Как построить нейросетевой классификатор для системы видеоанализа

О проекте

Клиент создает системы видеонаблюдения и видеоаналитики, которые позволяют автоматизировать логистические и производственные процессы, решать задачи в области промышленной безопасности и охраны труда. За 15 лет бизнес реализовал 250+ тыс проектов, а на счету 3+ млн камер под контролем собственного ПО. 

Программа распознает номера, модель, цвет и категорию транспортного средства (A, B, C, D). Продукт применяется в различных областях: от автоматизации проезда на контрольно-пропускных пунктах до выявления автомобилей, находящихся в розыске. С целью повышения точности нейросетевого классификатора компания решила нарастить внутреннюю экспертизу опытом внешних ИТ-специалистов.

Команде RedLab требовалось оптимизировать алгоритмы машинного обучения и улучшить нейронную сеть, воспринимающую и обрабатывающую видео. При постановке технического задания клиент определил ряд требований к продукту:

• Способность определять модель автомобиля из 1000 классов.
• Возможность идентифицировать цвет машины из 15 классов и иметь устойчивость к некачественным изображениям.
• Выполнение детектирования колес для обнаружения местоположения транспортного средства.

Реализация

Технологический стек: 

• Pytorch
• Torchvsion
• Ultralytics
• OpenCV
• OpenVINO
• Gitlab
• Gitlab CI/CD

Работы велись ML- и DevOps-инженерами RedLab. Были выполнены следующие задачи:

• Спроектировали архитектуру YOLO для высокой скорости обработки параметров и мгновенного реагирования на события.
• Оптимизировали нейросетевые модели. В результате время обработки данных значительно сократилось, а архитектура стала более масштабируемой.
• Усовершенствовали процесс сбора и валидации разметки данных — это обеспечило высокое качество исходных параметров для последующего машинного обучения.
• Внедрили обученные модели в промышленную среду и подготовили полную документацию.
• Обучили модели классификации и детекции. Теперь программа распознает характеристики автомобилей с повышенной точностью.
• Сделали валидацию обученных моделей, которая смогла минимизировать количество ложных срабатываний.
• Разработали модули аналитики транспортных потоков, которые позволили улучшить анализ трафика на дорогах.
• Сделали подготовку и разбиение данных на обучающие и тестовые выборки, что позволило получить более достоверные результаты работы алгоритмов.