Document AI: извлечение структурированных данных из сканов

Сотни накладных, инвойсов и договоров ежедневно приходят в виде сканов. Ручной ввод — узкое горло, ошибки неизбежны. Потери времени и бюджета растут. Мы решаем это с помощью Document AI — автоматического извлечения структурированных данных. Наш подход даёт F1 до 96% на сложных полях и сокращает время обработки в 10–20 раз. В отличие от классического OCR, который выдаёт плоский текст, Document AI понимает семантику и визуальное расположение элементов. Модель знает, что 12 345.00 справа от Total — итоговая сумма, а не случайное число. Это ключевой элемент автоматизации документооборота, где машинное обучение позволяет избавиться от рутины.

Качество извлечения напрямую зависит от разметки и архитектуры модели. Мы используем LayoutLMv3 — State-of-the-Art для документов с произвольным шаблоном. Ниже разберём ключевые проблемы и их решение.

Как Document AI извлекает структурированные данные?

Стек: PyTorch, Hugging Face Transformers, LayoutLMv3, Tesseract для OCR. Для каждого типа документов обучаем отдельную модель с BIO-разметкой сущностей (NER).

from transformers import LayoutLMv3Processor, LayoutLMv3ForTokenClassification
from PIL import Image
import torch

class DocumentFieldExtractor:
    def __init__(self, model_path: str, labels: list[str]):
        self.processor = LayoutLMv3Processor.from_pretrained(model_path)
        self.model = LayoutLMv3ForTokenClassification.from_pretrained(
            model_path,
            num_labels=len(labels) * 2 + 1  # BIO tagging
        )
        self.labels = labels
        self.model.eval()

    @torch.no_grad()
    def extract(self, image_path: str) -> dict:
        image = Image.open(image_path).convert('RGB')
        encoding = self.processor(
            image,
            return_tensors='pt',
            truncation=True,
            padding='max_length',
            max_length=512
        )
        outputs = self.model(**encoding)
        predictions = outputs.logits.argmax(-1).squeeze().tolist()
        return self._decode_entities(encoding, predictions)

Разметка данных ведётся в Label Studio с поддержкой Document AI — разметчик выделяет области на скане и назначает тип поля. Минимум 200–500 размеченных документов для базового качества.

Fine-tuning выполняется стандартным Trainer из Hugging Face:

from transformers import TrainingArguments, Trainer
from datasets import load_dataset

training_args = TrainingArguments(
    output_dir='./invoice_extractor',
    num_train_epochs=20,
    per_device_train_batch_size=2,
    per_device_eval_batch_size=2,
    learning_rate=5e-5,
    warmup_steps=100,
    weight_decay=0.01,
    fp16=True,
    evaluation_strategy='epoch',
    save_strategy='best',
    metric_for_best_model='f1'
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    compute_metrics=compute_ner_metrics
)
trainer.train()

Какие проблемы решает Document AI?

• Нестандартные шаблоны — разные поставщики оформляют инвойсы по-своему. LayoutLMv3 устойчив к вариациям, если обучать на репрезентативной выборке.
• Низкое качество сканов — перекосы, шум, плохое освещение. Предобработка (deskew, denoise) + данные с аугментациями повышают робастность.
• Смешанные типы документов — в одном потоке могут быть и накладные, и договоры. Мы обучаем мультитиповые модели или классификатор перед экстракцией.
• Валидация извлечённых данных — контрольные суммы, форматы дат, справочники. Постобработка с бизнес-правилами отсеивает ошибки.

Почему LayoutLMv3 лучше классического OCR?

Классический OCR (Tesseract, Abbyy) выдаёт только текст и координаты. Document AI на основе LayoutLMv3 дополнительно понимает семантику: модель знает, что строка "ИНН 7701234567" — это ИНН, а не номер счёта. Как показано в работе LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking, на датасете CORD LayoutLMv3 достигает F1 95.5%, тогда как OCR+регулярки — около 70–80%. LayoutLMv3 работает в 5–10 раз точнее при извлечении сложных полей, особенно дат и сумм. Внедрение такой системы окупается в среднем за 3–6 месяцев за счёт сокращения ручного труда, а ежемесячная экономия на операционных расходах достигает от 30 000 до 100 000 руб. Кроме того, снижение ошибок обработки экономит до 20 000 руб. в месяц.

Типичные ошибки при внедрении экстрактора инвойсов

• Слишком мало размеченных данных — менее 200 сканов на тип, что приводит к переобучению.
• Однотипные шаблоны в выборке — модель не видит вариаций и ошибается на новых форматах.
• Игнорирование аугментаций — без поворотов и шума модель падает на реальных сканах.
• Отсутствие постобработки — даты в разных форматах, суммы без разделителей — модель выдает сырые токены, а не нормализованные значения.

Что входит в работу?

• Индивидуальная модель — дообученный LayoutLMv3 под ваш тип документов.
• API-контейнер — Docker-образ с REST API и примерами запросов.
• Документация — описание работы модели, инструкции по интеграции.
• Обучение сотрудников — вебинар по разметке данных и использованию экстрактора.
• Поддержка — 3 месяца мониторинга качества и дообучений при необходимости.

Получите консультацию по вашему проекту — оценка бесплатно.

Требования к данным: для разметки достаточно сканов в форматах PDF, JPG, PNG. Разрешение не менее 150 DPI. Желательно, чтобы шаблоны были однотипными, но модель адаптируется к вариациям при достаточном количестве примеров (от 200).

Пошаговый процесс внедрения

1. Сбор и разметка данных — выделяем 200–500 сканов вашего типа, размечаем поля через Label Studio.
2. Fine-tuning модели — настраиваем LayoutLMv3 под вашу разметку, оптимизируем гиперпараметры.
3. Постобработка — добавляем правила валидации (форматы, контрольные суммы).
4. Упаковка в API — модель в Docker-контейнере с REST эндпоинтами.
5. Интеграция и тестирование — подключаем к вашей системе, проверяем на отложенной выборке.
6. Мониторинг и поддержка — отслеживаем качество, при необходимости дообучаем.

Сроки: один тип документа с размеченной выборкой занимает 4–6 недель, для 3–5 типов — 8–12 недель, универсальный экстрактор — до 18 недель.

Наши компетенции и гарантии

Мы — команда ML-инженеров с 7+ годами опыта в Computer Vision и NLP. Реализовали более 30 проектов по Document AI для банков, логистики и ритейла. Имеем сертифицированный опыт работы с Hugging Face и NVIDIA.

Гарантируем точность на вашем типе документов: если F1 ниже оговорённого порога на тестовой выборке — дорабатываем модель бесплатно. Внедрение включает мониторинг и возможность дообучения в течение 3 месяцев.

Закажите пилотный проект — оцените результат на ваших данных. Если вы хотите автоматизировать документооборот, свяжитесь с нами для консультации и оценки проекта.

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.