Навчання моделі класифікації зображень (ResNet, EfficientNet, ViT)

Ми часто стикаємося з ситуацією: клієнт приносить набір даних з 500 зображень, розбитих на 10 класів, і просить навчити ResNet-50. Здавалося б, типова задача, але без правильної стратегії результат — 65% accuracy та перенавчання. Наш досвід показує, що успіх визначається трьома факторами: вибір архітектури під обсяг даних, боротьба з дисбалансом класів та підготовка моделі до production. Розповімо, як ми вирішуємо ці завдання і що входить у нашу роботу.

Наші показники: 10+ інженерів, 5+ років досвіду у Computer Vision, 50+ виконаних проєктів, компанія на ринку 5 років. Своєчасне виявлення дефектів за допомогою навчених моделей економить клієнтам до 2 млн грн на рік. Гарантуємо якість моделей — кожна проходить валідацію на тестовому наборі. Сертифіковані інженери з 5-річним досвідом у Computer Vision.

Кейс: класифікація дефектів лиття на виробництві

До нас звернувся завод з лиття алюмінієвих деталей. Завдання: класифікувати 12 типів дефектів за фото з конвеєра. Дані: 15 000 зображень, сильний дисбаланс — один клас становив 60% вибірки, рідкісні дефекти — менше 100 прикладів. Ми обрали EfficientNet-B4 з попереднім навчанням на ImageNet, застосували Focal Loss (gamma=2.0) та агресивну аугментацію (RandomErasing, CutMix). Macro F1 виріс з 0.32 до 0.89. Час інференсу на CPU з ONNX — 8 мс на зображення. Завод впровадив модель у лінію контролю якості, скоротивши витрати на ручну перевірку на 1.5 млн грн щорічно.

Вибір архітектури під набір даних

Покроковий процес навчання

1. Аналіз набору даних — оцінка якості розмітки, підрахунок розподілу класів, виявлення шуму.
2. Вибір стратегії — підбір архітектури, аугментацій та функції втрат (наприклад, Focal Loss для дисбалансу).
3. Експерименти — запуск серії навчань з різними конфігами на Weights & Biases.
4. Fine-tuning — двофазне навчання ViT: спочатку тільки head, потім поступове розморожування блоків.
5. Тестування — оцінка на валідації з TTA, експорт в ONNX та перевірка latency.
6. Передача моделі — документація, скрипти інференсу, контейнеризація (Docker) для простої інтеграції.

Двофазне навчання ViT

ViT на 300 прикладах без правильної стратегії дасть accuracy 65% там, де EfficientNet дасть 84%. Причина: attention heads на маленькому наборі даних перенавчаються швидше, ніж convolutional inductive bias в ResNet. Рішення — агресивна заморозка + поступове розморожування:

import timm
import torch
import torch.nn as nn
from torch.optim import AdamW
from torch.optim.lr_scheduler import CosineAnnealingLR

def train_vit_two_phase(
    num_classes: int,
    train_loader,
    val_loader,
    phase1_epochs: int = 20,
    phase2_epochs: int = 60,
    device: str = 'cuda'
) -> nn.Module:
    model = timm.create_model(
        'vit_base_patch16_224',
        pretrained=True,
        num_classes=num_classes,
        drop_rate=0.1,
        drop_path_rate=0.1
    ).to(device)

    # ФАЗА 1: навчаємо тільки head
    for name, param in model.named_parameters():
        param.requires_grad = 'head' in name

    opt1 = AdamW(
        filter(lambda p: p.requires_grad, model.parameters()),
        lr=1e-3, weight_decay=0.05
    )
    sched1 = CosineAnnealingLR(opt1, T_max=phase1_epochs, eta_min=1e-5)

    for epoch in range(phase1_epochs):
        _train_epoch(model, train_loader, opt1, device)
        sched1.step()

    # ФАЗА 2: розморожуємо останні 6 блоків (з 12)
    for name, param in model.named_parameters():
        if any(f'blocks.{i}.' in name for i in range(6, 12)):
            param.requires_grad = True

    opt2 = AdamW([
        {'params': model.head.parameters(),        'lr': 5e-5},
        {'params': [p for n, p in model.named_parameters()
                    if 'blocks' in n and p.requires_grad], 'lr': 5e-6}
    ], weight_decay=0.05)
    sched2 = CosineAnnealingLR(opt2, T_max=phase2_epochs, eta_min=1e-7)

    for epoch in range(phase2_epochs):
        _train_epoch(model, train_loader, opt2, device)
        _validate(model, val_loader, device)
        sched2.step()

    return model

def _train_epoch(model, loader, optimizer, device):
    model.train()
    criterion = nn.CrossEntropyLoss(label_smoothing=0.1)
    for images, labels in loader:
        images, labels = images.to(device), labels.to(device)
        optimizer.zero_grad()
        loss = criterion(model(images), labels)
        loss.backward()
        torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)
        optimizer.step()

Боротьба з дисбалансом класів

Accuracy 94% при дисбалансі 1:200 — це зазвичай означає, що модель передбачає тільки мажоритарний клас. Метрики для дисбалансу: macro F1, balanced accuracy, per-class recall. Lin et al. запропонували Focal Loss, який ми адаптуємо під задачу. Порівняно з CrossEntropyLoss, Focal Loss підвищує macro F1 в 2–3 рази на сильному дисбалансі.

import torch
import torch.nn.functional as F

class FocalLoss(nn.Module):
    def __init__(self, alpha: float = 1.0, gamma: float = 2.0,
                 class_weights: torch.Tensor = None):
        super().__init__()
        self.alpha = alpha
        self.gamma = gamma
        self.class_weights = class_weights

    def forward(self, inputs: torch.Tensor,
                targets: torch.Tensor) -> torch.Tensor:
        ce_loss = F.cross_entropy(
            inputs, targets, weight=self.class_weights, reduction='none'
        )
        pt = torch.exp(-ce_loss)
        focal_loss = self.alpha * (1 - pt) ** self.gamma * ce_loss
        return focal_loss.mean()

# Ваги класів обернено пропорційно частоті
class_counts = torch.tensor([10000, 500, 80], dtype=torch.float)
class_weights = (1.0 / class_counts).to(device)
criterion = FocalLoss(gamma=2.0, class_weights=class_weights)

Як прискорити інференс моделі?

Test Time Augmentation (TTA) — простий спосіб підняти accuracy на 1–3% порівняно з одиночною інференцією без перенавчання: прогоняємо кілька аугментованих версій зображення та усереднюємо передбачення.

import torchvision.transforms as T

class TTAClassifier:
    def __init__(self, model: nn.Module, n_augments: int = 5):
        self.model = model.eval()
        self.n_augments = n_augments
        self.base_transform = T.Compose([
            T.Resize(256), T.CenterCrop(224),
            T.ToTensor(),
            T.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
        ])
        self.tta_transforms = [
            T.Compose([T.Resize(256), T.CenterCrop(224),
                       T.RandomHorizontalFlip(p=1.0),
                       T.ToTensor(),
                       T.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]),
            T.Compose([T.Resize(224), T.ToTensor(),
                       T.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]),
        ]

    @torch.no_grad()
    def predict(self, image) -> torch.Tensor:
        preds = [
            torch.softmax(self.model(self.base_transform(image).unsqueeze(0)), dim=1)
        ]
        for transform in self.tta_transforms:
            preds.append(
                torch.softmax(self.model(transform(image).unsqueeze(0)), dim=1)
            )
        return torch.stack(preds).mean(dim=0)

Як експортувати модель для production?

# ONNX export — для CPU/TensorRT деплою
dummy = torch.randn(1, 3, 224, 224, device='cpu')
torch.onnx.export(
    model.cpu().eval(),
    dummy,
    'classifier.onnx',
    opset_version=17,
    input_names=['image'],
    output_names=['logits'],
    dynamic_axes={'image': {0: 'batch'}, 'logits': {0: 'batch'}}
)

Використання ONNX дозволяє знизити витрати на GPU до 40% за рахунок оптимізованого інференсу на CPU.

Що входить у роботу

• Аналіз набору даних: оцінка якості, дисбаланс, підбір аугментацій.
• Вибір архітектури та стратегії навчання під ваші дані.
• Реалізація пайплайну на PyTorch / Hugging Face.
• Підбір гіперпараметрів, логування метрик (Weights & Biases).
• Тестування з TTA та експорт в ONNX / TensorRT.
• Документація, файли моделі та скрипти інференсу.
• Консультація з інтеграції вашим розробникам.

Терміни

Хочете таку ж модель для свого проєкту? Зв'яжіться з нами — обговоримо ваш набір даних і підберемо оптимальне рішення. Замовте навчання моделі та отримайте консультацію з точною оцінкою 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.