Собственный стек компьютерного зрения: зачем мы его написали и что это даёт производству

Если вы искали подрядчика по компьютерному зрению, вы наверняка видели в коммерческих предложениях сроки «3–6 месяцев на внедрение». Это устоявшийся отраслевой стандарт. Но что, если ваш бизнес не может ждать полгода? Что, если каждая неделя простоя — это сотни тысяч рублей упущенной выгоды или растущие потери от человеческого фактора?

Мы в Acmenra Studio запускаем пилотные проекты видеоаналитики за две–три недели. Не за счёт магии, а за счёт технологии и процессов, которые мы оттачивали три года на реальных задачах. Рассказываем, как это работает на практике.

YOLO (You Only Look Once) — отличная архитектура для обнаружения объектов. Мы её используем. Но полагаться на неё целиком — опасно для промышленного проекта. Вот почему:

Лицензии меняются. Ultralytics (разработчик YOLO) перевёл свою библиотеку под AGPL-3.0. Это значит: любой проект, который использует их код, обязан открыть исходники. Для R&D-лаборатории это неприемлемо — мы не можем открывать всю свою экосистему.

Зависимость от чужого кода. Если в чужой библиотеке баг в трекинге или экспорте моделей — вы ждёте, пока мэйнтейнер его починит. На производстве ждать нельзя: линия стоит.

Зарубежная инфраструктура. Доступ к репозиториям, документации, обновлениям может быть ограничен в любой момент. Мы уже это проходили.

Нет контроля под промышленные условия. Пыль, вибрация, засветка, плохое освещение — generic-фреймворки для этого не рассчитаны. Нужна специфическая предобработка, специфический пайплайн, специфический экспорт. Чужой код этого не даёт без костылей.

Мы не стали переписывать YOLO «из принципа». Мы построили стек, в котором YOLO — один из вариантов, а не фундамент.

acmenra-cv — ядро стека. Python-библиотека, которая стандартизирует работу с геометрией объектов: маски, боксы, полигоны, ориентированные рамки (OBB). Единый контракт: что такое объект, какие у него свойства, как с ним работать в коде. Главная архитектурная особенность — backend-agnostic. Ядро не привязано к конкретной архитектуре детектора. YOLO, собственная модель, любой другой бэкенд — всё это плагины, а не основа. Зарегистрирована как программа для ЭВМ.

acmenra-yolo — слой совместимости, а не зависимость. Отдельный модуль, который обеспечивает поддержку моделей YOLO внутри acmenra-cv. Вынесен в отдельный пакет по двум причинам: во-первых, чтобы ядро оставалось лёгким и не тащило лишние зависимости; во-вторых, потому что AGPL-3.0 требует открытия только того, что контактирует с Ultralytics. Открыт под AGPL-3.0 — открываем то, что обязаны. Ядро (acmenra-cv) при этом не открывается, потому что не зависит от Ultralytics. Зарегистрирована как программа для ЭВМ.

acmenra-ds — датасеты как объект первого класса. Промышленное CV живёт и умирает на данных. Мы написали отдельный пакет для управления датасетами: проверка, аугментация, авторазметка через обученные модели. Единый стандарт «датасета» во всех проектах. Зарегистрирована как программа для ЭВМ.

Benchmark — измеряй, а не гадай. Когда клиент спрашивает «почему нам нужен Jetson за 80 тысяч, а не обычный ПК за 10?», мы не угадываем — замеряем. Утилита прогоняет модели на конкретном железе и показывает: какой формат, какая квантизация, сколько кадров в секунду. В процессе регистрации как программа для ЭВМ.

Нет vendor lock-in на зарубежные фреймворки. Если Ultralytics снова изменит лицензию или исчезнет — ваш конвейер не остановится. Наше ядро от них не зависит.

Российское ПО, реестры, комплаенс. Инструменты зарегистрированы как программы для ЭВМ. Это значит: их можно использовать в закупках по 44-ФЗ и 223-ФЗ, а клиенты получают налоговые льготы. Совместимость с Astra Linux и РЕД ОС — проверена.

Edge AI, без облака, без телеметрии. Всё работает на устройстве. Данные не покидают площадку. Никакой зарубежной телеметрии, никаких «звонков домой».

Модели под ваши условия, а не под бенчмарк. Мы обучаем на реальных данных с вашего производства — пыль, вибрация, засветка, снег, дождь. Не на идеальных лабораторных кадрах из публичных датасетов.

Полный цикл, а не чёрный ящик. От разметки данных до обучения моделей до edge-деплоя — это наш код. Если что-то ломается, мы чиним сами, а не ждём мэйнтейнера на GitHub.

Честно: мы не пишем нейросети с нуля. Мы не изобретаем новые архитектуры детекторов. Мы используем YOLO там, где она работает лучше всего, и можем подключить любую другую архитектуру, если YOLO не справляется.

Наше — это инфраструктура вокруг модели: как данные подготавливаются, как модель обучается, как результат экспортируется, как железо тестируется, как всё это деплоится на Edge-устройство и работает в цеху. Это не «обёртка над YOLO» — это собственный стек, в котором YOLO — один из плагинов.

«Использовать YOLO» — это точка старта, а не стратегия. Для производства нужен контроль над всем пайплайном: от данных до деплоя. Поэтому мы написали свой стек — и продолжаем развивать.

Если хотите посмотреть, как это работает на реальном участке, — оставьте заявку на пилот. Пилот — одна задача, один участок, отчёт с метриками. От 650 000 ₽, от 3 до 8 недель.