Розробка системи розпізнавання номерних знаків (ANPR/LPR)

Припустимо, на парковці торговельного центру камера фіксує автомобіль, що в'їжджає. Система має за частки секунди розпізнати номер і прийняти рішення: відкрити шлагбаум або внести до чорного списку. Якщо OCR помиляється — корок біля в'їзду та негатив відвідувачів. Як побудувати ANPR/LPR, який стабільно відпрацьовує в дощ, вночі та на швидкості 60 км/год? Ми роками налагоджували пайплайн і ділимося перевіреною архітектурою. Наша система економить до 30% бюджету за рахунок використання open-source моделей та оптимізації інференсу.

Як працює двоетапний пайплайн розпізнавання номерних знаків?

Відео/Фото → Детекція автомобіля → Детекція номерного знака → OCR → База даних

Двоетапний підхід (авто → номер) точніший за одноетапний, оскільки дозволяє обробляти різні формати номерів з різних країн. На першому етапі YOLO шукає автомобілі, на другому — спеціалізована модель детектує номер у кропі.

from ultralytics import YOLO
from paddleocr import PaddleOCR
import cv2
import numpy as np
import re

class ANPRSystem:
    def __init__(self,
                 vehicle_model: str = 'yolov8l.pt',
                 plate_model: str = 'plate_detector.pt'):
        self.vehicle_detector = YOLO(vehicle_model)
        self.plate_detector = YOLO(plate_model)  # донавчений на номерах
        self.ocr = PaddleOCR(
            use_angle_cls=True,
            lang='en',
            rec_algorithm='SVTR_LCNet'
        )

    def process(self, frame: np.ndarray) -> list[dict]:
        # Детекція транспортних засобів
        vehicles = self.vehicle_detector(frame, classes=[2, 3, 5, 7],  # car/moto/bus/truck
                                          conf=0.5)
        results = []

        for vehicle_box in vehicles[0].boxes.xyxy:
            x1, y1, x2, y2 = map(int, vehicle_box)
            vehicle_crop = frame[y1:y2, x1:x2]

            # Детекція номерного знака в кропі автомобіля
            plates = self.plate_detector(vehicle_crop, conf=0.5)

            for plate_box in plates[0].boxes.xyxy:
                px1, py1, px2, py2 = map(int, plate_box)
                plate_crop = vehicle_crop[py1:py2, px1:px2]

                # OCR номера
                plate_text = self._recognize_plate(plate_crop)

                if plate_text:
                    results.append({
                        'plate': plate_text,
                        'vehicle_bbox': [x1, y1, x2, y2],
                        'plate_bbox': [x1+px1, y1+py1, x1+px2, y1+py2],
                        'confidence': float(plates[0].boxes.conf[0])
                    })

        return results

    def _recognize_plate(self, plate_img: np.ndarray) -> str | None:
        # Попередня обробка
        plate_img = self._preprocess_plate(plate_img)

        result = self.ocr.ocr(plate_img, cls=False)
        if not result or not result[0]:
            return None

        text = ''.join([line[1][0] for line in result[0]])
        text = re.sub(r'[^A-Z0-9А-Я]', '', text.upper())

        # Валідація формату російського номера
        if re.match(r'^[АВЕКМНОРСТУХ]\d{3}[АВЕКМНОРСТУХ]{2}\d{2,3}$', text):
            return text

        return text if len(text) >= 6 else None

Чому важлива попередня обробка зображення? — розробка системи розпізнавання

Якість OCR безпосередньо залежить від того, як підготовлено кроп номера. Ми використовуємо масштабування до висоти 64 пікселі, вирівнювання за кутом нахилу та нормалізацію яскравості. Це знижує відсоток помилок на 15–20% порівняно з сирим кадром.

def _preprocess_plate(self, image: np.ndarray) -> np.ndarray:
    # Масштабування до стандартної висоти
    target_h = 64
    scale = target_h / image.shape[0]
    new_w = int(image.shape[1] * scale)
    image = cv2.resize(image, (new_w, target_h), interpolation=cv2.INTER_CUBIC)

    # Конвертація у відтінки сірого
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # Нормалізація яскравості
    normalized = cv2.normalize(gray, None, 0, 255, cv2.NORM_MINMAX)

    return normalized

Як вирішуємо проблему різних форматів номерів?

Російські номери: X000XX00[0] (стандарт), X000XX000 (транзитні). Додаткові формати: митні, дипломатичні, військові. Для міжнародних систем — мультимовна OCR + кілька наборів регулярних виразів валідації. Ми накопичили бібліотеку з понад 20 масок для країн СНД та Європи.

Приклад із практики: парковка ТРЦ на 8 камер

Для великого торговельного центру потрібна була система, яка обробляє потік 30 машин на хвилину, працює в режимі 24/7 та інтегрується з існуючим шлагбаумом. Ми розгорнули двоетапний пайплайн на сервері з GPU T4. Точність розпізнавання становила 98%, помилкові спрацьовування — менше 1%. Час відгуку — 45 мс на кадр. Через рік експлуатації система не вимагала перенавчання — лише періодичне калібрування камер.

Порівняння: наша система vs типові рішення на OpenALPR

Наш пайплайн у 2 рази швидше обробляє кадри за тієї ж точності: 45 мс проти 95 мс на T4. За рахунок тонкого налаштування YOLO та PaddleOCR ми досягли accuracy 98% проти 93% у OpenALPR на складних номерах. Крім того, ми підтримуємо більше форматів — понад 20 масок проти 5 стандартних.

Покрокове впровадження системи ANPR/LPR

1. Аудит місця встановлення та підбір камер з потрібною роздільною здатністю та ІЧ-підсвіткою.
2. Збір датасету: 5000+ кадрів у різних умовах для донавчання моделей.
3. Навчання детектора та OCR на обчислювальному кластері (зазвичай 2-3 дні на GPU A100).
4. Інтеграція з СКУД через REST API, налаштування Redis для LPR-списків.
5. Тестування протягом тижня з реальним трафіком, корекція порогів.
6. Деплой на сервер замовника, передача документації та навчання персоналу.

Продуктивність у продакшені

Що входить у розробку під ключ?

• Аналіз місця встановлення та підбір камер
• Навчання/донавчання моделей детекції та OCR
• Налаштування попередньої та постобробки
• REST API для інтеграції з СКУД та базами даних
• Redis для гарячого списку (whitelist/blacklist)
• PostgreSQL з pg_trgm для нечіткого пошуку (враховує помилки OCR: 0/O, I/1, B/8)
• Документація та навчання персоналу
• Гарантійна підтримка 6 місяців

Терміни впровадження

Вартість розраховується індивідуально — залежить від кількості камер, необхідної точності та глибини інтеграції. Наші інженери мають сертифікати з MLOps та сумарний досвід 10+ років у Computer Vision. Пишіть — оцінимо ваш проєкт за один робочий день. Гарантуємо прозорий результат та дотримання термінів. Отримайте консультацію: зв'яжіться з нами для оцінки вашого проєкту.

Використовувані технології: YOLOv8, PaddleOCR, PyTorch, Redis, PostgreSQL.

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.