Что такое компьютерное зрение и где его применяет бизнес
Основы3 минРедакция Innovialabs
Коротко
Компьютерное зрение — это ИИ, который извлекает из фото и видео структурированные данные: что изображено, где находится объект и куда он движется. Бизнес использует его для подсчета, контроля качества и учета.
Коротко: что такое компьютерное зрение
Компьютерное зрение (computer vision, CV) — область ИИ, которая учит компьютер понимать изображения и видео. Камера дает пиксели, а модель превращает их в данные: «на полке 12 бутылок», «на детали царапина», «грузовик въехал в зону 3».
Почти любая задача CV сводится к одному из четырех базовых типов.
Четыре базовые задачи
| Задача | Что отвечает модель | Пример результата |
|---|---|---|
| Классификация | Что на изображении целиком? | «Деталь бракованная» / «деталь в норме» |
| Детекция | Какие объекты и где они? | Прямоугольники вокруг каждой коробки с подписью класса |
| Сегментация | Какие пиксели относятся к объекту? | Точный контур пятна, трещины или участка поля |
| Трекинг | Куда движется объект между кадрами? | Траектория покупателя или погрузчика с постоянным ID |
- Классификация — самая простая: одна метка на кадр. Подходит, когда объект один и занимает весь кадр.
- Детекция нужна, когда объектов много и важно их положение или количество.
- Сегментация дороже в разметке, но дает точную форму — важно для измерения площади дефекта или границ.
- Трекинг строится поверх детекции и связывает объекты между кадрами видео, чтобы считать проходы, время пребывания и маршруты.
К этим задачам добавляются специализированные: OCR (чтение текста), распознавание номеров, оценка позы человека, поиск похожих изображений.
Где это применяет бизнес
Ритейл
- Контроль выкладки: пустые места на полках, соответствие планограмме.
- Подсчет посетителей и тепловые карты зала.
- Касса самообслуживания: распознавание товаров без штрихкода, например овощей.
Производство
- Визуальный контроль качества: царапины, сколы, неправильная сборка на конвейере.
- Контроль средств защиты: каска, жилет, перчатки.
- Считывание показаний аналоговых приборов.
Логистика
- Подсчет и идентификация коробок и паллет.
- Чтение номеров машин и контейнеров на въезде.
- Контроль заполненности кузова и повреждений груза.
Безопасность
- Обнаружение людей в запретных зонах.
- Контроль доступа и проезда.
- Поиск событий в видеоархиве вместо ручного просмотра.
Как запустить проект CV
- Сформулируйте вопрос в одной фразе. Не «внедрить ИИ», а «считать пустые места на полке раз в час».
- Выберите тип задачи. Часто хватает детекции; сегментация нужна только при необходимости точной формы.
- Соберите данные с реальных камер. Освещение, угол, разрешение должны совпадать с боевыми условиями.
- Разметьте выборку. Качество разметки напрямую влияет на результат.
- Начните с готовой модели. Предобученные модели дообучают на ваших примерах — это быстрее, чем обучать с нуля.
- Решите, где работает модель: на сервере, в облаке или прямо на устройстве рядом с камерой (edge).
- Проверьте на отложенных данных и посчитайте precision и recall — сколько срабатываний верные и сколько объектов найдено.
Частые ошибки
- Обучение на красивых фото из интернета вместо кадров с ваших камер.
- Игнорирование ночи, бликов, сезонности и загрязнения объектива.
- Ожидание 100% точности. Важнее, сколько ошибок допустимо и что происходит при ошибке.
- Отсутствие плана интеграции: результат модели должен попадать в CRM, WMS или уведомления, иначе он никому не нужен.
Частые вопросы
Не всегда. Часто подходят существующие IP-камеры, если разрешение и угол позволяют разглядеть нужные детали. Для мелких дефектов на конвейере обычно нужна отдельная камера и стабильное освещение.