Розробка системи детекції об'єктів на зображеннях (Object Detection)

Розробка системи детекції об'єктів на зображеннях (Object Detection)

Стикалися з тим, що готова модель детекції не справляється з вашими об'єктами? Ми розробляємо кастомні системи object detection під ключ: від збору датасету до деплою на edge-пристрої. За 5+ років ми реалізували проєкти для рітейлу, виробництва та безпеки. У цій статті розберемо, як обрати архітектуру, налаштувати fine-tuning та досягти real-time продуктивності. Типові завдання — підрахунок товарів на полиці, контроль браку на конвеєрі, розпізнавання автомобілів на парковці. Часто клієнти приходять із запитом «навчіть нейромережу знаходити дефекти» або «порахуйте кількість продуктів». Ми допомагаємо сформулювати ТЗ, підібрати оптимальну модель та впровадити рішення.

Як обрати детектор під задачу?

YOLOv8/YOLO11 — оптимальний вибір для більшості задач. Ultralytics-імплементація з гарною документацією, активною підтримкою, вбудованим експортом у TensorRT/ONNX. Для стандартних сценаріїв (1–20 класів, real-time) — це стартова точка.

RT-DETR (Real-Time Detection Transformer) — transformer-based детектор, краща якість при співставній швидкості з YOLOv8. Архітектура на основі DETR з прискоренням за рахунок query selection. Рекомендуємо, коли потрібен максимальний mAP і немає жорстких вимог до latency (74 FPS на T4).

Grounding DINO — open-vocabulary детекція: знаходить об'єкти за текстовим описом без донавчання. Корисний для прототипування та задач з рідкісними категоріями або частою зміною номенклатури. Не потрібно збирати датасет — достатньо сформулювати запит.

Чому fine-tuning на кастомних даних критичний?

Попередньо навчені на COCO детектори вміють розпізнавати 80 класів. Якщо ваші об'єкти не входять у цей список — fine-tuning необхідний. Навіть якщо класи є, домен може відрізнятися (нічні кадри, специфічні ракурси), що знижує якість. Fine-tuning адаптує модель під вашу доменну область.

from ultralytics import YOLO

model = YOLO('yolov8l.pt')
results = model.train(
    data='dataset.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    optimizer='AdamW',
    lr0=0.001,
    lrf=0.01,
    weight_decay=0.0005,
    augment=True,
    degrees=10.0,
    mosaic=1.0,
    device=0
)

Структура dataset.yaml:

path: /data/myproject
train: images/train
val: images/val
test: images/test

nc: 5
names: ['cat', 'dog', 'car', 'person', 'bicycle']

Аугментація для детекції

Детекція потребує специфічної аугментації — трансформації мають коректно застосовуватися до bounding boxes:

• Mosaic — склейка 4 зображень в одне, збільшує різноманіття контекстів
• MixUp — змішування двох зображень з вагами
• Copy-Paste — вирізання об'єктів і вставка в новий контекст
• Random crop зі збереженням об'єктів у кадрі
• Albumentations: HorizontalFlip, RandomBrightnessContrast, GaussNoise

Метрики та постобробка

• [email protected] — mean Average Precision при IoU threshold 0.5
• [email protected]:0.95 — більш суворий: середнє mAP при IoU від 0.5 до 0.95 з кроком 0.05
• Precision / Recall при конкретному confidence threshold
• FPS / latency — для real-time систем

Вибір confidence threshold: ROC-like крива precision-recall, вибір порогу залежно від допустимого балансу для конкретного застосування.

Non-Maximum Suppression видаляє дублюючі детекції. Параметри: IoU threshold (0.45–0.7), confidence threshold (0.25–0.5). Для щільно розташованих об'єктів застосовується Soft-NMS або Class-Agnostic NMS.

Деплой на цільовий пристрій

TensorRT engine для NVIDIA GPU: експорт з Ultralytics однією командою model.export(format='engine'). ONNX для CPU-деплою. Для Raspberry Pi / Jetson: YOLO11n в TFLite / ONNX Runtime.

Типові помилки та як їх уникнути

• Мало даних на один клас — призводить до низького recall. Рішення: зібрати мінімум 500 зображень на клас.
• Перенавчання при надлишку порожніх кадрів. Рішення: балансувати порожні та з вмістом об'єктів зображення.
• Неправильна аугментація: наприклад, обрізання, що прибирає об'єкт. Рішення: налаштовувати RandomCrop зі збереженням об'єкта.
• Ігнорування постпроцесингу: NMS з високим порогом може видалити правильні детекції. Рішення: підбирати поріг на валідаційній вибірці.

Процес роботи над проєктом

1. Аналіз задачі та збір вимог: які об'єкти, умови зйомки, вимоги по FPS.
2. Збір та розмітка датасету: з використанням CVAT або Label Studio. Мінімум 1000 зображень.
3. Вибір архітектури та навчання baseline. Ітеративне покращення з аугментацією та оптимізацією гіперпараметрів.
4. Тестування на реальних даних: оцінка mAP, precision, recall, FPS.
5. Деплой: експорт у TensorRT/ONNX/TFLite, інтеграція у вашу систему.
6. Підтримка після впровадження: моніторинг якості, донавчання при появі нових класів.

Що входить у роботу

• Технічна документація по архітектурі та інструкції з використання.
• Навчання вашої команди роботі з моделлю.
• Вихідний код та конфігурації навчання.
• Доступ до сервера з навченою моделлю (опціонально).
• Гарантія на результат: якщо через місяць якість падає, ми безкоштовно донавчаємо.

Зв'яжіться з нами, щоб обговорити ваш проєкт. Отримайте консультацію з вибору моделі та оцінки термінів — розкажемо, як швидко досягти потрібної якості детекції.

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.