Розробка системи моніторингу дорожнього трафіку через відеоаналітику

На жвавому перехресті ручний підрахунок машин дає похибку до 30%, а петлеві датчики ламаються раз на півроку. Відеоаналітика на базі YOLO та ByteTracker вирішує обидві проблеми: точність підрахунку — 95–98%, а детекція інцидентів займає менше 5 секунд. Замовляючи таку систему під ключ, ви отримуєте моніторинг обсягу трафіку за напрямками, швидкості потоку, щільності, класифікації ТЗ та детекцію ДТП, зупинених автомобілів, порушень. Наші інженери мають понад 10 років досвіду в промисловому комп'ютерному зорі — це гарантує стабільну роботу в будь-яку погоду. На одному з проєктів для перехрестя в Мінську система замінила 12 петлевих датчиків, скоротивши витрати на обслуговування на 60%.

Як YOLO та ByteTracker забезпечують точність підрахунку трафіку?

Ми використовуємо YOLO (You Only Look Once) — сімейство нейромереж для real-time детекції об'єктів. У порівнянні з класичними методами (OpenCV + HOG) YOLO точніше в 2–3 рази і працює швидше. Наша базова модель — YOLOv8, навчена на наборі даних COCO і донавчена на записах з міських перехресть. Це дає точність класифікації 92–96% та recall 95–98%. У статті Ultralytics підтверджується, що YOLOv8 досягає mAP 0.53 на COCO — еталон для real-time детекції. Для покращення стійкості до погодних умов ми застосовуємо data augmentation: дощ, туман, зміна освітлення.

Чому важливий ByteTracker?

Для відстеження кожного автомобіля між кадрами ми впроваджуємо ByteTracker. Він ефективно працює при оклюзіях (коли одна машина перекриває іншу) та хибних спрацьовуваннях. Без трекера неможливо коректно порахувати потік і виміряти швидкість. ByteTracker використовує низькопорогові детекції, що знижує кількість розривів треків на 30% у порівнянні з простим IoU-трекінгом.

Як оцінюємо швидкість за відеопотоком?

Нижче — реалізація SpeedEstimator, який обчислює швидкість через зміну позиції треку за 5 кадрів. Похибка — ±5–10 км/год, достатньо для виявлення порушень та аналізу заторів.

class SpeedEstimator:
    def __init__(self, fps: float = 30.0, pixels_per_meter: float = 50.0):
        self.fps = fps
        self.ppm = pixels_per_meter
        self.track_positions = {}
        self.track_speeds = {}

    def estimate(self, track_id: int, position: tuple) -> float:
        """Speed in km/h through position change"""
        if track_id not in self.track_positions:
            self.track_positions[track_id] = []
        self.track_positions[track_id].append(position)

        history = self.track_positions[track_id]
        if len(history) < 5:
            return 0.0

        # Average offset over last 5 frames
        recent = history[-5:]
        total_dist_px = sum(
            np.linalg.norm(np.array(recent[i]) - np.array(recent[i-1]))
            for i in range(1, len(recent))
        )
        avg_dist_px_per_frame = total_dist_px / (len(recent) - 1)
        dist_m_per_frame = avg_dist_px_per_frame / self.ppm
        speed_ms = dist_m_per_frame * self.fps
        speed_kmh = speed_ms * 3.6

        self.track_speeds[track_id] = speed_kmh
        return round(peed_kmh, 1)

Калібрування камери виконується один раз: ми вимірюємо реальну відстань між двома точками на дорозі та обчислюємо коефіцієнт pixels_per_meter. При зміні ракурсу калібрування потрібно повторити, але для стаціонарних камер це робиться одноразово.

Детекція інцидентів

Система автоматично виявляє зупинені автомобілі (поріг швидкості <2 км/год більше 30 секунд), різкі гальмування, ДТП та неправильну поведінку пішоходів. Приклад детектора — нижче.

class IncidentDetector:
    def __init__(self, stopped_threshold_sec: float = 30.0):
        self.stopped_vehicles = {}
        self.stopped_threshold = stopped_threshold_sec
        self.incident_cooldown = {}

    def check_incidents(self, vehicles: list[dict],
                         timestamp: float) -> list[dict]:
        incidents = []

        for vehicle in vehicles:
            tid = vehicle['track_id']
            speed = vehicle.get('speed_kmh', 0)
            pos = vehicle['center']

            if speed < 2:
                if tid not in self.stopped_vehicles:
                    self.stopped_vehicles[tid] = (pos, timestamp)
                else:
                    stopped_pos, first_seen = self.stopped_vehicles[tid]
                    duration = timestamp - first_seen
                    if duration > self.stopped_threshold:
                        if tid not in self.incident_cooldown or \
                           timestamp - self.incident_cooldown[tid] > 120:
                            incidents.append({
                                'type': 'stopped_vehicle',
                                'vehicle_id': tid,
                                'class': vehicle['class'],
                                'position': pos,
                                'duration_sec': duration
                            })
                            self.incident_cooldown[tid] = timestamp
            else:
                self.stopped_vehicles.pop(tid, None)

        return incidents

Будь-який автомобіль, що стоїть більше 30 секунд (налаштовується), реєструється як інцидент. Це допомагає запобігти вторинним ДТП та оптимізувати роботу евакуаторів. Аналізуючи різкі зміни швидкості та позиції, система може зафіксувати зіткнення. Додатково налаштовуються правила для виявлення виїзду на зустрічну смугу або руху по узбіччю.

Класифікація транспортних потоків

Вихідні метрики для транспортного відомства:

• PCE (Passenger Car Equivalent): вантажівка = 2.0 PCE, автобус = 1.5 PCE, мотоцикл = 0.5 PCE
• LOS (Level of Service): V/C ratio → рівень A–F
• Speed distribution: гістограма швидкостей
• Headway: інтервал між автомобілями

Що входить у нашу роботу?

1. Аналіз об'єкта — виїзд на місце, оцінка розташування камер, освітлення, вимог до інфраструктури.
2. Проектування — вибір моделей, архітектури обробки, налаштування трекера та калібрування швидкості.
3. Розробка та навчання — донавчання YOLO під специфіку об'єкта, інтеграція ByteTracker, створення веб-інтерфейсу.
4. Тестування — прогін на історичних записах, замір точності, стрес-тест продуктивності.
5. Деплой та інтеграція — встановлення на сервер, підключення до вашого ПЗ, налаштування сповіщень.
6. Документація та навчання — передача інструкцій, навчання операторів, гарантійна підтримка 12 місяців.

Ми також версіонуємо моделі за допомогою MLflow та моніторимо дрейф даних, щоб система не втрачала точність з часом. Усі компоненти ліцензовані та сумісні з АСУДД.

Орієнтовні строки

Економія бюджету на моніторинг — до 50% у порівнянні з петлевими датчиками. Отримайте консультацію інженера та демонстрацію роботи системи на ваших даних. Зв'яжіться з нами — ми оцінимо ваш проєкт і підготуємо індивідуальну комерційну пропозицію. Замовте пілотний проєкт на 2 тижні, щоб переконатися в ефективності.

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.