Сегментація зображень: розробка систем Semantic, Instance, Panoptic

Сегментація зображень — не просто bounding box, а попіксельна маска об'єкта. Коли форма критична: медичні знімки (пухлини), супутникові дані (лісові пожежі), автономне водіння (пішоходи), контроль якості (дефекти з вимірюванням площі). Ми розробляємо системи сегментації під ключ — від прототипу до продакшену. Оцінимо ваш проект за 2 дні, а економія на ручній розмітці може перевищити вартість розробки в 10 разів.

Як вибрати модель сегментації?

Semantic segmentation — кожен піксель відноситься до класу. Всі машини — один клас «car», всі пішоходи — «person». Популярні моделі: SegFormer, DeepLabV3+. Instance segmentation — розрізняє об'єкти одного класу: машина №1, машина №2. Лідери: Mask R-CNN, YOLOv8-seg, YOLO11-seg. Panoptic segmentation об'єднує підходи: «речі» за інстансами, «фон» семантично. Еталон — Mask2Former.

Що дає Segment Anything Model?

Meta's SAM — революція. Zero-shot: не вимагає навчання під конкретні класи. Вхідний промпт — точка, рамка або маска. Як зазначено в Segment Anything paper, модель здатна сегментувати будь-який об'єкт в будь-якому зображенні. Детальніше про SAM читайте на GitHub.

from segment_anything import SamPredictor, sam_model_registry

sam = sam_model_registry["vit_h"](checkpoint="sam_vit_h_4b8939.pth")
predictor = SamPredictor(sam)

predictor.set_image(image)
masks, scores, _ = predictor.predict(
    box=np.array([x1, y1, x2, y2]),
    multimask_output=False
)

Оновлена версія SAM2 підтримує відео та трекінг сегментації через кадри. SAM сегментує об'єкти в 10 разів швидше ручної розмітки, але не класифікує сегменти і повільна для real-time (SAM-ViT-H: ~50ms на A100).

Fine-tuning під ваш домен

Для доменів (медицина, промисловість) SAM донавчається. Ультралайт-моделі на основі EfficientNet показують mIoU до 0.92 на внутрішніх наборах даних. Для покращення точності використовуємо аугментації: рандомні обрізки, повороти, зміни контрастності.

from ultralytics import SAM

model = SAM('sam2_b.pt')
model.train(
    data='medical_dataset.yaml',
    epochs=50,
    imgsz=1024,
    batch=4,
    lr0=1e-4
)

Для semantic segmentation — SegFormer (HuggingFace). SegFormer-B5 досягає mIoU 84.0 на Cityscapes. При роботі з малими датасетами (<500 зображень) використовуємо transfer learning та ретельну валідацію.

U-Net — стандарт біомедицини

U-Net з encoder-decoder та skip connections відмінно працює з малими датасетами (200–500 зображень). Аугментація даних — ключовий фактор успіху: комбінуючи зсуви, масштабування та Elastic Transform, ми підвищуємо mIoU на 5-7%.

import segmentation_models_pytorch as smp

model = smp.Unet(
    encoder_name='efficientnet-b4',
    encoder_weights='imagenet',
    in_channels=1,
    classes=3,
    activation=None
)

Метрики якості

• mIoU — основна для semantic
• AP — для instance
• Dice coefficient — для медичних задач
• Boundary IoU — точність контурів

Чому важлива попередня обробка даних?

Якість розмітки безпосередньо впливає на результат. Ми використовуємо полігональну анотацію в COCO-форматі, перевіряємо узгодженість через IoU між анотаторами. Для медичних знімків обов'язкова нормалізація та видалення артефактів. Типова помилка — незбалансовані класи: вирішується зваженими loss-функціями (Focal Loss, Dice Loss).

Як сегментація скорочує витрати?

Наприклад, на проекті по сегментації дефектів металу ми використовували YOLOv8-seg з донавчанням на 1500 зображеннях. Досягли mIoU 0.91, а автоматизація знизила час інспекції з 40 секунд до 2 секунд на деталь. Замовник заощадив понад 2 мільйони гривень на рік на контролі якості. В іншому кейсі для супутникових даних точна сегментація полів дозволила скоротити витрати на агрохімію на 1.2 мільйона гривень за сезон. Така автоматизація приносить суттєву економію на масштабах виробництва. Зв'яжіться з нами, щоб оцінити потенційну вигоду для вашого бізнесу.

Наш досвід у сегментації

10+ років досвіду в computer vision, 50+ проектів. Гарантуємо якість: mIoU не нижче 0.85 на ваших даних. Оцінимо проект за 2 дні. Отримайте консультацію — допоможемо вибрати модель та налаштувати пайплайн.

Як ми працюємо

1. Аналітика — вивчаємо задачу, дані, розмітку. Пропонуємо архітектуру.
2. Прототипування — швидко тестуємо 2-3 моделі на вашому датасеті.
3. Fine-tuning — донавчаємо обрану модель, оптимізуємо гіперпараметри.
4. Продакшен — упаковуємо в Docker, TensorRT або Triton Inference Server.
5. Підтримка — документація, навчання команди, гарантія 6 місяців.

Що входить в роботу

• Модель, навчена на ваших даних
• API для інференсу (REST/gRPC)
• Інтеграція в існуючу інфраструктуру
• Документація та код пайплайну
• Навчання ваших інженерів

Строки

Вартість розраховується індивідуально за обсягом робіт. Замовте консультацію — отримайте оцінку проекту за 2 дні.

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.