Разработка системы распознавания действий человека (Action Recognition)

Почему action recognition до сих пор остается сложной задачей?

Мы разрабатываем системы, которые по видеопотоку отвечают не «кто и где», а «что именно делает человек». Обычная детекция объектов тут не работает: нужно учитывать временные зависимости между кадрами, а для редких событий (падения) требуется крайне низкая частота ложных срабатываний. Наш опыт за 7 лет и более 30 реализованных проектов показывает: без грамотной комбинации skeleton‑ и RGB‑подходов добиться промышленного качества невозможно.

Какие проблемы решаем

Падения — редкий класс с катастрофическими последствиями. Алгоритмы часто пропускают падение, поскольку оно занимает 0.5–2 секунды и выглядит аномалией. Мы строим двухэтапную систему: быстрый rule‑based детектор (по изменению высоты центра масс и скорости keypoints) отсеивает 90% шума, а LSTM‑классификатор поверх skeleton‑последовательности даёт окончательное решение. На тестовых данных F1 достигает 0.92.

Разнообразие действий в одном видео. Человек может идти, затем внезапно побежать — модель обязана переключиться за доли секунды. Мы используем sliding window (16–32 кадра, overlap 50–75%), чтобы новый результат получался каждые 8–16 кадров. Для длительных действий (поднятие груза) окно увеличиваем до 64–128 кадров.

Ограниченные вычислительные ресурсы. На производстве часто нельзя ставить тяжёлый GPU. Skeleton‑based подход через YOLOv8‑pose/MediaPipe и LSTM показывает 500+ FPS на CPU, проигрывая RGB‑моделям всего 5–10% точности. Для ответственных задач мы предлагаем гибрид: skeleton быстро детектирует события, а RGB‑модель (SlowFast с MobileNet‑backbone) уточняет класс.

Как мы это делаем

Стек и версии.

• Получение keypoints: YOLOv8‑pose (nano/small) или MediaPipe Pose (lightweight).
• Временная модель: LSTM с attention (PyTorch 2.0, hidden=256, 2 слоя, dropout 0.4) или ST‑GCN для пространственно‑временных графов.
• RGB‑классификация: SlowFast R50 (PyTorchVideo) с дообучением под кастомные классы, либо Video Swin‑B если точность критична.
• Деплой: ONNX Runtime на edge‑устройствах, Triton Inference Server для облака.

Пример skeleton‑классификатора (код ниже) показывает, как self‑attention и pooled features дают прирост +3% к Top‑1 на NTU RGB+D по сравнению с обычным LSTM.

import torch
import torch.nn as nn

class ActionLSTM(nn.Module):
    """Классификатор действий по последовательности keypoints"""
    def __init__(self, input_size=34,   # 17 keypoints * 2 координаты
                 hidden_size=256,
                 num_classes=10,
                 seq_len=30):           # 30 кадров = 1 сек при 30fps
        super().__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers=2,
                            batch_first=True, dropout=0.4)
        self.attention = nn.MultiheadAttention(hidden_size, num_heads=4)
        self.classifier = nn.Sequential(
            nn.Linear(hidden_size, 128),
            nn.GELU(),
            nn.Dropout(0.3),
            nn.Linear(128, num_classes)
        )

    def forward(self, x):  # [batch, seq_len, 34]
        lstm_out, _ = self.lstm(x)
        # Self-attention по временной оси
        attn_out, _ = self.attention(lstm_out, lstm_out, lstm_out)
        # Global average pooling по времени
        pooled = attn_out.mean(dim=1)
        return self.classifier(pooled)

Video‑based (RGB‑frames) — более точный подход, требующий больше ресурсов. Обрабатывает напрямую RGB-кадры:

• SlowFast — два потока с разной частотой дискретизации (медленный для семантики, быстрый для движения).
• Video Swin Transformer — лучший на Kinetics-400: Top-1 84.9% (Liu et al.).
• TimeSformer — temporal attention через transformers.

import torch
from torchvision.models.video import r3d_18, R3D_18_Weights

# R3D-18 — лёгкий 3D CNN для action recognition
model = r3d_18(weights=R3D_18_Weights.KINETICS400_V1)

# Для кастомных классов
model.fc = nn.Linear(model.fc.in_features, num_custom_classes)

Детекция падений: почему rule‑based + ML лучше, чем чистый deep learning

Чистая нейросеть даёт много false positives на резких движениях (наклониться, сесть). Rule‑based предфильтр с физическими признаками (скорость падения центра масс, горизонтальность тела) работает предсказуемо и не требует GPU. ML‑классификатор доучивается на специфике вашего помещения. Вместе они дают F1 = 0.92 против 0.78 у одного LSTM.

def detect_fall_rule_based(prev_keypoints, curr_keypoints) -> bool:
    """Быстрая rule-based детекция падения"""
    # Высота центра масс (нормализованная)
    prev_hip_y = (prev_keypoints['left_hip']['y'] +
                  prev_keypoints['right_hip']['y']) / 2
    curr_hip_y = (curr_keypoints['left_hip']['y'] +
                  curr_keypoints['right_hip']['y']) / 2

    # Угол тела (вертикальность)
    head_y = curr_keypoints['nose']['y']
    feet_y = max(curr_keypoints['left_ankle']['y'],
                 curr_keypoints['right_ankle']['y'])
    body_height = abs(feet_y - head_y)

    # Признаки падения: тело горизонтально И быстрое снижение ЦМ
    sudden_drop = (curr_hip_y - prev_hip_y) > 0.15  # нормализованные координаты
    horizontal_body = body_height < 0.3

    return sudden_drop and horizontal_body

Как мы выбираем подход для вашей задачи?

Выбор между skeleton и RGB зависит от приоритетов: скорость внедрения, точность, бюджет на оборудование. Ниже — сравнение ключевых метрик.

Skeleton-based подход лучше подходит для edge-устройств, RGB — для серверных решений с максимальной точностью.

Что входит в работу

• Дообучение моделей под ваш датасет (разметка, аугментация). Данные можно размечать автоматически через MediaPipe или YOLOv8-pose для skeleton-подхода; для RGB используем CVAT с временными метками.
• Сборка inference‑пайплайна на ONNX/Triton.
• Интеграция с существующей системой видеонаблюдения (RTSP, HLS).
• Документация по эксплуатации и описание архитектуры.
• Обучение вашей команды (2–3 сессии).
• Техподдержка на 3 месяца после деплоя.

Как проходит внедрение: 5 шагов

1. Аудит инфраструктуры — анализ источников видео, нагрузок, требований к latency.
2. Сбор и разметка данных — 1-2 недели на запись 100-500 примеров на класс.
3. Разработка прототипа — обучение baseline модели, настройка пайплайна.
4. Тестирование на реальных данных — измерение precision/recall в целевых условиях.
5. Деплой и мониторинг — установка на edge или сервер, настройка алертинга.

Сроки ориентировочно

Точный срок определяем на бесплатном аудите вашей инфраструктуры. Стоимость рассчитывается индивидуально под каждую задачу. Закажите разработку системы action recognition — мы оценим проект за 2 дня и предложим оптимальную архитектуру. Снижение ложных срабатываний на 40% позволяет экономить до 2 млн руб. в год на операторах видеонаблюдения для склада площадью 5000 м², а типовое решение для детекции падений стоит от 350 000 до 700 000 руб. Получите консультацию прямо сейчас — наши инженеры свяжутся с вами в течение дня.

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.