Розробка пайплайну аугментації зображень для навчання CV-моделі

Ми зіткнулися з типовою задачею: датасет із 800 зображень став датасетом із 24 000 — звучить гарно, але якщо аугментації неправильні, модель просто перенавчиться на артефакти самих трансформацій. Аугментації повинні імітувати реальні зміни в production-даних, а не просто збільшувати кількість картинок. Наша практика підтверджує: правильно налаштований пайплайн піднімає accuracy на 5–12% без нової розмітки та економить бюджет. Наприклад, у проєкті з детекції дефектів на металі ми спочатку застосували фотометричні аугментації, але модель почала плутати подряпини з відблисками. Після заміни на геометричні та додавання синтетики через Stable Diffusion recall виріс із 0.61 до 0.78 при precision вище 0.80. Економія на розмітці склала від $2,000 до $10,000. У середньому клієнти економлять від $5,000 до $15,000 на кожному проєкті.

Як вибрати політику аугментації під конкретний домен?

Налаштування аугментацій залежить від домену та задачі. Для outdoor потрібні сильні зміни освітлення та погоди. Для medical — тільки геометричні та обережні фотометричні. Нижче — базова політика на Albumentations, яку ми адаптуємо під проєкт.

import albumentations as A
from albumentations.pytorch import ToTensorV2

def build_augmentation_pipeline(
    task: str = 'detection',    # 'classification' | 'detection' | 'segmentation'
    domain: str = 'outdoor'     # 'outdoor' | 'indoor' | 'medical' | 'satellite'
) -> A.Compose:
    """
    Политика аугментации зависит от домена.
    Outdoor — агрессивные изменения освещения и погоды.
    Medical — только геометрические, цветовые противопоказаны.
    """
    geometric = [
        A.HorizontalFlip(p=0.5),
        A.ShiftScaleRotate(
            shift_limit=0.05 if task == 'detection' else 0.1,
            scale_limit=0.1,
            rotate_limit=15,
            border_mode=0,     # constant padding
            p=0.5
        ),
    ]

    photometric_outdoor = [
        A.RandomBrightnessContrast(
            brightness_limit=0.3, contrast_limit=0.3, p=0.6
        ),
        A.HueSaturationValue(
            hue_shift_limit=15, sat_shift_limit=40, val_shift_limit=30,
            p=0.4
        ),
        A.RandomFog(fog_coef_lower=0.1, fog_coef_upper=0.35, p=0.15),
        A.RandomRain(
            slant_lower=-10, slant_upper=10,
            drop_length=15, drop_width=1,
            drop_color=(200, 200, 200), blur_value=2,
            brightness_coefficient=0.85, p=0.1
        ),
        A.RandomSunFlare(
            flare_roi=(0, 0, 1, 0.5), angle_lower=0,
            num_flare_circles_lower=3, num_flare_circles_upper=6,
            src_radius=200, p=0.08
        ),
    ]

    photometric_medical = [
        A.RandomGamma(gamma_limit=(80, 120), p=0.4),
        A.CLAHE(clip_limit=3.0, tile_grid_size=(8, 8), p=0.3),
    ]

    photometric = (
        photometric_outdoor if domain == 'outdoor'
        else photometric_medical
    )

    noise = [
        A.GaussNoise(var_limit=(10, 50), p=0.3),
        A.ImageCompression(quality_lower=75, quality_upper=100, p=0.2),
        A.Blur(blur_limit=3, p=0.1),
    ]

    bbox_params = (
        A.BboxParams(
            format='yolo',
            label_fields=['class_labels'],
            min_visibility=0.3
        )
        if task == 'detection' else None
    )

    transforms = geometric + photometric + noise + [
        A.Normalize(
            mean=(0.485, 0.456, 0.406),
            std=(0.229, 0.224, 0.225)
        ),
        ToTensorV2()
    ]

    return A.Compose(transforms, bbox_params=bbox_params)

Коли використовувати MixUp та CutMix?

Прості аугментації не прибирають перенавчання при малому датасеті. MixUp та CutMix створюють нові приклади змішанням двох зображень — це хороша регуляризація. MixUp, запропонований у статті Zhang et al., 2018 MixUp: Beyond Empirical Risk Minimization, кращий для задач з глобальними ознаками, CutMix — для локальних патернів. При цьому важливо контролювати коефіцієнт lambda: для alpha=0.4 змішання виходить помірним, модель краще узагальнює.

import torch
import numpy as np

def mixup_batch(
    images: torch.Tensor,     # (B, C, H, W)
    labels: torch.Tensor,     # (B,) для классификации
    alpha: float = 0.4
) -> tuple[torch.Tensor, torch.Tensor, torch.Tensor, float]:
    lam = np.random.beta(alpha, alpha)
    batch_size = images.size(0)
    perm = torch.randperm(batch_size)
    mixed_images = lam * images + (1 - lam) * images[perm]
    labels_a = labels
    labels_b = labels[perm]
    return mixed_images, labels_a, labels_b, lam

def cutmix_batch(
    images: torch.Tensor,
    labels: torch.Tensor,
    alpha: float = 1.0
) -> tuple[torch.Tensor, torch.Tensor, torch.Tensor, float]:
    lam = np.random.beta(alpha, alpha)
    batch_size, _, H, W = images.shape
    perm = torch.randperm(batch_size)
    cut_ratio = np.sqrt(1 - lam)
    cut_h = int(H * cut_ratio)
    cut_w = int(W * cut_ratio)
    cx = np.random.randint(W)
    cy = np.random.randint(H)
    x1 = max(cx - cut_w // 2, 0)
    y1 = max(cy - cut_h // 2, 0)
    x2 = min(cx + cut_w // 2, W)
    y2 = min(cy + cut_h // 2, H)
    mixed = images.clone()
    mixed[:, :, y1:y2, x1:x2] = images[perm, :, y1:y2, x1:x2]
    lam = 1 - (y2-y1) * (x2-x1) / (H * W)
    return mixed, labels, labels[perm], lam

def mixup_criterion(criterion, pred, y_a, y_b, lam):
    return lam * criterion(pred, y_a) + (1 - lam) * criterion(pred, y_b)

Синтетичні дані з Stable Diffusion

Зазначимо: коли реальних даних менше 100 прикладів на клас, синтетика через inpainting або ControlNet дає приріст AP на 8–15%. Ми використовуємо Stable Diffusion Inpainting для генерації дефектів на порожніх фонах. Також застосовуємо ControlNet для генерації по контуру, якщо потрібна точна вставка об'єкта.

from diffusers import StableDiffusionInpaintPipeline
import torch
from PIL import Image

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    'runwayml/stable-diffusion-inpainting',
    torch_dtype=torch.float16
).to('cuda')

def generate_synthetic_defect(
    background_image: Image.Image,
    mask_image: Image.Image,
    defect_type: str = 'surface crack'
) -> Image.Image:
    prompt = (
        f'industrial {defect_type}, high resolution, '
        f'realistic texture, macro photography'
    )
    result = pipe(
        prompt=prompt,
        image=background_image,
        mask_image=mask_image,
        num_inference_steps=30,
        guidance_scale=7.5,
        strength=0.85
    ).images[0]
    return result

На практиці: 80 реальних прикладів тріщин + 400 синтетичних підняли recall з 0.61 до 0.78 при збереженні precision > 0.80. Економія на розмітці — значна, часто досягає $10,000.

Порівняння стратегій аугментації

Типові помилки при налаштуванні аугментацій

• Застосування фотометричних аугментацій до медичних знімків — може знищити діагностичні ознаки.
• Використання надто агресивних геометричних трансформацій для детекції — bbox можуть вийти за межі зображення.
• Відсутність перевірки аугментацій на валідаційному наборі — іноді аугментації змінюють розподіл даних.
• Пропуск нормалізації після аугментацій — це ламає передтреновані ваги.
• Неправильна нормалізація після аугментацій — одна з частих причин падіння метрик на валідації.

Що входить у наш пайплайн аугментації?

Ми надаємо:

• Аналіз датасету та домену, виявлення ключових варіацій.
• Вибір стратегії: геометрія, фотометрія, MixUp/CutMix, синтетика.
• Реалізація pipeline на Albumentations з урахуванням task (bbox, маски).
• Інтеграція в тренувальний цикл (PyTorch/TensorFlow).
• Експерименти: A/B тестування комбінацій, фіксація метрик у Weights & Biases.
• Генерація синтетичних даних (опціонально) через Stable Diffusion.
• Деплой моделі з фінальним пайплайном (тільки inference-трансформації).
• Документація та навчання команди.

Процес роботи

1. Аналіз датасету та домену: вивчаємо варіативність даних, типові спотворення в production.
2. Вибір стратегії: геометрія, фотометрія, MixUp/CutMix або синтетика.
3. Налаштування pipeline на Albumentations з урахуванням task (bbox, маски).
4. Інтеграція в тренувальний цикл (PyTorch/TensorFlow).
5. Експерименти: тестуємо різні комбінації, фіксуємо метрики.
6. Генерація синтетичних даних (опціонально) через Stable Diffusion.
7. Деплой моделі з фінальним пайплайном (тільки inference-трансформації).

Строки та вартість

Вартість розраховується індивідуально. Ми гарантуємо прозорий процес та фіксацію метрик на кожному етапі. Зв'яжіться з нами для оцінки вашого проєкту — підберемо оптимальну стратегію аугментації під ключ. Замовте аудит поточного пайплайну — отримайте конкретні рекомендації щодо покращення. Отримайте консультацію сьогодні.

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.