Разработка системы компьютерного зрения (CV) под ключ

Дрейф данных — главный враг CV-модели в продакшене. Мы сталкивались с этим в каждом втором проекте: модель с mAP 0.95 на валидации падает до 0.6 через месяц после деплоя. Причина — изменилось освещение, угол камеры или добавился новый класс объектов. Чтобы этого избежать, нужно строить не просто модель, а пайплайн компьютерного зрения с мониторингом дрейфа и автоматическим переобучением. Мы делаем именно так.

Какие задачи решает компьютерное зрение?

На производстве — дефектоскопия выявляет брак с точностью до 99.5%, экономя до 70% затрат на контроль качества. В ритейле — распознавание товаров ускоряет кассы в 5 раз. В логистике — трекинг объектов (паллет, ящиков) и чтение штрихкодов сокращает операционные расходы на 30%. Каждая задача требует своего подхода к data engineering и выбору архитектуры. Например, для детекции в реальном времени (30 FPS) нужна лёгкая модель YOLOv8-nano (в три раза быстрее YOLOv8-large), а для сегментации медицинских снимков — тяжёлая U-Net или SAM. Средняя окупаемость инвестиций в CV-систему составляет 6–12 месяцев за счёт снижения затрат на контроль качества и сокращения простоев.

Типовой стек CV-системы

Современная CV-система строится на трёх уровнях: модель, инференс-сервер, интеграционный слой.

Модели (выбор зависит от задачи):

• Классификация: EfficientNet-B4/B7, ViT-B/16, ConvNeXt
• Детекция: YOLOv8/YOLO11, RT-DETR, DINO
• Сегментация: Segment Anything Model (SAM), Mask R-CNN, YOLOv8-seg
• Генеративные: Stable Diffusion, DALL-E 3 (для аугментации)

Инференс-серверы:

• NVIDIA Triton Inference Server — для GPU-деплоя, батчинг, model ensemble
• TorchServe — для PyTorch-моделей
• ONNX Runtime — для edge/CPU деплоя
• TensorFlow Serving — для TF-моделей

Оптимизация для production:

• TensorRT — ускорение на NVIDIA GPU: 2–5x по сравнению с PyTorch
• ONNX export -> quantization INT8 — для CPU или edge устройств
• Pruning — удаление незначимых весов при допустимой просадке accuracy

NVIDIA TensorRT documentation подтверждает, что квантизация INT8 снижает размер модели на 75% и ускоряет инференс на CPU до 3x.

Как оптимизировать модель для деплоя?

1. Профилируем модель через NVIDIA Nsight, выявляем узкие места.
2. Конвертируем в TensorRT engine с FP16 или INT8 квантизацией.
3. Настраиваем динамический батчинг (например, batch=8).
4. Деплоим в Triton Inference Server с грейсфул выключением и A/B тестом.
5. Включаем мониторинг дрейфа данных — если распределение изменилось, модель переобучается автоматически.

from ultralytics import YOLO

model = YOLO('best.pt')
model.export(format='engine',          # TensorRT engine
             device=0,
             half=True,                # FP16
             dynamic=False,
             imgsz=640,
             batch=8)

Для продакшена важна не только точность, но и скорость. TensorRT c FP16 даёт выигрыш в 2–5x без значимой потери метрик. После деплоя включаем мониторинг дрейфа данных — если распределение изменилось, модель переобучается автоматически.

Пайплайн разработки

Этап 1: Анализ задачи и данных Определение типа задачи (классификация / детекция / сегментация / etc), требования к latency (real-time < 50ms или batch?), целевое железо (GPU/CPU/Edge). Аудит имеющихся данных: количество, качество, баланс классов.

Этап 2: Data Engineering Сбор данных при недостатке. Разметка: CVAT, Label Studio, Roboflow. Аугментация: albumentations (геометрические и цветовые преобразования), Mosaic для детекции. Разбивка: train/val/test стратифицированная.

Этап 3: Обучение и эксперименты MLflow для трекинга экспериментов. Трансфер лернинг от COCO/ImageNet pretrained. Hyperparameter search через Optuna или Ray Tune.

Этап 4: Оценка и анализ ошибок Confusion matrix, precision/recall кривые, анализ worst cases. Для детекции: [email protected], [email protected]:0.95. Тест на OOD (out-of-distribution) данных.

Этап 5: Оптимизация и деплой TensorRT/ONNX, профилирование через NVIDIA Nsight. Docker-контейнер, Kubernetes деплой, A/B тест против baseline.

Требования к данным

Что входит в работу

• Документация пайплайна (архитектура, обучение, деплой)
• Обучение команды заказчика работе с моделью и её переобучению
• Интеграция с MLOps-инструментами (MLflow, Kubeflow)
• Мониторинг дрейфа данных и уведомления
• SLA 99.9% аптайм инференс-сервера

Почему выбирают нас

Более 10 лет экспертизы в Computer Vision, сертифицированные инженеры (NVIDIA DLI, TensorRT). Мы реализовали более 50 проектов — от распознавания номеров на СТО до сегментации спутниковых снимков. Каждый проект сопровождается замером business KPIs: снижение ошибок на 40%, ускорение процессов в 5 раз.

Закажите разработку CV-системы под ключ — мы оценим ваш проект и предложим оптимальное решение. Получите консультацию инженера для детальной оценки.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.