Розробка VLM-систем для аналізу зображень і тексту

Інженер стикається з завданням: потрібно автоматично аналізувати дефекти на фотографіях деталей, причому відповідь має бути не просто 'є дефект', а структурований JSON з типом, координатами та впевненістю. Яку VLM обрати та як впровадити — питання не з простих. Ми проектуємо пайплайни під ключ: від вибору архітектури до деплою в production.

Vision-Language Models — архітектура, де візуальний енкодер (ViT, CLIP) з'єднується з мовною моделлю (LLaMA, Mistral, Qwen). Результат: модель розуміє зображення та відповідає на питання про нього природною мовою. Vision-Language Model — збірна назва для таких гібридних архітектур. GPT-4o, Claude Sonnet, LLaVA, Qwen-VL — це VLM.

Розрив між «задати питання GPT-4o про картинку» та «production VLM-пайплайн» величезний. API коштує дорого при масштабі, latency 2–5 секунд неприйнятна для real-time, дані йдуть до провайдера. Розгортання локально вирішує ці проблеми, але вимагає глибокого налаштування. Qwen2-VL technical report підтверджує: при batch-обробці 50+ зображень локальний inference в 10 разів дешевший за хмарний API, а швидкість — в 4-7 разів вища.

Порівняння хмарного API та локального розгортання

Хмарне API ідеальне для прототипування: мінімум витрат на інфраструктуру, швидкий старт. Але як тільки навантаження перевищує 10 тисяч запитів на день, вартість зростає експоненційно. Ми підбираємо конфігурацію під ваш сценарій: для real-time задач ставимо self-hosted моделі, для пакетної обробки — хмарні виклики. Додатково застосовуємо quantization (INT8/INT4) та LoRA для прискорення без втрати якості. Для досягнення максимальної ефективності використовуємо техніки, як-от оптимізація уваги (attention mechanism) та кешування KV (KV cache optimization). Приклад: для клієнта зі 100k запитів на місяць перехід з GPT-4o на локальний Qwen2-VL-7B знизив витрати з $8,000 до $1,500 на місяць — економія 81%.

Як забезпечити детермінований вивід VLM?

Для production важливіший не вільний текст, а структурований JSON. Використовуємо constrained generation через Outlines або grammar-based decoding:

from pydantic import BaseModel
from typing import Optional
import outlines

class ProductInspectionResult(BaseModel):
    defect_detected: bool
    defect_type: Optional[str]
    defect_location: Optional[str]
    severity: str  # 'none', 'minor', 'major', 'critical'
    confidence: float
    notes: str

class StructuredVLMInspector:
    def __init__(self, model_name: str):
        self.model = outlines.models.transformers(model_name)
        self.generator = outlines.generate.json(
            self.model, ProductInspectionResult
        )

    def inspect(self, image: Image.Image, context: str = '') -> ProductInspectionResult:
        prompt = f"""Inspect this product image for defects.
        Context: {context}
        Provide structured assessment."""

        return self.generator(prompt, image)

Коли fine-tuning виправданий?

Fine-tuning VLM на доменних даних підвищує точність на 10–20% для специфічних класів (медицина, промисловість). Ми використовуємо LoRA (Low-Rank Adaptation) — це знижує вимоги до VRAM до 8GB при full fine-tuning 7B моделі. Результат: модель адаптується під вашу термінологію та формат відповіді без втрати загального знання. Ми, з досвідом 5+ років у комп'ютерному зорі та понад 20 завершеними VLM-проектами, гарантуємо експертний підхід.

Кейс: автоматизація розмітки даних (з нашої практики)

Наш клієнт — велике виробниче підприємство — зіткнувся з необхідністю розмітити 50k зображень виробничих дефектів. Ручне анотування зайняло б 6 тижнів. Ми розгорнули Qwen2-VL-7B для автоматизації розмітки. Задача: визначити тип дефекту та його координати. Використали структурований вивід з JSON, що містить bbox та клас. Точність автоматичної розмітки vs. ручної: 87% збігів. Решта 13% пройшли швидку ручну корекцію (30 сек/зображення vs. 5 хв з нуля). Підсумок: розмітка 50k зображень за 3 дні замість 6 тижнів. Скоротили бюджет на розмітку на 60%.

Обмеження VLM

Галюцинації: модель може впевнено описати неіснуючий дефект. Критично там, де false positive коштує дорого. Рішення: ансамблювання з класичним детектором, поріг впевненості за logprobs.

Повторюваність: при однаковому зображенні та питанні відповідь може незначно відрізнятися. Для детермінованих задач — temperature=0.0, або structured generation.

Токенізація зображень: Qwen2-VL кодує 1024×1024 у 256 токенів. Дрібні дефекти < 20px — на межі роздільної здатності VLM. Для таких випадків краще класичний детектор.

Що входить в роботу

1. Аналіз задачі — вибір моделі (хмарне API або локальне), оцінка навантаження та latency.
2. Деплой інфраструктури — налаштування GPU-сервера, завантаження моделі, оптимізація (quantization, batching, speculative decoding).
3. Інтеграція — API-прошарок для вашого сервісу (REST/gRPC), безпека, логування.
4. Тестування — валідація на ваших даних, порівняння метрик (точність, швидкість).
5. Документація та навчання — опис архітектури, інструкція для ваших розробників.
6. Підтримка — 4 тижні після запуску: моніторинг, фіксація багів.

Терміни

Зв'яжіться з нами для безкоштовної оцінки вашого проекту. Ми гарантуємо прозорість та технічну підтримку на всіх етапах.

Замовте консультацію — підберемо оптимальну конфігурацію VLM під ваші завдання та обсяги.

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.