Виявлення аномалій на зображеннях без учителя

Промисловий контроль якості часто впирається у відсутність розмічених даних про дефекти. Навчити модель тільки на нормальних зразках звучить складно, але сучасні unsupervised методи справляються з цим без жодної розмітки. Ми впроваджуємо такі системи на виробництвах вже багато років — понад 20 проєктів з комп'ютерного зору. Наш досвід включає автоматичне виявлення подряпин, тріщин, забруднень та інших аномалій. Згідно з дослідженням MVTec-AD, сучасні методи unsupervised детекції досягають AUROC 99%.

Чому unsupervised підхід кращий за supervised для аномалій?

Supervised детекція потребує тисяч прикладів кожного дефекту. У реальності дефекти рідкісні та різноманітні — зібрати репрезентативну вибірку практично неможливо. Unsupervised навчання вирішує цю проблему: модель запам'ятовує лише норму та сигналізує про всі відхилення. На бенчмарку MVTec-AD сучасні методи досягають AUROC 99.1% (PatchCore) і 98.9% (EfficientAD) — впритул до supervised підходів, але без витрат на розмітку.

Як обрати метод під своє завдання?

Вибір архітектури залежить від обсягу даних та вимог до швидкості. PatchCore будує memory bank з нормальних патчів — не навчається градієнтно, тому стартує за хвилини. EfficientAD потребує більше даних (від 200 зображень), але видає стабільно високу якість при інференсі до 10 мс на GPU. Якщо потрібно детектувати аномалії без переучування (zero-shot), підійде WinCLIP на базі CLIP.

PatchCore: оптимальний алгоритм для малих даних

PatchCore підходить для сценаріїв, де доступно 50–200 нормальних зображень.

from anomalib.models import PatchCore
from anomalib.data import Folder
from anomalib import TaskType
from lightning.pytorch import Trainer

datamodule = Folder(
    name='my_product',
    root='./dataset',
    normal_dir='train/good',
    abnormal_dir='test/defective',
    task=TaskType.SEGMENTATION,
    image_size=(256, 256),
    train_batch_size=32,
    eval_batch_size=32
)

model = PatchCore(
    backbone='wide_resnet50_2',
    pre_trained=True,
    layers=['layer2', 'layer3'],
    coreset_sampling_ratio=0.1,
    num_neighbors=9
)

trainer = Trainer(max_epochs=1)
trainer.fit(model, datamodule)

Як ми впроваджуємо систему за 1-2 тижні?

Процес розробки складається з п'яти етапів:

1. Аналіз виробництва: оцінка доступних даних, умов зйомки, вимог до FP/FN.
2. Збір еталонних зразків: зйомка 50–200 нормальних зображень продукту.
3. Вибір архітектури та навчання: PatchCore для малих даних, EfficientAD для високих навантажень.
4. Калібрування порогів та тестування: налаштування порогу за квантилем із заданим FPR.
5. Деплой та інтеграція: контейнеризація, REST API, інтеграція з SCADA.

Порівняння методів виявлення аномалій

EfficientAD — найкращий вибір для production через швидкість інференсу при збереженні високого AUROC. Ми використовуємо його в проєктах з високими вимогами до latency.

Як налаштовується поріг виявлення?

Поріг визначає, з якого score зразок вважається аномальним. Ми калібруємо його за квантилем на валідаційних нормальних даних:

class AnomalyDetector:
    def __init__(self, model_path: str, threshold: float = None):
        self.model = load_model(model_path)
        self.threshold = threshold or self._calibrate_threshold()

    def _calibrate_threshold(self, fp_rate: float = 0.01) -> float:
        """Порог при заданном False Positive Rate"""
        val_scores = self._predict_normal_samples()
        threshold = np.quantile(val_scores, 1 - fp_rate)
        return float(threshold)

    def predict(self, image: np.ndarray) -> dict:
        result = self.model(image)
        score = float(result.anomaly_score)
        return {
            'anomaly_score': score,
            'is_anomaly': score > self.threshold,
            'severity': self._classify_severity(score),
            'heatmap': result.anomaly_map,
            'threshold': self.threshold
        }

    def _classify_severity(self, score: float) -> str:
        if score < self.threshold:
            return 'normal'
        elif score < self.threshold * 1.5:
            return 'minor'
        elif score < self.threshold * 2.5:
            return 'moderate'
        return 'severe'

Локалізація аномалій через теплові карти

Теплова карта (anomaly map) дозволяє точно показати оператору місце дефекту:

import matplotlib.pyplot as plt
import matplotlib.cm as cm

def visualize_anomaly(original: np.ndarray,
                       anomaly_map: np.ndarray,
                       threshold: float) -> np.ndarray:
    heatmap_norm = (anomaly_map - anomaly_map.min()) / \
                   (anomaly_map.max() - anomaly_map.min() + 1e-8)
    heatmap_colored = cv2.applyColorMap(
        (heatmap_norm * 255).astype(np.uint8),
        cv2.COLORMAP_JET
    )
    _, mask = cv2.threshold(
        (heatmap_norm * 255).astype(np.uint8),
        int(threshold * 255), 255, cv2.THRESH_BINARY
    )
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL,
                                    cv2.CHAIN_APPROX_SIMPLE)
    overlay = cv2.addWeighted(original, 0.6, heatmap_colored, 0.4, 0)
    cv2.drawContours(overlay, contours, -1, (0, 255, 0), 2)
    return overlay

Що входить у розробку системи під ключ

Ми беремо на себе весь цикл: від збору еталонних зразків до деплою на лінію. У deliverables входять:

• Аналіз виробництва: оцінка доступних даних, умов зйомки, вимог до FP/FN.
• Вибір архітектури: PatchCore для малих даних, EfficientAD для високих навантажень.
• Калібрування порогів та метрик: під ваші бізнес-критерії.
• Деплой та інтеграція: контейнеризація, REST API, інтеграція з SCADA.
• Документація та навчання операторів: інструкції з експлуатації та інтерпретації результатів.
• Гарантійна підтримка 6 місяців: супровід та доналаштування.

Терміни та наш досвід

Ми — сертифіковані інженери з багаторічним досвідом у MLOps. За нашими плечима 20+ проєктів з комп'ютерного зору на виробництвах. Виявлення аномалій — наша профільна компетенція. Зв'яжіться з нами для оцінки вашого завдання — ми підберемо оптимальне рішення та розрахуємо бюджет протягом 2 днів. Замовте пілотний проєкт на одному продукті — вже через тиждень у вас буде працюючий прототип.

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.