Macro-F1 > 0.95 в класифікації зображень: реальний досвід

Практичний посібник: система класифікації зображень з macro-F1 > 0.95

Ви запускаєте на production модель для каталогу товарів — і отримуєте macro-F1 = 0.72 через сильний дисбаланс класів. Нещодавно до нас звернувся e-commerce проєкт із датасетом 15 000 зображень, 30 категорій, де 80% картинок належали до п'яти категорій. Ми застосували комбінацію Weighted Random Sampler та Focal Loss, що підняло macro-F1 з 0.72 до 0.94 за два тижні. Ключовий виклик не в самій моделі (стандартні бенчмарки пройдено), а в адаптації під специфічний домен: шум у розмітці, варіації освітлення, неповні дані. Focal Loss підвищує macro-F1 в 1.3 рази порівняно з CrossEntropy. Ми використовуємо крос-валідацію та баєсову оптимізацію гіперпараметрів для підвищення точності, а регуляризація Dropout та Weight Decay запобігають перенавчанню.

Ми маємо 6+ років досвіду в комп'ютерному зорі, виконали понад 50 проєктів класифікації зображень. Оцінимо ваш проєкт безкоштовно — надішліть опис задачі. Працюємо під ключ: від аналізу до деплою. Fine-tuning дає приріст точності в 5 разів швидше, ніж навчання з нуля (див. Transfer Learning).

Ми також зіткнулися з проєктом із медичної діагностики, де потрібно було виявляти рідкісні патології на знімках МРТ. Там дисбаланс був ще серйознішим: 99% здорових і 1% хворих. Використовуючи комбінацію oversampling, аугментації та focal loss, ми досягли sensitivity 0.92 при специфічності 0.98.

Яку архітектуру обрати?

Для більшості задач обираємо EfficientNet-B4 або ConvNeXt-Tiny: вони дають хороший баланс точності та часу інференсу. У таблиці нижче — порівняння популярних архітектур.

Для edge-пристроїв (Raspberry Pi, Jetson Nano) використовуємо MobileNetV3 або EfficientNet-Lite — вони працюють за 1–2 ms на CPU.

Чому fine-tuning ефективніший за навчання з нуля?

Навчання з нуля потребує мільйонів розмічених прикладів. Fine-tuning попередньо навченої моделі дає відмінні результати вже на сотнях зображень на клас. Цей підхід описано в Wikipedia: Transfer Learning.

import timm
import torch.nn as nn

def build_classifier(num_classes: int,
                     pretrained_model: str = 'efficientnet_b4'):
    model = timm.create_model(
        pretrained_model,
        pretrained=True,
        num_classes=0
    )
    embedding_dim = model.num_features  # 1792 для B4

    for param in model.parameters():
        param.requires_grad = False

    classifier = nn.Sequential(
        nn.Linear(embedding_dim, 512),
        nn.GELU(),
        nn.Dropout(0.3),
        nn.Linear(512, num_classes)
    )
    model.classifier = classifier
    return model

Стратегія fine-tuning по кроках:

1. Заморозити backbone, 5 епох train only classifier.
2. Розморозити останні 2 блоки, 10 епох з LR у 10 разів нижче.
3. Повна розморозка, ще 10 епох з cosine schedule.
4. Оцінка на валідації: якщо метрики не досягнуто — повторити з іншими гіперпараметрами.

Як боротися з дисбалансом класів?

Реальні датасети рідко збалансовані. Ми комбінуємо кілька прийомів:

• Weighted random sampler — частота семплювання обернено пропорційна розміру класу.
• Focal Loss — фокусується на складних прикладах (γ=2).
• Oversampling рідкісних класів за допомогою аугментації (albumentations).
• Class-weighted cross-entropy — ваги 1/class_frequency.

Такий підхід піднімає macro-F1 на 15–20% порівняно з базовим навчанням. Замовте пілотний проєкт — ми покажемо результат на ваших даних за два тижні. Це дозволяє заощадити до 30% бюджету порівняно з наймом штатного ML-інженера.

Різниця між мультикласовою та мультилейбловою класифікацією

Мультикласова — один клас на зображення: softmax + cross-entropy (приклад: тип тварини). Мультилейблова — кілька класів одночасно: sigmoid + binary cross-entropy (приклад: теги фото). Поріг спрацьовування для кожного класу підбирається окремо за F1.

Метрики оцінки якості моделі

• Top-1/Top-5 Accuracy для збалансованих вибірок.
• Macro-averaged F1 для дисбалансу.
• Cohen's Kappa для медичних задач.
• AUC-ROC per class для мультилейблової.

Процес роботи над системою класифікації

Аналітика → проєктування → реалізація → тестування → деплой. На першому етапі ми вивчаємо ваш датасет, виявляємо проблемні класи, оцінюємо якість розмітки. Потім обираємо архітектуру та проводимо серію A/B-експериментів з гіперпараметрами. Після затвердження моделі — експорт в ONNX, контейнеризація та розгортання у вашу інфраструктуру. Всі етапи документуються, ваші інженери отримують доступ до моделі та інструкції з експлуатації. Оцінимо ваш проєкт безкоштовно — надішліть опис задачі. Працюємо під ключ: від аналізу до деплою.

Терміни та вартість

Вартість розраховується індивідуально. Орієнтовно — від $1 000 до $50 000 залежно від обсягу даних та вимог. Економія на інфраструктурі за рахунок оптимізації моделі може досягати 40%. Наприклад, на одному проєкті ми скоротили витрати на $15 000 на рік.

Що входить у роботу?

• Аналіз даних та підготовка датасету.
• Вибір архітектури та fine-tuning (з A/B-тестами конфігів).
• Оцінка якості за обраними метриками (звіт).
• Деплой у вигляді REST API або вбудовування у вашу інфраструктуру.
• Документація та навчання команди.
• Гарантія — якщо точність не досягає обумовленої, доопрацьовуємо безкоштовно.

За роки роботи ми реалізували понад 50 проєктів із класифікації зображень для e-commerce, медицини та промисловості. Наші інженери мають сертифікати NVIDIA, AWS та Google Cloud, використовують MLOps практики для відтворюваності експериментів. Ми гарантуємо досягнення цільових метрик — якщо точність нижча за обумовлену, доопрацьовуємо безкоштовно. Зв'яжіться з нами, щоб обговорити ваш проєкт та отримати попередню оцінку 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.