Розробка системи розпізнавання поз людини (Pose Estimation)

Ви отримуєте відео з камери спостереження, але замість чітких скелетних точок — шум та хибні спрацьовування. Знайома ситуація? Ми вирішуємо це завдання за допомогою production-ready моделей Pose estimation (https://en.wikipedia.org/wiki/Pose_estimation). Наші інженери мають 5+ років досвіду в комп'ютерному зорі та реалізували понад 30 проєктів із розпізнавання поз людини для фітнесу, реабілітації та кінозйомки.

Які проблеми вирішуємо

Pose estimation — це детекція ключових точок тіла людини (keypoints): суглоби, голова, кінцівки. Задача: за зображенням або відео отримати 2D або 3D координати 17–133 точок скелета. Основні технічні складності:

• Перекриття: коли одна людина затуляє іншу, bottom-up підходи групують keypoints з помилками. Використовуємо комбінацію top-down з Non-Maximum Suppression для N людей.
• Освітлення та ракурс: тіні, відблиски, нестандартний кут камери. Допомагає аугментація даних та використання transformer-моделей (ViTPose).
• Реальний час: latency p99 має бути нижче 30ms для відео 30 FPS. Застосовуємо RTMPose з оптимізацією ONNX Runtime та TensorRT.

Для підвищення точності ми використовуємо attention-механізми та heatmap-регресію ключових точок, а також не-максимальне придушення (NMS) для видалення дублікатів.

Top-down vs Bottom-up — який підхід обрати?

Вибір між top-down підходом та bottom-up підходом залежить від сценарію. Top-down забезпечує на 5% вищий AP, ніж bottom-up, але працює в 2 рази повільніше при 5 особах. Top-down дає більш точні keypoints, оскільки bounding box обмежує область пошуку, але продуктивність падає при >5 людях. Bottom-up швидший при багатьох людях, але гірше обробляє перетини. Наприклад, bottom-up підхід може бути до 5 разів швидшим при >10 людях. Для фітнес-додатків з одним користувачем кращий top-down (RTMPose-l), для багатолюдних просторів — bottom-up (OpenPose).

from ultralytics import YOLO
import cv2

# YOLOv8-pose — top-down, продуктивний варіант
model = YOLO('yolov8l-pose.pt')

def estimate_poses(image_path: str) -> list[dict]:
    results = model(image_path, conf=0.5)
    poses = []

    for result in results:
        for i, (bbox, kps) in enumerate(zip(
            result.boxes.xyxy,
            result.keypoints.data
        )):
            keypoints = []
            for j, kp in enumerate(kps):
                x, y, conf = kp
                keypoints.append({
                    'name': COCO_KEYPOINTS[j],
                    'x': float(x),
                    'y': float(y),
                    'confidence': float(conf)
                })

            poses.append({
                'person_id': i,
                'bbox': bbox.tolist(),
                'keypoints': keypoints
            })

    return poses

COCO_KEYPOINTS = [
    'nose', 'left_eye', 'right_eye', 'left_ear', 'right_ear',
    'left_shoulder', 'right_shoulder', 'left_elbow', 'right_elbow',
    'left_wrist', 'right_wrist', 'left_hip', 'right_hip',
    'left_knee', 'right_knee', 'left_ankle', 'right_ankle'
]

ViTPose та RTMPose — production-ready моделі

ViTPose — найкраща якість на COCO benchmark. ViTPose-H: AP 79.1 на COCO val2017. Transformer-based backbone, потребує більше ресурсів.

RTMPose — оптимізований для production (RTMDet детектор + RTMPose backbone). RTMPose-l: AP 76.3, latency 3ms на T4. Рекомендується для систем реального часу. RTMPose-l працює в 10 разів швидше за ViTPose-H при порівнянній точності. ViTPose-H дає на 3% вищий AP, ніж RTMPose-l, але потребує вдвічі більше ресурсів.

from mmpose.apis import MMPoseInferencer

inferencer = MMPoseInferencer('rtmpose-l_8xb32-270e_coco-wholebody-384x288')
results = inferencer('image.jpg', out_dir='output/')

3D Pose Estimation для реабілітації та спорту

Для реабілітації, спортивного аналізу потрібні 3D-координати:

• MotionBERT — transformer для 2D→3D ліфтингу: приймає 2D keypoints з відео, видає 3D скелет.
• MediaPipe Pose — вбудований 3D (відносні 3D координати без depth camera).
• Stereo camera setup — точний 3D через дві синхронізовані камери.
• Depth camera (Intel RealSense, Azure Kinect) — RGBD для точного 3D.

Аналіз техніки виконання вправ

import numpy as np

def analyze_squat_form(keypoints: dict) -> dict:
    """Аналіз техніки присідання за keypoints"""
    # Кут у коліні
    hip = np.array([keypoints['left_hip']['x'], keypoints['left_hip']['y']])
    knee = np.array([keypoints['left_knee']['x'], keypoints['left_knee']['y']])
    ankle = np.array([keypoints['left_ankle']['x'], keypoints['left_ankle']['y']])

    knee_angle = calculate_angle(hip, knee, ankle)

    # Вирівнювання спини (нахил тулуба)
    shoulder = np.array([keypoints['left_shoulder']['x'],
                          keypoints['left_shoulder']['y']])
    torso_angle = calculate_angle(shoulder, hip,
                                   np.array([hip[0], hip[1] + 100]))

    return {
        'knee_angle': knee_angle,
        'torso_angle': torso_angle,
        'depth': 'sufficient' if knee_angle < 90 else 'insufficient',
        'back_alignment': 'good' if 70 < torso_angle < 90 else 'needs_correction'
    }

Метрики якості

• OKS (Object Keypoint Similarity) — основна метрика COCO.
• AP (Average Precision) на COCO val.
• PCKh (Percentage of Correct Keypoints) — для head-normalized threshold.
• Для оцінки точності використовується метрика mAP при IoU 0.5:0.95.

Як оцінити якість моделі pose estimation?

Для оцінки використовують метрики AP, OKS та PCKh. Важно враховувати теплові карти (heatmap) та регресію keypoints. Ми використовуємо валідацію на тестовому наборі з оклюзіями.

Що входить в роботу

• Прототип моделі: вибір архітектури, навчання/донавчання з метриками.
• Інтеграція: API на FastAPI, інференс на GPU/CPU, оптимізація під TensorRT.
• Документація: model card, опис пайплайну, інструкція з розгортання.
• Підтримка: 2 тижні безкоштовної підтримки після здачі, навчання вашої команди.

Наш процес

1. Аналітика: розбираємо вашу задачу, збираємо вимоги до точності та швидкості.
2. Проектування: обираємо модель (ViTPose, RTMPose, OpenPose), визначаємо пайплайн.
3. Прототипування: швидкий MVP за 1–2 тижні, демонстрація замовнику.
4. Оптимізація: стиснення моделі (quantization INT8, pruning), підгонка під цільове залізо.
5. Деплой: контейнеризація, моніторинг (MLflow, Prometheus), CI/CD, з використанням MLOps практик.

Гарантія на наші рішення — 6 місяців безкоштовної підтримки та сертифікація розробників. Вартість розробки стартує від $5,000 залежно від складності, а економія на оплаті праці експертів може сягати $10,000 на місяць. Економія може сягати $120,000 на рік. Отримайте консультацію щодо вашого проєкту — ми оцінимо вимоги та запропонуємо оптимальне рішення.

Вартість та терміни

Вартість розраховується індивідуально. Орієнтовні терміни вказані в таблиці вище. Впровадження системи окупається за 3–6 місяців завдяки автоматизації аналізу та скороченню часу експертів на 80%. Знижуємо витрати на розробку з нуля, використовуючи попередньо навчені моделі та transfer learning.

Замовте пілотний проєкт і перевірте ефективність на своїх даних.

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.