Система розпізнавання жестів: від MediaPipe до продакшену

Уявіть: хірург під час операції хоче переглянути знімки МРТ, не відволікаючись на стерилізацію клавіатури. Або відвідувач музею керує інтерактивною експозицією рухом руки. Розпізнавання жестів — інтерфейс майбутнього, але його реалізація впирається в точність, затримки та адаптацію до різних умов освітлення. Часто клієнти приходять із проблемою: модель MediaPipe видає сирі точки, але класифікація жестів на їх основі дає 60–70% точності через зміщення камери або шум. Ми в TrueTech вирішуємо ці задачі, використовуючи стек Computer Vision та машинного навчання. Розробляємо системи під ключ — від прототипу до продакшену, гарантуючи стабільність у реальних сценаріях.

MediaPipe Hands — відкрита бібліотека Google для hand landmark detection. Вона передбачає 21 ключову точку кисті, працюючи в реальному часі на мобільних CPU (30+ FPS) і десктопах (60+ FPS). Головна перевага — готова оптимізація під TensorFlow Lite та ONNX, що спрощує деплой на цільові пристрої. Для специфічних сценаріїв (жестова мова, динамічні жести) ми донавчаємо модель на своїх даних.

Як ми будуємо систему розпізнавання жестів?

Задача розпізнавання вирішується двома підходами: через скелет руки (hand landmarks) і через класифікацію зображень/відео жесту цілком. Перший підхід інтерпретований і працює в реальному часі, другий точніший для складних жестів. В основі обох лежать нейромережі, оптимізовані під цільовий пристрій.

MediaPipe Hands: детекція ключових точок руки

MediaPipe Hands — стандарт для hand landmark detection. 21 точка на руку, працює в реальному часі на мобільних пристроях.

import mediapipe as mp
import cv2
import numpy as np

class GestureRecognizer:
    def __init__(self, model_path: str):
        self.mp_hands = mp.solutions.hands
        self.hands = self.mp_hands.Hands(
            static_image_mode=False,
            max_num_hands=2,
            min_detection_confidence=0.7,
            min_tracking_confidence=0.5
        )
        # Классификатор жестов поверх landmarks
        self.gesture_classifier = self._load_classifier(model_path)
        self.gesture_names = ['open_hand', 'fist', 'ok', 'thumbs_up',
                               'thumbs_down', 'victory', 'pointing', 'none']

    def predict(self, frame: np.ndarray) -> list[dict]:
        rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        results = self.hands.process(rgb)

        gestures = []
        if results.multi_hand_landmarks:
            for hand_landmarks, handedness in zip(
                results.multi_hand_landmarks,
                results.multi_handedness
            ):
                # Нормализуем coordinates относительно запястья
                landmarks = self._normalize_landmarks(hand_landmarks)
                gesture = self.gesture_classifier.predict([landmarks])[0]

                gestures.append({
                    'gesture': self.gesture_names[gesture],
                    'hand': handedness.classification[0].label,  # Left/Right
                    'landmarks': landmarks
                })

        return gestures

    def _normalize_landmarks(self, hand_landmarks) -> list[float]:
        """Нормализация относительно ограничивающего прямоугольника"""
        coords = [[lm.x, lm.y, lm.z] for lm in hand_landmarks.landmark]
        coords = np.array(coords)
        # Нормализация: wrist как origin, масштаб по max extent
        wrist = coords[0]
        coords -= wrist
        scale = np.max(np.abs(coords))
        if scale > 0:
            coords /= scale
        return coords.flatten().tolist()

Класифікатор поверх landmarks

Для базових статичних жестів (8–20 класів) достатньо простого класифікатора на ознаках з landmarks:

from sklearn.ensemble import RandomForestClassifier
import joblib

# Навчання на записаних прикладах
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)  # X: [N, 63] landmarks, y: gesture_id

joblib.dump(clf, 'gesture_classifier.pkl')

Для складних жестів і динамічних жестів (рухів) — LSTM або 1D-CNN поверх послідовності landmarks:

import torch.nn as nn

class TemporalGestureClassifier(nn.Module):
    def __init__(self, input_size=63, num_classes=20, seq_len=30):
        super().__init__()
        self.lstm = nn.LSTM(input_size, 128, num_layers=2,
                            batch_first=True, dropout=0.3)
        self.classifier = nn.Linear(128, num_classes)

    def forward(self, x):  # x: [batch, seq_len, 63]
        _, (hidden, _) = self.lstm(x)
        return self.classifier(hidden[-1])

Чому MediaPipe Hands — стандарт для hand landmark detection?

MediaPipe Hands забезпечує в 2 рази вищий FPS порівняно з підходами на основі детекції об'єктів (YOLO-NAS), при схожій точності landmark. LSTM класифікатор перевершує RandomForest у точності на 5–7% на динамічних жестах. Головна перевага — готова оптимізація під TensorFlow Lite та ONNX, що спрощує деплой на цільові пристрої. Для специфічних сценаріїв (жестова мова, динамічні жести) ми донавчаємо модель на своїх даних.

Як реалізувати динамічні жести та розпізнавання жестової мови?

Для жестової мови (ASL, РЖМ) — складніше завдання. Потрібна часова модель на послідовності 15–30 кадрів. Ми використовуємо LSTM або 1D-CNN, навчаємо на розмічених відео. Окремий розділ: AI-система розпізнавання жестової мови. Для динамічних жестів керування (swipe left/right, zoom in/out) потрібна модель, що враховує зміну landmarks у часі. Типова помилка — перенавчання на рух користувача; ми вирішуємо це аугментацією даних (поворот, масштаб, шум) та крос-валідацією.

Застосування та приклади

Безконтактне керування в медичних закладах: хірург керує PACS-системою (перегляд рентгена) без дотику — актуально під час операції в стерильних умовах. Ми допомогли клініці впровадити систему з точністю 97% на 10 жестах.

Інтерактивні інсталяції: керування презентацією або медіаконтентом жестами перед великим екраном. Приклад — музейний кіоск, де відвідувачі гортають експонати рухом руки.

Accessibility: керування ПК для людей з обмеженими можливостями верхніх кінцівок. Зв'яжіться з нами для обговорення вашого сценарію.

Ігрові інтерфейси: керування персонажем, VR-взаємодія. У VR важлива низька затримка — ми досягаємо p99 latency <50 мс на Quest 2.

Що входить у нашу роботу?

Ми пропонуємо повний цикл розробки системи розпізнавання жестів:

1. Аналітика вимог та вибір підходів (MediaPipe / власні нейромережі)
2. Збір та розмітка навчальної вибірки (за потреби — запис відео ваших жестів)
3. Розробка моделі класифікації (RandomForest, LSTM, 1D-CNN)
4. Інтеграція з цільовим пристроєм (веб-камера, мобільна камера, сенсор глибини)
5. Оптимізація під продакшен (квантизація INT8, ONNX, TensorRT)
6. Документація та передача вихідного коду
7. Навчання вашої команди роботі з системою

Оцінка проєкту та терміни

Терміни залежать від складності задачі. Орієнтуйтеся на таблицю:

Ще одна таблиця — порівняння підходів:

Вартість розраховується індивідуально під ваш проєкт. Отримайте консультацію та оцінку за 1 день — напишіть нам, і ми підберемо оптимальне рішення.

Наш досвід — понад 5 років у Computer Vision, 20+ успішних проєктів з розпізнавання жестів. Гарантуємо точність 95%+ на статичних жестах при хорошому освітленні. Використовуємо лише перевірені стеки: MediaPipe, PyTorch, OpenCV. Всі розробки проходять етап unit-тестування та навантажувального тестування для забезпечення стабільності в продакшені. Замовте консультацію, і ми покажемо прототип під вашу задачу вже через тиждень.

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.