Генерація синтетичних даних для Computer Vision

Генерація синтетичних даних для Computer Vision

Реальна розмітка 10 000 зображень з полігональними масками коштує місяці роботи анотаторів і немалі гроші. При цьому світового нема: у клієнта 400 розмічених фото дефектів на конвеєрі, а модель YOLOv8 з таким обсягом видає [email protected] = 0.51. Синтетичні дані — не заміна реальним, а інструмент, який закриває цей розрив без найму армії розмітників. Наш досвід показує, що правильно спроектований пайплайн генерації синтетики підвищує mAP на 30–50% порівняно з навчанням лише на реальних даних. Економія на розмітці досягає 80%.

Синтетичні дані — це штучно згенеровані зображення або відео, що імітують реальні сцени. Вони створюються через 3D-рендеринг, генеративні моделі (GAN, дифузійні моделі) або аугментацію. Докладніше про концепцію можна прочитати в Wikipedia.

Як вибрати метод генерації синтетичних даних?

3D-рендеринг дає більш передбачувану якість розмітки, ніж GAN, але вимагає в 2-3 рази більше часу на підготовку. Copy-paste аугментація в 10 разів дешевша за ручну розмітку при однаковому обсязі.

Коли синтетика реально допомагає, а коли ні

Три сценарії, де синтетика дає вимірний приріст:

• Дисбаланс класів. На виробничій лінії рідкісний дефект трапляється раз на 5 000 одиниць. Recall за цим класом — 0.23. Генерація 2 000 синтетичних екземплярів через copy-paste аугментацію на реальних фонах піднімає recall до 0.71 без зміни архітектури.

• Privacy-обмеження. Медичні знімки, документи, обличчя — там реальні дані або не можна використовувати поза захищеним контуром, або їх обсяг клінічно малий. GAN або дифузійна генерація з дотриманням розподілу — робочий вихід.

• Нове завдання без історичних даних. Склад ще не побудований, робот ще не куплений, а модель потрібна до запуску. Рендеринг 3D-сцен у Blender/NVIDIA Omniverse дає першу навчену модель заздалегідь.

Синтетика не допомагає, якщо domain gap занадто великий — модель, навчена на рендері, лягає на реальних фото без domain adaptation.

Які інструменти для генерації використовуються?

3D-рендеринг

NVIDIA Omniverse Replicator — найбільш зрілий інструмент для CV-синтетики. Дозволяє генерувати зображення з автоматичною розміткою: bounding boxes, маски сегментації, depth maps, normal maps — все з одного пайплайну. Рандомізація матеріалів, освітлення, положення камери вбудована. Згідно з офіційною документацією, генерація сцени з 10 000 об'єктів займає 2 дні.

import omni.replicator.core as rep

with rep.new_layer():
    # Рандомізація положення об'єкта
    cube = rep.create.cube(semantics=[("class", "defect")])
    with rep.trigger.on_frame(num_frames=5000):
        with cube:
            rep.modify.pose(
                position=rep.distribution.uniform((-50, 0, -50), (50, 0, 50)),
                rotation=rep.distribution.uniform((0, -180, 0), (0, 180, 0))
            )
        rep.randomizer.lights()

Blender + Python scripting — більш гнучкий варіант для кастомних сцен. Достатньо базового знання Blender API та скрипта для batch-рендеру.

GAN і дифузійні моделі

Stable Diffusion з ControlNet — генерація фотореалістичних зображень за масками або скелетами. Для CV-завдань актуально: задаєш маску дефекту, отримуєш варіації текстури та освітлення на цій масці.

StyleGAN3 — добре працює для облич і медичних зображень з контрольованою варіативністю. FID (Fréchet Inception Distance) < 10 досягається на датасетах від 10 000 реальних зразків.

Pix2Pix / CycleGAN — domain transfer: із синтетики в реалістичне зображення. Допомагає закрити domain gap без повторної розмітки.

Copy-paste аугментація

Найдешевший метод для детекції — вирізати реальний об'єкт і вставити на різні фони. Бібліотека albumentations з CopyPasteAugmentation або кастомний скрипт. При коректному змішуванні (Gaussian blur на краях, узгодження освітлення) приріст mAP — 5–15% без жодної нової розмітки.

Чому валідація на реальних даних критична?

Головна помилка — змішувати синтетику в val/test сет. Оцінка моделі повинна проводитися тільки на реальних даних. Інакше метрики виглядають гарно, а в production модель не працює.

Метрики для оцінки якості синтетики:

• FID — близькість розподілів синтетики та реальних даних (< 30 — прийнятно)
• KID (Kernel Inception Distance) — більш стійкий на малих вибірках
• Перенесення через модель: навчи на синтетиці, протестуй на реальних — це єдиний чесний тест

Який обсяг синтетичних даних потрібен?

На практиці, додавання 5-10 тисяч синтетичних зображень до 500 реальних часто дає приріст mAP на 10-15%. Для рідкісних класів може знадобитися до 20 тисяч. Важливо не змішувати синтетику у валідаційну вибірку.

Кейс: детекція дефектів скла

Наш клієнт — виробник автомобільних стекол. Завдання дефектоскопії: виявлення подряпин, сколів, бульбашок, включень, тріщин та мутності. Вихідний датасет: 380 реальних зображень, розмічених bounding boxes. Класи сильно незбалансовані — клас «включення» представлений лише 23 екземплярами.

Вихідна модель YOLOv8m з попередньо навченими вагами на COCO. Результат після fine-tuning на реальному датасеті: [email protected]:0.95 = 0.38, recall за класом «включення» = 0.19.

Рішення:

1. 3D-моделювання дефектів у Blender: промисловий дизайнер створив 12 високодеталізованих моделей (сколи, тріщини, бульбашки) з різними матеріалами та текстурами.
2. Рендеринг 8 000 зображень з рандомізацією: 3 типи освітлення (top, side, backlight), 5 кутів камери, випадкове положення на конвеєрній стрічці. Використано Cycles engine для фотореалістичності.
3. Copy-paste для рідкісних класів: вирізали реальні включення з 20 вихідних фото, вставили на 3 000 синтетичних фонів із застосуванням Gaussian blur та кольорокорекції.
4. Domain adaptation через CycleGAN: перевели стиль рендерів у стиль реальних фото лінії (custom dataset з 200 реальних кадрів). Це знизило FID з 45 до 22.
5. Фінальний датасет: 380 реальних + 11 000 синтетичних. Розбивка 80/10/10 лише на реальних даних у val/test.

Гіперпараметри навчання YOLOv8m:

• batch size = 16, imgsz = 640, optimizer = AdamW (lr=1e-3)
• mosaic augmentation, mixup (0.2), copy-paste (0.5)
• early stopping patience = 10 епох, max епох = 100
• trained on single NVIDIA A100 (80 GB) — навчання зайняло 4.5 години

Результати на real test set:

Економія: вартість синтетичної генерації (серверний час + дизайнер) виявилася в кілька разів нижчою за ручну розмітку 11 000 зображень, що дозволило знизити бюджет на підготовку датасету.

Що входить у роботу

• Аудит вихідних даних та постановка завдання
• Вибір оптимального методу генерації (3D-рендеринг / GAN / copy-paste)
• Розробка пайплайну генерації з автоматичною розміткою
• Domain adaptation для зниження domain gap
• Валідація якості на реальних даних
• Інтеграція у ваш MLOps-пайплайн
• Документація та навчання команди

Терміни

Вартість розраховується індивідуально залежно від обсягу та складності. Наш досвід — 5+ років у Computer Vision, 20+ проєктів з синтетичних даних. Гарантуємо прозору звітність та підтримку після впровадження.

Отримайте консультацію щодо вашого проєкту — ми допоможемо підібрати оптимальний метод генерації та оцінимо терміни. Зв'яжіться з нами для оцінки вашого завдання. Ми підготуємо комерційну пропозицію протягом одного робочого дня.

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.