Обучение нейросетей одним кадром

Команда выполняет разработку и испытания прототипа инструментария для автоматизированного обучения малой модели с использованием малого датасета для детекции объекта.

Для производства это означает что специалист или сотрудник предприятия без специальной подготовки может сам обучить и запустить нейросеть для детекции и подсчета объекта прямо на месте с помощью нескольких кадров.

Разработка и испытания прототипа инструментария для автоматизированного обучения малой модели с использованием малого датасета для детекции объекта ведется с поддержкой «Фонда Содействия Инновациям» и федерального проекта «Отечественные решения» национального проекта «Экономика данных и цифровая трансформация государства».

Платформа позволяет автоматически считать объекты, операции и события на видеопотоке с камер VMS.
Подсчёт выполняется на живом стриме и в архиве, что даёт возможность получать ключевые метрики производства: количество изделий, проходов, циклов, загрузку линий, интенсивность операций.
Результаты используются для аналитики, контроля KPI и выявления узких мест без установки дополнительных датчиков.

Система выполняет детекцию заданных объектов и отклонений от нормы: дефекты продукции, отсутствие или неправильное положение элементов, нарушения технологического процесса.
Модель обучается под конкретные условия камеры и сцены, что обеспечивает высокую точность даже в сложной промышленной среде.
Результаты детекции доступны в реальном времени и могут использоваться для оповещений, отчётов или автоматической реакции системы.

Обучение нейросети выполняется прямо в интерфейсе VMS: оператор выбирает камеру, отмечает объект на кадре, а система автоматически собирает датасет из архива и обучает модель.
Не требуется знание машинного обучения, программирование или ручная подготовка данных.
Это позволяет запускать новые сценарии детекции и подсчёта за часы, а не недели, быстро адаптируя систему под новые задачи производства.

1

2

3

4

5

6

7

На первом этапе проводится анализ и выбор большой объектной нейросети, подходящей для промышленной детекции в условиях видеонаблюдения. Выполняются эксперименты по дообучению и дистилляции модели под ограниченные вычислительные ресурсы и реальные сцены с камер VMS. Оценивается качество детекции, устойчивость к шуму и возможность последующей оптимизации модели.

Разрабатывается компактная модель детекции, ориентированная на работу со статичными кадрами и минимальным объёмом размеченных данных. Модель оптимизируется по скорости и ресурсоёмкости для последующего запуска на edge-устройствах или серверах VMS. Параллельно проводится настройка структуры модели под быстрый цикл обучения.

Проводятся испытания сценариев обучения модели на крайне ограниченных датасетах, сформированных из одного или нескольких статичных кадров. Анализируется влияние качества разметки, условий съёмки и объёма данных на итоговую точность. Отрабатываются механизмы стабилизации обучения и повышения обобщающей способности модели.

Формируется единый пайплайн работы нейросетей, включающий последовательный или параллельный запуск большой и малой моделей. Определяется логика передачи данных, агрегации результатов и получения финальной детекции и подсчёта объектов. Пайплайн адаптируется под работу в реальном времени и под архивное видео.

Разрабатывается пользовательский инструментарий для разметки объектов на статичных кадрах прямо в интерфейсе VMS. Параллельно создаётся механизм автоматизированного расширения датасета за счёт поиска похожих сцен и объектов в видеоархиве. Инструменты ориентированы на использование операторами без опыта работы с нейросетями.

Все нейросетевые модели и инструменты обучения интегрируются в VMS как единая платформа. Проводятся пилотные испытания на реальных камерах и производственных сценариях. Выполняется оценка точности, стабильности и производительности системы, а также корректировка по итогам тестов.

Платформа разрабатывается на базе Linux и VMS с поддержкой RTSP/ONVIF и обработкой видеопотоков через FFmpeg. Машинное зрение реализовано на Python с использованием PyTorch, OpenCV и современных моделей детекции объектов, оптимизированных для быстрого инференса. Backend построен на FastAPI с использованием PostgreSQL и Redis, а интерфейс реализован на React с отрисовкой bounding boxes в реальном времени через Canvas и WebSocket, с развёртыванием в Docker и поддержкой GPU-ускорения.

Полный список используемых решений

ОСНОВНОЙ ВИД ДЕЯТЕЛЬНОСТИ:
62.01 Разработка компьютерного программного обеспечения
ДОПОЛНИТЕЛЬНО:
72.19 Научные исследования и разработки в области естественных и технических наук прочие
62.02 Деятельность консультативная и работы в области компьютерных технологий
62.02.4 Деятельность по подготовке компьютерных систем к эксплуатации
63.11.1 Деятельность по созданию и использованию баз данных и информационных ресурсов

Обучение нейросетей одним кадром

Платформа внедрения AI в производство

Ключевые функциональные направления

Цифровизация процессов производства

Детекция предметов в один клик

Обучение нейросетей без специалиста

Алгоритм автоматизации обучения

ПОДКЛЮЧЕНИЕ КАМЕР

ЗАПИСЬ АРХИВА

ВЫДЕЛЕНИЕ ОБЪЕКТА

СБОР ДАТАСЕТА

ДЕСТИЛЯЦИЯ НЕЙРОСЕТИ

ЗАПУСК ОНЛАЙН

Дорожная карта

Базовая нейросетевая архитектура

Результат

Малая модель детекции по статичному кадру

Ожидаемый результат

Обучение на малых датасетах

Ожидаемый результат

Пайплайн нейросетей и логика обработки

Ожидаемый результат

Инструменты разметки и расширения датасета

Ожидаемый результат

Интеграция в VMS и тестирование

Ожидаемый результат

Запуск коммерческого продукта и открытие продаж

Ожидаемый результат

Ответы на вопросы

Уровень готовности

Нужны ли специалисты по нейросетям для работы с платформой?

Сколько времени занимает запуск новой детекции?

На каких данных обучается нейросеть?

Можно ли использовать систему для подсчёта и выявления брака?

Требуется ли дополнительное оборудование или датчики?

Проектные работы

Команда

Технологии