. Виконали понад 30 інтеграцій CVAT для ретейлу, логістики та медтехніки.

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.