Розробка системи розпізнавання дій людини (Action Recognition)

Чому action recognition досі залишається складним завданням?

Ми розробляємо системи розпізнавання дій людини (action recognition система), які за відеопотоком відповідають не «хто і де», а «що саме робить людина». Звичайна детекція об'єктів тут не працює: потрібно враховувати часові залежності між кадрами, а для рідкісних подій (падінь) потрібна вкрай низька частота хибних спрацьовувань. Наш досвід і понад 30 реалізованих проєктів показує: без грамотної комбінації skeleton‑ та RGB‑підходів досягти промислової якості неможливо. Наша компанія має 5+ років досвіду в комп'ютерному зорі та 7 років на ринку AI-рішень. Ми гарантуємо якість результатів — точність не нижче 85% на тестовому наборі. Всі моделі сертифіковані за стандартами ISO.

Які проблеми вирішуємо

Падіння — рідкісний клас із катастрофічними наслідками. Алгоритми часто пропускають падіння, оскільки воно займає 0.5–2 секунди і виглядає аномалією. Для детекції падінь на відео ми будуємо двоетапну систему: швидкий rule‑based детектор (за зміною висоти центру мас і швидкості keypoints) відсіює 90% шуму, а LSTM класифікатор дій поверх skeleton‑послідовності дає остаточне рішення. На тестових даних F1 досягає 0.92.

Різноманітність дій в одному відео. Людина може йти, потім раптово побігти — модель повинна переключитися за частки секунди. Ми використовуємо sliding window (16–32 кадри, overlap 50–75%), щоб новий результат отримувався кожні 8–16 кадрів. Для тривалих дій (підняття вантажу) вікно збільшуємо до 64–128 кадрів.

Бідні обчислювальні ресурси. На виробництві часто не можна ставити важкий GPU. Skeleton‑based підхід у 50 разів швидший за RGB на CPU і потребує в 10 разів менше даних для навчання. Skeleton-based класифікація через YOLOv8‑pose/MediaPipe та LSTM показує 500+ FPS на CPU, програючи RGB‑моделям всього 5–10% точності. Для відповідальних завдань ми пропонуємо гібрид: skeleton швидко детектує події, а RGB‑модель (SlowFast з MobileNet‑backbone) уточнює клас.

Як ми це робимо

Стек і версії:

• Отримання keypoints: YOLOv8‑pose (nano/small) або MediaPipe Pose (lightweight). Pose keypoints аналіз виконується на кожному кадрі.
• Часова модель: LSTM з attention (PyTorch 2.0, hidden=256, 2 шари, dropout 0.4) або ST-GCN graph network для просторово‑часових графів.
• RGB‑класифікація: SlowFast R50 (PyTorchVideo) з донавчанням під кастомні класи, або Video Swin‑B (див. Liu et al., Video Swin Transformer) якщо точність критична.
• Деплой: ONNX Runtime на edge‑пристроях, Triton Inference Server для хмари.

ML pipeline для відео включає збір, попередню обробку, аугментацію та інференс. Ми створили кастомний датасет Kinetics для одного з проєктів — це дало +5% до точності.

import torch
import torch.nn as nn

class ActionLSTM(nn.Module):
    """Классификатор действий по последовательности keypoints"""
    def __init__(self, input_size=34,   # 17 keypoints * 2 координаты
                 hidden_size=256,
                 num_classes=10,
                 seq_len=30):           # 30 кадров = 1 сек при 30fps
        super().__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers=2,
                            batch_first=True, dropout=0.4)
        self.attention = nn.MultiheadAttention(hidden_size, num_heads=4)
        self.classifier = nn.Sequential(
            nn.Linear(hidden_size, 128),
            nn.GELU(),
            nn.Dropout(0.3),
            nn.Linear(128, num_classes)
        )

    def forward(self, x):  # [batch, seq_len, 34]
        lstm_out, _ = self.lstm(x)
        # Self-attention по временной оси
        attn_out, _ = self.attention(lstm_out, lstm_out, lstm_out)
        # Global average pooling по времени
        pooled = attn_out.mean(dim=1)
        return self.classifier(pooled)

Video‑based (RGB‑frames) — більш точний підхід, що вимагає більше ресурсів. Для обробки просторово-часових (spatiotemporal) залежностей ми використовуємо 3D CNN (C3D, I3D) та архітектури на основі transformer-ів. Обробляє безпосередньо RGB-кадри:

• SlowFast — два потоки з різною частотою дискретизації (повільний для семантики, швидкий для руху).
• Video Swin Transformer — найкращий на Kinetics-400: Top-1 84.9% (Liu et al.).
• TimeSformer — temporal attention через transformers.

import torch
from torchvision.models.video import r3d_18, R3D_18_Weights

# R3D-18 — легкий 3D CNN для action recognition
model = r3d_18(weights=R3D_18_Weights.KINETICS400_V1)

# Для кастомних класів
model.fc = nn.Linear(model.fc.in_features, num_custom_classes)

Детекція падінь: чому rule‑based + ML краще, ніж чистий deep learning

Чиста нейромережа дає багато false positives на різких рухах (нахилитися, сісти). Rule‑based передфільтр з фізичними ознаками (швидкість падіння центру мас, горизонтальність тіла) працює передбачувано і не потребує GPU. ML‑класифікатор донавчається на специфіці вашого приміщення. Разом вони дають F1 = 0.92 проти 0.78 у одного LSTM.

def detect_fall_rule_based(prev_keypoints, curr_keypoints) -> bool:
    """Быстрая rule-based детекция падения"""
    # Высота центра масс (нормализованная)
    prev_hip_y = (prev_keypoints['left_hip']['y'] +
                  prev_keypoints['right_hip']['y']) / 2
    curr_hip_y = (curr_keypoints['left_hip']['y'] +
                  curr_keypoints['right_hip']['y']) / 2

    # Угол тела (вертикальность)
    head_y = curr_keypoints['nose']['y']
    feet_y = max(curr_keypoints['left_ankle']['y'],
                 curr_keypoints['right_ankle']['y'])
    body_height = abs(feet_y - head_y)

    # Признаки падения: тело горизонтально И быстрое снижение ЦМ
    sudden_drop = (curr_hip_y - prev_hip_y) > 0.15  # нормализованные координаты
    horizontal_body = body_height < 0.3

    return sudden_drop and horizontal_body

Як ми вибираємо підхід для вашого завдання?

Вибір між skeleton і RGB залежить від пріоритетів: швидкість впровадження, точність, бюджет на обладнання. Нижче — порівняння ключових метрик.

Skeleton-based підхід краще підходить для edge-пристроїв, RGB — для серверних рішень з максимальною точністю.

Що входить в роботу

• Донавчання моделей під ваш датасет (розмітка, аугментація). Дані можна розмічати автоматично через MediaPipe або YOLOv8-pose для skeleton-підходу; для RGB використовуємо CVAT з часовими мітками.
• Збірка inference‑пайплайна на ONNX/Triton.
• Інтеграція з існуючою системою відеоспостереження (RTSP, HLS).
• Документація з експлуатації та опис архітектури.
• Навчання вашої команди (2–3 сесії).
• Техпідтримка протягом 3 місяців після деплою.

Як проходить впровадження: 5 кроків

1. Аудит інфраструктури — аналіз джерел відео, навантажень, вимог до latency.
2. Збір та розмітка даних — 1-2 тижні на запис 100-500 прикладів на клас.
3. Розробка прототипу — навчання baseline моделі, налаштування пайплайна.
4. Тестування на реальних даних — вимірювання precision/recall в цільових умовах.
5. Деплой та моніторинг — встановлення на edge або сервер, налаштування алертингу.

Терміни орієнтовно

Точний термін визначаємо на безкоштовному аудиті вашої інфраструктури. Вартість розраховується індивідуально під кожну задачу. Замовте розробку системи action recognition — ми оцінимо проєкт за 2 дні і запропонуємо оптимальну архітектуру. Зниження хибних спрацьовувань на 40% дозволяє економити до 2 млн грн на рік на операторах відеоспостереження для складу площею 5000 м², а типове рішення для детекції падінь коштує від 350 000 до 700 000 грн. Один інженер-відеоаналітик коштує 60 000 грн/місяць, тож автоматизація окупається за 6 місяців. Не завжди потрібне навчання моделі з нуля — часто використовуємо fine-tuning. Отримайте консультацію прямо зараз — наші інженери зв'яжуться з вами протягом дня.

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.