Facial Emotion Recognition: розробка системи визначення емоцій

Зауважимо: коли EdTech-стартап просить оцінити залученість студентів через веб-камеру, а ритейлер хоче аналізувати задоволеність клієнтів у кол-центрі — ми пропонуємо не прототип, а production-ready систему facial emotion recognition під ключ. Згідно з визначенням, розпізнавання виразів обличчя — це технологія, яка дозволяє ідентифікувати емоції людини за зображенням обличчя. Наш досвід: 5+ років у Computer Vision, 30+ проєктів з детекцією облич, сертифікати NVIDIA NGC Partner. Впровадження такої системи знижує витрати на ручний аналіз до 70% і дозволяє виявити приховані паттерни поведінки.

Як працює система facial emotion recognition

Система включає два етапи: детекція обличчя та класифікація емоцій. Ми використовуємо InsightFace для детекції (32 мс на T4) та EfficientNet-B0 з ONNX Runtime для класифікації (4 мс). Temporal smoothing ковзним вікном 30 кадрів стабілізує висновок.

Проблеми, які вирішуємо — facial emotion recognition

Низька точність на реальних даних

Публічні моделі (EfficientNet-B0 на FER) дають 73.1% — це межа через суб'єктивність розмітки. Люди не погоджуються в 30–40% випадків. Ми донавчаємо модель на вашому датасеті: збираємо 10–50 тисяч кадрів, розмічаємо в 3 етапи (два розмітники + арбітр). Результат: 84–88% accuracy на цільовій вибірці.

Затримки в реальному часі

Детекція обличчя + класифікація мають укладатися в 100 мс і менше. Ми використовуємо InsightFace для детекції (32 мс на T4) і EfficientNet-B0 з ONNX Runtime (4 мс). Temporal smoothing ковзним вікном 30 кадрів стабілізує висновок.

Чому точність публічних моделей недостатня?

Датасети на кшталт FER збиралися в uncontrolled умовах, але мітки суб'єктивні. AffectNet містить 1M фото, але 40% розмітки визнані шумними. Щоб подолати цей бар'єр, ми додаємо аугментацію (повороти, освітлення, occlusion) та ансамбль моделей. Важливо розуміти: accuracy 75% — це стеля для набору FER, тому що навіть люди погоджуються лише в 60–70% випадків. Для продакшену потрібне донавчання під домен.

Як ми підвищуємо точність до 85%+?

Використовуємо Vision Transformer (ViT-B/16) з fine-tuning на вашому датасеті. Порівняння: EfficientNet-B0 — 73.1%, ViT-B/16 — 74.8% на FER, але на доменних даних розрив сягає 5–7%. Додатково застосовуємо label smoothing та Focal Loss для роботи з незбалансованими класами. EfficientNet-B0 з Focal Loss кращий за vanilla ResNet-18 на 3.1% — розрив на корпоративних даних досягає 5–8%.

Архітектура моделі

Пайплайн: детекція обличчя → вирівнювання → класифікація емоцій.

import torch
import torch.nn as nn
import timm
import cv2
import numpy as np
from insightface.app import FaceAnalysis

class EmotionRecognizer:
    def __init__(self, model_path: str):
        # Детекция и выравнивание лица
        self.detector = FaceAnalysis(allowed_modules=['detection'])
        self.detector.prepare(ctx_id=0, det_size=(640, 640))

        # Классификатор эмоций
        backbone = timm.create_model('efficientnet_b0', pretrained=False)
        backbone.classifier = nn.Sequential(
            nn.Dropout(0.3),
            nn.Linear(backbone.num_features, 7)
        )
        backbone.load_state_dict(torch.load(model_path))
        backbone.eval()
        self.model = backbone

        self.emotions = ['angry', 'disgust', 'fear', 'happy',
                         'neutral', 'sad', 'surprise']
        self.transform = get_inference_transform()

    @torch.no_grad()
    def predict(self, image: np.ndarray) -> list[dict]:
        faces = self.detector.get(image)
        results = []

        for face in faces:
            x1, y1, x2, y2 = face.bbox.astype(int)
            face_crop = image[y1:y2, x1:x2]
            face_crop = cv2.resize(face_crop, (48, 48))

            tensor = self.transform(face_crop).unsqueeze(0)
            logits = self.model(tensor)
            probs = torch.softmax(logits, dim=1).squeeze()

            emotion_scores = {
                self.emotions[i]: float(probs[i])
                for i in range(7)
            }
            dominant = max(emotion_scores, key=emotion_scores.get)

            results.append({
                'bbox': [x1, y1, x2, y2],
                'emotion': dominant,
                'confidence': emotion_scores[dominant],
                'all_scores': emotion_scores
            })

        return results

Датасети та якість моделей

Точність на FER:

• EfficientNet-B0 fine-tuned: 73.1%
• Vision Transformer (ViT-B/16): 74.8%
• EfficientFace: 73.3%

Головна складність: мітки в публічних датасетах суб'єктивні, люди не погоджуються в 30–40% випадків. Accuracy 75% — це межа для набору FER через людську незгоду. Тому якісна розмітка під задачу критична.

Часова аналітика на відео

Покадрова класифікація нестабільна — емоція «блимає» між кадрами. Рішення:

• Temporal smoothing: ковзне середнє по 10–30 кадрах.
• RNN/LSTM поверх frame-level класифікатора: враховує часову динаміку.
• Aggregation по інтервалу: середня емоція за N-секундний інтервал для аналітики.

from collections import deque

class TemporalEmotionTracker:
    def __init__(self, window_size: int = 30):
        self.window = deque(maxlen=window_size)

    def update(self, emotion_scores: dict) -> dict:
        self.window.append(emotion_scores)
        # Усредняем по окну
        averaged = {}
        for emotion in emotion_scores:
            averaged[emotion] = sum(
                frame[emotion] for frame in self.window
            ) / len(self.window)
        return averaged

Обмеження та етичні аспекти

Важливо розуміти обмеження технології:

• Культурні відмінності у вираженні емоцій (міміка варіюється між культурами).
• Нейтральне обличчя ≠ нейтральний стан людини.
• Акторська міміка відрізняється від щирої.

Технологія не повинна використовуватися для прихованого моніторингу співробітників без їхнього відома. У production завжди потрібна юридична згода.

Процес роботи

1. Аналітика вимог і збір датасету.
2. Проєктування архітектури: вибір backbone, детектора, постобробки.
3. Реалізація: навчання моделі, пайплайн інференсу.
4. Тестування на ваших даних (A/B тест).
5. Деплой: Docker-контейнер з Triton Inference Server або ONNX Runtime.

Що входить в результат

• Документація пайплайну (Model Card, опис архітектури).
• Навчання вашої команди роботі з моделлю.
• Підтримка 3 місяці після впровадження.
• Код з тестами та відтворюваним навчанням.

Порівняння: наш підхід vs класичний ResNet

Ми використовуємо EfficientNet-B0 з Focal Loss. Приріст точності на FER — 3.1% проти Vanilla ResNet-18 (70.0%). На корпоративних даних розрив досягає 5–8%. Затримка інференсу на CPU — 12 мс, на GPU — 3 мс.

Гарантуємо: модель здається з метриками не нижче обговорених, код покритий тестами, пайплайн відтворюваний. Зв'яжіться з нами, щоб обговорити впровадження розпізнавання емоцій у ваш продукт. Отримайте консультацію з архітектури та оцінки термінів.

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.