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

Розробка системи детекції об'єктів на зображеннях

Детекція об'єктів — завдання одночасної локалізації (bounding box) і класифікації об'єктів на зображенні. Одна модель за один прохід видає: координати рамки, клас об'єкту, оцінку впевненості. Застосування включають лічильник продуктів на полиці, детекцію дефектів на конвеєрі, розпізнавання автомобілів, пошук людей на відеозаписі.

Вибір детектора

YOLOv8/YOLO11 — оптимальний вибір для більшості завдань. Реалізація Ultralytics з хорошою документацією, активною підтримкою та вбудованим експортом у TensorRT/ONNX.

RT-DETR (Real-Time Detection Transformer) — трансформер-базований детектор, краща якість при порівнянній швидкості з YOLOv8.

Grounding DINO — детекція з відкритим словником: знаходить об'єкти за текстовим описом без перенавчання. Корисна для прототипування та завдань з рідкісними категоріями.

Fine-tuning для користувацьких класів

from ultralytics import YOLO

# Завантажуємо попередньо навчену модель
model = YOLO('yolov8l.pt')

# Навчаємо на користувацькому датасеті
results = model.train(
    data='dataset.yaml',      # шлях до конфігу датасету
    epochs=100,
    imgsz=640,
    batch=16,
    optimizer='AdamW',
    lr0=0.001,
    lrf=0.01,                 # final LR = lr0 * lrf
    weight_decay=0.0005,
    augment=True,
    degrees=10.0,             # rotation augmentation
    mosaic=1.0,               # mosaic augmentation
    device=0
)

Структура dataset.yaml:

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

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

Аугментація для детекції

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

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

Метрики детекції

• [email protected] — середня Average Precision при IoU пороговому 0.5
• [email protected]:0.95 — суворіша: середнє mAP при IoU від 0.5 до 0.95 з кроком 0.05
• Precision / Recall при конкретному порозі впевненості
• FPS / latency — для систем реального часу

Вибір порога впевненості: ROC-подібна крива precision-recall, вибір порога залежить від допустимого балансу precision/recall для конкретного застосування.

NMS та постобробка

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

Розгортання

TensorRT engine для NVIDIA GPU: експорт з Ultralytics однією командою. ONNX для CPU розгортання. Для Raspberry Pi / Jetson: YOLO11n у TFLite / ONNX.