Нейросети компьютерного зрения: найти, посчитать, проверить

Компьютерное зрениекомпьютерное зрение Компьютерное зрение (computer vision) это область ИИ, в которой программы понимают изображения и видео: находят объекты, читают текст, считают и измеряют. Подробнее в словаре решает три разные задачи, и под каждую своя модель. Найти и посчитать: детектор рисует рамку вокруг каждого объекта нужного класса. Выделить и измерить: модель сегментации дает точный контур, по нему считают площадь и размер. Понять сцену: языковая модельбольшая языковая модель Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу. Подробнее в словаре со зрением отвечает словами на вопрос о снимке.

Места в списке стоят только у языковых моделей. Arena ведет открытые рейтинги по слепым парным сравнениям пользователей, и Arena Vision сравнивает именно модели, которые отвечают на вопросы о картинке. YOLO, Florence-2, OpenCV и Roboflow в этом рейтинге не участвуют, поэтому в их карточках стоит факт из статьи или релиза с датой.

Детектор находит на кадре все объекты заданных классов и возвращает рамку, класс и уверенность. Так считают коробки на паллете, ищут людей без каски, замечают царапину на детали. Ultralytics YOLO ставят на камеру, промышленный компьютер или сервер. 14 января 2026 года вышла версия YOLO26: по данным компании, на процессоре она работает быстрее до 43%.

Главное про YOLO для бизнеса: лицензия AGPL-3.0. Бесплатно пользоваться можно, только если весь продукт с YOLO, включая обученные веса, вы откроете по той же лицензии. Для закрытого продукта и даже для внутренней системы завода нужна платная лицензия Ultralytics Enterprise, цену называют по запросу.

Простыми словами: обучить YOLO на своих фото брака и поставить на линию, не открывая код и веса, без покупки лицензии нельзя. Если открывать не хотите, заложите лицензию в бюджет или возьмите модель с разрешительной лицензией (MIT, Apache-2.0) и сравните точность на своих снимках.

Порядок запуска одинаковый для любого детектора: собрать снимки с вашей линии, разметить их, дообучить модель, проверить на кадрах, которых модель не видела, и только потом ставить на камеру. Разметку и обучение без своей команды дает Roboflow: бесплатный тариф включает 10 кредитов в месяц, платный Core стоит от 39 $ в месяц.

Рамка говорит, где объект, но не показывает его форму. Для замеров нужна маска, то есть точный контур. SAM 3 (Segment Anything Model 3) вышла в ноябре 2025 года с открытыми весами: модель выделяет объекты на фото и видео, в том числе по текстовому описанию.

По статье разработчиков от 20 ноября 2025 года SAM 3 вдвое точнее выделяет объекты по текстовому описанию, чем существующие системы, а обучающий набор содержит 4 млн уникальных понятий. На практике это значит: можно написать «все трещины» или «все зеленые яблоки» и получить маски без ручной разметки.

Лицензия у SAM 3 своя, редакция от 19 ноября 2025 года, веса выдают по запросу на Hugging Face. Перед коммерческим запуском юрист читает ее условия так же внимательно, как условия YOLO.

Florence-2 от Microsoft решает соседние задачи одной моделью: подпись к снимку, поиск объекта по фразе, чтение текста. Ее обучали на наборе FLD-5B: 5,4 млрд аннотаций на 126 млн изображений. Лицензия MIT разрешает коммерческое использование без открытия своего кода.

Языковая модель со зрением отвечает на вопрос о снимке обычным языком: что на фото, есть ли повреждение, что написано на шильдике. В Arena Vision пользователь задает вопрос с картинкой, видит два ответа без названий моделей и голосует за один из них. Термин разобран в словаре: визуально-языковая модель.

Места кандидатов в Arena Vision: Claude, 1 место в Arena Vision на 16 октября 2026; Qwen, 2 место в Arena Vision на 16 октября 2026; Gemini, 6 место в Arena Vision на 16 октября 2026. Версии моделей, которые заняли эти места, указаны в карточках.

Доступ важнее места. Claude и Gemini официально не поддерживают Россию. У Qwen часть моделей открыта: в августе 2026 года Alibaba впервые открыла веса моделипараметры модели Параметры модели это числа внутри нейросети, которые она подбирает при обучении и по которым потом вычисляет каждый ответ. Подробнее в словаре класса Qwen-Max, Qwen3.8 на 2,4 трлн параметров. Открытую модель ставят на свой сервер, и снимки не уходят за пределы компании.

Где граница: языковая модель подробно описывает отдельный снимок, но для непрерывного потока с камеры она медленная и дорогая. Поток считает детектор, а языковую модель зовут на редкие спорные кадры, когда нужен ответ словами.

Лицо, по которому система узнает человека, становится биометрическими персональными данными. Статья 11 закона 152-ФЗ: сведения, которые характеризуют физиологические и биологические особенности человека, обрабатываются только с согласия в письменной форме. Исключения перечислены в части 2: правосудие, оборона, безопасность и другие случаи, где действует государство.

Для магазина, офиса или склада вывод практический. Узнавание сотрудников на проходной требует письменного согласия каждого. Подсчет посетителей и длина очереди решаются детектором людей, который не сравнивает лица с базой; схему все равно проверяет юрист до запуска.

Хранение тоже регулируется: сбор и хранение персональных данных граждан России ведутся в базах на территории России. Поэтому кадры с лицами не отправляют в зарубежный облачный сервис, а модель ставят на свой сервер. Термин разобран в словаре: распознавание лиц.

На заводе зрение окупается там, где сегодня смотрит человек: контроль дефектов, подсчет, проверка маркировки, каска и жилет в опасной зоне. Как металлургический комбинат проверяет продукцию с помощью компьютерного зрения и прогнозных моделей, разобрано в статье о контроле качества на «Северстали».

Шаги пилота: выбрать один участок с понятной ценой ошибки, собрать снимки брака и нормы, обучить детектор и неделю сравнивать его решения с решениями контролера. Готовые сценарии для заводов собраны на странице ИИ для производства.

Сервер для зрения стоит на площадке: кадры не уходят за периметр, модель работает без интернета. OpenCV под Apache-2.0 и Florence-2 под MIT для этого подходят без условий об открытии кода, YOLO требует решения по лицензии до покупки камер.

Когда зрению нужны руки, начинается робототехника: манипулятор берет деталь, которую нашла камера. Модели и роботы для этого собраны в обзоре о робототехнике.