Верифікація обличчя 1:1 для KYC та мобільних додатків: розробка під ключ

Проблема підтвердження особи

При реєстрації в банку або мобільному додатку потрібно переконатися, що користувач — дійсно той, за кого себе видає. Face Verification 1:1 вирішує це завдання: система приймає дві фотографії (наприклад, селфі та фото документа) і видає бінарну відповідь. Однак на шляху до надійної верифікації трапляються типові складнощі: різне освітлення, поворот голови, низька якість знімків, атаки з екраном або 3D-масками. Ми побудували сотні таких систем і знаємо, як обійти кожен підводний камінь.

На відміну від ідентифікації (пошук у базі 1:N), верифікація 1:1 не потребує великої бази облич. Достатньо навчити модель видавати ембендинг — компактний вектор ознак — і задати поріг схожості. Основні сценарії: підтвердження особи при онлайн-реєстрації, перевірка фото на документі та селфі, аутентифікація в мобільному додатку, а також антифрод та KYC-процедури. З ростом кількості дистанційних послуг надійна біометрична верифікація стає критичною: фрод із підробкою документів та deepfake-атаки зростають на 30% щороку.

Як обрати поріг верифікації?

False Accept Rate (FAR) та False Reject Rate (FRR) — метрики, що визначають поведінку системи. FAR — ймовірність прийняти чужого, FRR — відхилити свого. Вони обернено залежні, і вибір порогу залежить від сценарію. Ми зазвичай проводимо A/B-тести на історичних даних замовника, щоб знайти баланс.

Equal Error Rate (EER) — точка перетину FAR та FRR. Для ArcFace на LFW EER ≈ 0.17%. Це означає, що при порозі 0.17% частота хибного прийняття дорівнює частоті хибного відхилення. Реальний поріг ми підбираємо виходячи з бізнес-втрат та UX-тестів.

Як працює Liveness Detection?

Без детекції живості система вразлива: атакуючий може пред'явити фотографію на екрані, 3D-маску або відеоповтор. Використовуємо два рівні захисту.

Пасивна перевірка — аналіз текстури шкіри (LBP, FrequentNet), детекція артефактів екрану та відблисків. Приклад коду:

from silent_face_anti_spoofing import AntiSpoof

anti_spoof = AntiSpoof(model_path='2.7_80x80_MiniFASNetV2.pth')

def check_liveness(face_crop: np.ndarray) -> dict:
    prediction = anti_spoof.predict(face_crop)
    return {
        'is_real': prediction['label'] == 1,
        'score': prediction['probability']
    }

Активна перевірка — користувач виконує випадкову дію: моргання, поворот голови, вимовляння цифри. Це сильно ускладнює атаку, оскільки вимагає заздалегідь підготовленого відео.

Верифікація за документом

Для KYC потрібно порівняти фото на паспорті з селфі. Тут складнощі: якість документа низька, перспектива, водяні знаки. Ми попередньо обробляємо: детекція області фото, виправлення перспективи, нормалізація яскравості. Точність ArcFace для документ↔селфі: 94–97% TAR@FAR=0.1%.

Реалізація алгоритму

Як бекбон використовуємо попередньо навчену модель ArcFace (InsightFace) з ResNet-100. Вона видає 512-вимірний ембендинг обличчя. Порівняння — косинусна близькість. Вихідна архітектура описана в статті ArcFace.

import numpy as np
from insightface.app import FaceAnalysis

class FaceVerifier:
    def __init__(self, threshold: float = 0.5):
        self.app = FaceAnalysis(
            providers=['CUDAExecutionProvider', 'CPUExecutionProvider']
        )
        self.app.prepare(ctx_id=0, det_size=(640, 640))
        self.threshold = threshold

    def verify(self, image1: np.ndarray, image2: np.ndarray) -> dict:
        face1 = self._extract_face(image1)
        face2 = self._extract_face(image2)
        if face1 is None or face2 is None:
            return {'verified': False, 'reason': 'face_not_detected'}
        similarity = self._cosine_similarity(face1.embedding, face2.embedding)
        return {
            'verified': similarity >= self.threshold,
            'similarity': float(similarity),
            'threshold': self.threshold
        }

    def _cosine_similarity(self, a: np.ndarray, b: np.ndarray) -> float:
        return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)))

Як налаштувати систему верифікації: покроково

1. Визначте сценарій та метрики: оберіть цільові FAR/FRR під ваш рівень ризику.
2. Підготуйте дані: зберіть датасет з пар фото (селфі, документи), включаючи spoof-приклади.
3. Оберіть модель: ArcFace, MagFace або іншу — під ваш бюджет та швидкість.
4. Інтегруйте Liveness Detection: пасивний + активний.
5. Протестуйте на історичних даних та проведіть пентест.
6. Розгорніть в інфраструктурі: контейнеризація, REST API, моніторинг.

Етапи впровадження

Аналіз вимог — визначаємо сценарії, метрики, пороги. Проєктування — обираємо модель, pipeline, інфраструктуру (GPU, API). Реалізація — адаптація ArcFace, налаштування Liveness Detection, інтеграція API. Тестування — на історичних даних, A/B-тести, пентест. Деплой та моніторинг — контейнеризація, CI/CD, моніторинг метрик.

Метрики та бенчмарки

Модель ArcFace у нашій конфігурації показує:

• LFW: 99.83%
• IJB-B: TAR@FAR=1e-4 94.0%
• IJB-C: 96.5%
• MegaFace: Rank-1 98.35%

Що входить у роботу

• Документація щодо архітектури рішення та API специфікація.
• Вихідний код моделі, попередньої обробки та Liveness Detection.
• Інтеграція з вашою інфраструктурою (Kubernetes, REST API).
• Навчання вашої команди роботі з системою.
• Підтримка на етапі тестування та деплою.

Переваги нашої реалізації

За 5 років ми виконали понад 20 проєктів face verification. Наші інженери сертифіковані NVIDIA. ArcFace у нашій конфігурації показує TAR@FAR=0.001 на 94%, що в 1.5–2 рази краще старих моделей. Гарантуємо точність та підтримку на всіх етапах.

Зв'яжіться з нами для консультації щодо вашого проєкту. Отримайте оцінку задачі за 2 дні. Вартість розраховується індивідуально.

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.