Разработка системы генерации синтетических данных для Computer Vision

Генерация синтетических данных для Computer Vision

Реальная разметка 10 000 изображений с полигональными масками стоит месяцы работы аннотаторов и немалые деньги. При этом мирового нет: у клиента 400 размеченных фото дефектов на конвейере, а модель YOLOv8 с таким объёмом выдаёт [email protected] = 0.51. Синтетические данные — не замена реальным, но инструмент, который закрывает этот разрыв без найма армии разметчиков. Наш опыт показывает, что правильно спроектированный пайплайн генерации синтетики повышает mAP на 30–50% по сравнению с обучением только на реальных данных. Экономия на разметке достигает 80%.

Синтетические данные — это искусственно сгенерированные изображения или видео, имитирующие реальные сцены. Они создаются через 3D-рендеринг, генеративные модели (GAN, диффузионные модели) или аугментацию. Подробнее о концепции можно прочитать в Wikipedia.

Как выбрать метод генерации синтетических данных?

3D-рендеринг даёт более предсказуемое качество разметки, чем GAN, но требует в 2-3 раза больше времени на подготовку. Copy-paste аугментация в 10 раз дешевле ручной разметки при одинаковом объёме.

Когда синтетика реально помогает, а когда нет

Три сценария, где синтетика даёт измеримый прирост:

• Дисбаланс классов. На производственной линии редкий дефект встречается раз в 5 000 единиц. Recall по этому классу — 0.23. Генерация 2 000 синтетических экземпляров через copy-paste аугментацию на реальных фонах поднимает recall до 0.71 без изменения архитектуры.

• Privacy-ограничения. Медицинские снимки, документы, лица — там реальные данные либо нельзя использовать вне защищённого контура, либо их объём клинически мал. GAN или диффузионная генерация с соблюдением распределения — рабочий выход.

• Новая задача без исторических данных. Склад ещё не построен, робот ещё не куплен, а модель нужна к запуску. Рендеринг 3D-сцен в Blender/NVIDIA Omniverse даёт первую обученную модель заранее.

Синтетика не помогает, если domain gap слишком велик — модель, обученная на рендере, ложится на реальных фото без domain adaptation.

Какие инструменты для генерации используются?

3D-рендеринг

NVIDIA Omniverse Replicator — наиболее зрелый инструмент для CV-синтетики. Позволяет генерировать изображения с автоматической разметкой: bounding boxes, маски сегментации, depth maps, normal maps — всё из одного пайплайна. Рандомизация материалов, освещения, положения камеры встроена. Согласно официальной документации, генерация сцены с 10 000 объектов занимает 2 дня.

import omni.replicator.core as rep

with rep.new_layer():
    # Рандомизация положения объекта
    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 — более гибкий вариант для кастомных сцен. Достаточно базового знания Blender API и скрипта для batch-рендера.

GAN и диффузионные модели

Stable Diffusion с ControlNet — генерация фотореалистичных изображений по маскам или скелетам. Для CV-задач актуально: задаёшь маску дефекта, получаешь вариации текстуры и освещения на этой маске.

StyleGAN3 — хорошо работает для лиц и медицинских изображений с контролируемой вариативностью. FID (Fréchet Inception Distance) < 10 достигается на датасетах от 10 000 реальных образцов.

Pix2Pix / CycleGAN — domain transfer: из синтетики в реалистичное изображение. Помогает закрыть domain gap без повторной разметки.

Copy-paste аугментация

Самый дешёвый метод для детекции — вырезать реальный объект и вставить на разные фоны. Библиотека albumentations с CopyPasteAugmentation или кастомный скрипт. При корректном смешении (Gaussian blur на краях, согласование освещения) прирост mAP — 5–15% без единой новой разметки.

Почему валидация на реальных данных критична?

Главная ошибка — смешивать синтетику в val/test сет. Оценка модели должна проводиться только на реальных данных. Иначе метрики выглядят красиво, а в production модель не работает.

Метрики для оценки качества синтетики:

• FID — близость распределений синтетики и реальных данных (< 30 — приемлемо)
• KID (Kernel Inception Distance) — более устойчив на малых выборках
• Перенос через модель: обучи на синтетике, протестируй на реальных — это единственный честный тест

Какой объём синтетических данных нужен?

На практике, добавление 5-10 тысяч синтетических изображений к 500 реальным часто даёт прирост mAP на 10-15%. Для редких классов может потребоваться до 20 тысяч. Важно не смешивать синтетику в валидационную выборку.

Кейс: детекция дефектов стекла

Наш клиент — производитель автомобильных стёкол. Задача дефектоскопии: выявление царапин, сколов, пузырей, включений, трещин и мутности. Исходный датасет: 380 реальных изображений, размеченных bounding boxes. Классы сильно несбалансированы — класс «включение» представлен всего 23 экземплярами.

Исходная модель YOLOv8m с предобученными весами на COCO. Результат после fine-tuning на реальном датасете: [email protected]:0.95 = 0.38, recall по классу «включение» = 0.19.

Решение:

1. 3D-моделирование дефектов в Blender: промышленный дизайнер создал 12 высокодетализированных моделей (сколы, трещины, пузыри) с разными материалами и текстурами.
2. Рендеринг 8 000 изображений с рандомизацией: 3 типа освещения (top, side, backlight), 5 углов камеры, случайное положение на конвейерной ленте. Использован Cycles engine для фотореалистичности.
3. Copy-paste для редких классов: вырезали реальные включения с 20 исходных фото, вставили на 3 000 синтетических фонов с применением Gaussian blur и цветокоррекции.
4. Domain adaptation через CycleGAN: перевели стиль рендеров в стиль реальных фото линии (custom dataset из 200 реальных кадров). Это снизило FID с 45 до 22.
5. Финальный датасет: 380 реальных + 11 000 синтетических. Разбивка 80/10/10 только на реальных данных в val/test.

Гиперпараметры обучения YOLOv8m:

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

Результаты на real test set:

Экономия: стоимость синтетической генерации (серверное время + дизайнер) оказалась в несколько раз ниже ручной разметки 11 000 изображений, что позволило снизить бюджет на подготовку датасета.

Что входит в работу

• Аудит исходных данных и постановка задачи
• Выбор оптимального метода генерации (3D-рендеринг / GAN / copy-paste)
• Разработка пайплайна генерации с автоматической разметкой
• Domain adaptation для снижения domain gap
• Валидация качества на реальных данных
• Интеграция в ваш MLOps-пайплайн
• Документация и обучение команды

Сроки

Стоимость рассчитывается индивидуально в зависимости от объёма и сложности. Наш опыт — 5+ лет в Computer Vision, 20+ проектов по синтетическим данным. Гарантируем прозрачную отчётность и поддержку после внедрения.

Получите консультацию по вашему проекту — мы поможем подобрать оптимальный метод генерации и оценим сроки. Свяжитесь с нами для оценки вашей задачи. Мы подготовим коммерческое предложение в течение одного рабочего 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.