Автоматизація UI без API: боти з комп'ютерним зором для RPA

Уявіть: legacy-система на COBOL, інтерфейс без API, а потрібно автоматизувати введення даних. Класичний RPA (UiPath, Automation Anywhere) з XPath зламається при першому ж зміщенні кнопки. Альтернатива — RPA-бот з Computer Vision, який «бачить» екран як зображення і знаходить елементи за візуальними ознаками. Ми займаємося розробкою CV RPA вже 5 років — це наша спеціалізація. Ми — команда з 5+ років досвіду в CV-RPA, реалізували 20+ проектів. Пропонуємо CV RPA під ключ з гарантією стабільності.

Для виявлення елементів використовуємо YOLOv8, донавчений на датасеті Rico (66k UI) + кастомна розмітка під інтерфейс замовника. Аугментація (яскравість, контраст, обертання) і квантизація INT8 знижують latency до 50 мс. Модель YOLOv8 використовує моділь CSPDarknet53 backbone, що забезпечує високу швидкість інференсу навіть на CPU. Текст вилучаємо за допомогою PaddleOCR (кирилиця) або EasyOCR з донавчанням на доменному словнику. У результаті бот обробляє до 10 операцій на хвилину. Автоматизація інтерфейсів без API — наша спеціалізація.

Згідно з документацією Ultralytics, YOLOv8 досягає mAP 50-95 на UI-датасетах, що підтверджує застосовність для автоматизації інтерфейсів.

Коли потрібен CV-RPA?

Комп'ютерний зір для RPA виправданий у конкретних сценаріях:

• Робота з legacy-системами без API і з закритою віконною ієрархією (COBOL/AS400 термінали, Citrix Virtual Desktop).
• Веб-додатки з динамічно генерованими класами (React/Angular з CSS Modules), де XPath нестабільний при кожному деплої.
• Обробка PDF-документів і scanned images всередині RPA-потоку — без OCR інтеграція неповна.
• Автоматизація десктопних додатків третіх сторін без SDK — SAP GUI або 1С в термінальному режимі.

Архітектура CV-RPA бота

import cv2
import numpy as np
from ultralytics import YOLO

class CVRPAAgent:
    def __init__(self, ui_detector_model: str):
        self.detector = YOLO(ui_detector_model)
        self.screenshot_engine = ScreenshotEngine()

    def find_element(self, element_type: str,
                     text_hint: str = None) -> tuple[int, int]:
        screenshot = self.screenshot_engine.capture()
        detections = self.detector.predict(screenshot, conf=0.7)

        candidates = [d for d in detections if d.class_name == element_type]
        if text_hint:
            candidates = self._filter_by_ocr_text(candidates, screenshot, text_hint)

        if not candidates:
            raise ElementNotFoundError(f"Cannot find {element_type}")

        best = max(candidates, key=lambda d: d.confidence)
        return best.center_x, best.center_y

    def click(self, element_type: str, text_hint: str = None):
        x, y = self.find_element(element_type, text_hint)
        pyautogui.click(x, y)

Для виявлення UI-елементів використовуємо YOLOv8 (GitHub), донавчений на датасеті UI компонентів (кнопки, поля введення, чекбокси, дропдауни). Базова модель — Rico Dataset (66k Android UI) + кастомна розмітка під конкретний інтерфейс замовника. У процесі навчання застосовуємо аугментацію (зміна яскравості, контрасту, обертання) для стійкості до різних умов скріншотів.

OCR-інтеграція для читання даних

Для вилучення текстових даних з екрану: PaddleOCR (найкращий баланс швидкості та точності для кирилиці) або EasyOCR. Інтеграція в потік: знайти елемент → вилучити з ROI (Region of Interest) текст → передати в логіку обробки.

import paddleocr

ocr = paddleocr.PaddleOCR(use_angle_cls=True, lang='ru')

def extract_text_from_region(image, bbox):
    x1, y1, x2, y2 = bbox
    region = image[y1:y2, x1:x2]
    result = ocr.ocr(region, cls=True)
    return ' '.join([line[1][0] for line in result[0]])

Як CV-RPA справляється з динамічним UI?

Динамічні елементи (спливаючі вікна, змінні позиції кнопок) — типова проблема. Ми вирішуємо її через few-shot learning: збираємо 5-10 варіантів скріншотів з різним станом елемента і донавчаємо модель на них. Це дає стійкість до змін без повного перенавчання. Додатково використовуємо grid search за порогом впевненості — підбираємо conf threshold для мінімізації false positives.

Чому CV-RPA надійніший за класичний?

CV-RPA у 3 рази стійкіший до змін UI порівняно з класичним RPA на XPath. За швидкістю розпізнавання CV-RPA в 2 рази швидше за аналогі на основі OCR без детекції. Ось порівняння ключових метрик:

Як впровадити CV-RPA: покроковий процес

1. Аналіз і збір даних — скріншоти цільового UI, розмітка bounding boxes для кожного типу елементів.
2. Навчання детектора — донавчання YOLOv8 на зібраному датасеті, валідація на тестовій вибірці.
3. Інтеграція з RPA-платформою — вбудовування CV-агента в UiPath / Automation Anywhere через Python Activity.
4. Тестування на реальних сценаріях — прогін 100+ операцій, замір точності та часу.
5. Деплой і моніторинг — встановлення на RPA-ферму, логування помилок, циклічне донавчання.

Що входить в роботу

• Донавчена модель YOLOv8 під ваш UI
• Інтеграція з OCR (PaddleOCR під кирилицю)
• Документація з архітектури та донавчання
• Підтримка протягом 3 місяців після здачі
• Вихідний код агента та конфіги деплою

Терміни та вартість

Вартість пілотного проекту — від 5000 грн, що дозволяє швидко оцінити ефективність. Середня економія від впровадження — 30% операційних витрат. Вартість повного проекту розраховується індивідуально. Зв'яжіться з нами для безкоштовної консультації — обговоримо ваше завдання і підберемо оптимальне рішення. Замовте пілотний проект: протестуємо CV-RPA на одному процесі, оцінимо точність і час виконання.

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.