Розробка системи визначення віку та статі за обличчям

Розробка системи визначення віку та статі за обличчям

Зберіть сотні тисяч селфі — і що? Як витягти вік і стать з помилкою менше 5 років? Ми стикалися з проєктами, де стандартні моделі InsightFace давали MAE 8 років на неякісних знімках. Пересклали пайплайн: мультизадачний підхід з розподіленою регресією та аугментацією під специфіку замовника. Результат — 4.2 року MAE на реальних даних. Наша команда має понад 7 років досвіду, реалізувала 15+ проєктів і працює на ринку з 2018 року. Використання нашої системи знижує витрати на ручну обробку до 70% завдяки автоматизації демографічного аналізу.

Оцінка віку й статі за зображенням обличчя — задача computer vision із застосуванням у retail аналітиці (демографічний профіль відвідувачів), системах адаптивного контенту, медичних дослідженнях, перевірці віку (age gate). Обидві задачі часто реалізуються єдиною спільною моделлю.

Чому спільна модель краща за дві окремі?

Одна backbone, що навчається на двох пов'язаних задачах, витягує більш загальні ознаки обличчя. Об'єднане навчання покращує узагальнення: градієнти від задачі статі допомагають регресії віку, і навпаки. На практиці це дає виграш MAE в 1.1–1.2 рази порівняно з двома незалежними мережами.

Архітектура та навчання моделі

import torch
import torch.nn as nn
import timm

class AgeGenderModel(nn.Module):
    """Єдина модель для одночасного передбачення віку та статі"""
    def __init__(self, pretrained_backbone: str = 'efficientnet_b2'):
        super().__init__()
        backbone = timm.create_model(pretrained_backbone, pretrained=True, num_classes=0)
        self.backbone = backbone
        feat_dim = backbone.num_features  # 1408 для B2

        # Shared representation
        self.shared = nn.Sequential(
            nn.Linear(feat_dim, 512),
            nn.GELU(),
            nn.Dropout(0.3)
        )

        # Окремі голови для кожної задачі
        self.age_head = nn.Linear(512, 1)      # регресія (MAE)
        self.gender_head = nn.Linear(512, 2)   # класифікація (CE)

    def forward(self, x):
        features = self.backbone(x)
        shared = self.shared(features)
        age = self.age_head(shared).squeeze()
        gender_logits = self.gender_head(shared)
        return age, gender_logits

Вік як регресія vs класифікація: regression дає неперервний результат (32.4 року), classification за діапазонами (30–35 років) менш точна, але зручніша для деяких застосувань. Розподілена регресія (DLDL) — найкращий підхід: вік моделюється як імовірнісний розподіл, а не точкове значення. DLDL забезпечує точність в 1.3 рази вищу за звичайну регресію за рахунок зниження впливу викидів.

Функції втрат для спільного навчання

def multitask_loss(age_pred, age_true, gender_logits, gender_true,
                   age_weight=1.0, gender_weight=0.5):
    # MAE для віку + CE для статі
    age_loss = nn.L1Loss()(age_pred, age_true.float())
    gender_loss = nn.CrossEntropyLoss()(gender_logits, gender_true)

    # Uncertainty weighting (Kendall et al.)
    return age_weight * age_loss + gender_weight * gender_loss

Датасети та аугментація

Що дає аугментація для точності?

Без аугментації модель перенавчається на домені датасету — падає на «диких» фотографіях. Ми застосовуємо random brightness/contrast, blur, coarse dropout, щоб імітувати реальні умови (погане світло, перекриття). Це знижує MAE на 1–1.5 року на валідації.

import albumentations as A
from albumentations.pytorch import ToTensorV2

train_transform = A.Compose([
    A.Resize(224, 224),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(brightness_limit=0.3, contrast_limit=0.3, p=0.5),
    A.GaussianBlur(blur_limit=(3, 7), p=0.2),
    A.CoarseDropout(max_holes=4, max_height=30, max_width=30, p=0.3),
    A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
    ToTensorV2()
])

Метрики продуктивності

Наш спільний підхід зменшує MAE на 0.5–1 рік порівняно з двома окремими моделями. EfficientNet-B2 на 15% точніший за MobileNetV3, але в 2.5 рази повільніший.

Етика та bias

Моделі, навчені на IMDB-Wiki, мають недопредставлення літніх людей і деяких етнічних груп. FairFace датасет спеціально збалансований для зниження bias. При використанні для прийняття рішень (age gate) — обов'язкове тестування на fairness across demographic groups. Також застосовуємо байєсівську оптимізацію гіперпараметрів для покращення стійкості.

Процес роботи

1. Аналітика та збір вимог — визначаємо цільові метрики, джерела даних, обмеження по latency.
2. Збір і розмітка даних — якщо потрібна кастомна розмітка, залучаємо краудсорсинг з контролем якості.
3. Прототипування — швидкий тест декількох архітектур (EfficientNet, MobileNet, ViT) на невеликій вибірці.
4. Тренування та валідація — повний цикл: аугментація, спільне навчання, оптимізація гіперпараметрів.
5. Тестування на перехресних вибірках — оцінка bias, перевірка на реальних даних замовника.
6. Деплой — упаковка в Triton Inference Server або SageMaker, API (REST/gRPC), документація.
7. Моніторинг дрейфу — відстежуємо зміщення розподілу віку/статі, автоматичні алерти.

Що входить в роботу

• Документація пайплайну (препроцесинг, архітектура, навчання).
• Навчена модель з вагами та конфігами.
• API для інтеграції (приклади на Python, cURL).
• Звіт з bias-метрик та очікуваної точності на ваших даних.
• Навчання ваших інженерів (2 години воркшопу).
• Гарантія на модель: фіксація метрик в контракті.

Терміни орієнтовно

Вартість проєкту орієнтовно від $5,000 до $20,000 залежно від обсягу даних та складності. Оцінимо проєкт безкоштовно — зв'яжіться з нами.

Гарантуємо прозорість пайплайну та API, який вбудовується у вашу інфраструктуру за день. Отримайте консультацію — зв'яжіться з нами.

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.