Построение нейросетевого классификатора для системы видеоанализа
- DevOps
- Backend
- Pytorch
- Torchvsion
- Ultralytics
- OpenCV
- OpenVINO
- Gitlab
- Gitlab CI/CD
Индустрия
ИТ
У вас есть задача?
Давайте обсудим?
О клиенте
ИТ-компания 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. Клиент является членом сообщества ИНТЦ МГУ «Воробьевы горы».
О проекте
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.
Описание задачи
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
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.
Результат
Переходите по ссылке, чтобы узнать об аутсорсинге ML-разработчиков больше.
