Как подготовить и разметить данные для обучения модели распознавания автомобильных номеров

Кому и зачем нужно это руководство

Это руководство ориентировано на инженеров данных, проектных менеджеров и команд, которые готовят наборы изображений для обучения систем распознавания автомобильных номеров (ALPR/ANPR). В нём описаны реальные шаги: от подготовки съёмки до финальной проверки данных перед обучением и развертыванием модели.

Если ваша цель — получить устойчивую модель в реальных условиях (разные ракурсы, освещение, грязь, частичная закрытость номера), важнее не только количество изображений, но и качество разметки, покрытие сценариев и контрольные процедуры. Подготовка данных — это последовательность решений: какие камеры, какие форматы разметки, как валидировать аннотации и как тестировать модель на границе ошибок.

Что подготовить перед сбором данных

Перед съёмкой и разметкой согласуйте техническое задание: целевые страны/регионы номеров, ожидаемые форматы (коды регионов, буквы/цифры, допустимые символы), допустимая погрешность распознавания и требуемая частота кадров/разрешение. Определите, где система будет использоваться — стационарные камеры на въезде, мобильные комплексы, дорожные камеры — это влияет на требования к разрешению и частоте кадров.

Подготовьте список оборудования и правовые документы: камеры, крепления, освещение, источник питания, а также разрешения на съёмку в публичных местах и соглашения об обработке персональных данных. Заранее выберите инструменты разметки (LabelImg, CVAT, VGG Image Annotator и т.п.), формат аннотаций (YOLO, COCO, Pascal VOC, специальные CSV/JSON-представления для символов) и систему хранения (облачное хранилище, NAS).

• Техническое задание с примерами номеров
• Список оборудования и мест съёмки
• Инструменты для разметки и хранилище данных

Сбор данных: как снимать чтобы покрыть все кейсы

Организуйте съёмки так, чтобы охватить разные сценарии: дневное и ночное освещение, дождь и снег, сухие и грязные номера, частичное перекрытие машиной, соседние транспортные средства, разные ракурсы и дистанции. Для стационарных камер рекомендовано снимать длительные промежутки в пиковые часы, чтобы получить разные углы и плотность трафика; для мобильных — проходы по маршруту в разные дни и времена суток.

Записывайте метаданные для каждого кадра: точное время, место (GPS при доступности), модель камеры и настройки (разрешение, фреймрейт, экспозиция). Эти данные пригодятся при отбраковке, анализе ошибок модели и возможной привязке к условиям съёмки. Планируйте баланс по типам машин, регионам и форматам номерных знаков, чтобы модель не переобучилась на одном доминирующем сценарии.

• Съёмки в разных условиях освещения
• Метаданные (время, место, модель камеры)

Предобработка: очистка, нормализация, извлечение ROI

После сбора сырых изображений выполните предобработку: удалите поврежденные файлы, кадры с очень низким качеством и кадры без автомобилей. Автоматическая фильтрация по контрасту, шуму и уровню JPEG-артефактов сокращает объём ручной разметки. Сохраняйте оригиналы: после обучения могут понадобиться исходные кадры для дополнительного анализа ошибок.

Выделите регионы интереса (ROI) — фреймы с видимыми номерами — и, при необходимости, сделайте кропы для разметки. Стандартизируйте размер изображений или кропов (например, по высоте номера) и примените базовую нормализацию (выравнивание гистограммы, приведение к единому цветовому пространству). Важно фиксировать преобразования, чтобы аннотации корректно соответствовали каждому файлу.

• Удаление повреждённых и нерелевантных кадров
• Кроп и нормализация изображений

Разметка: какие схемы выбрать и как формализовать правила

Выбор схемы разметки зависит от архитектуры модели. Для задач детекции номеров обычно используют bounding box (ограничивающие прямоугольники) с меткой «plate». Для end-to-end OCR удобнее дополнительно разметить линии базовой коробки (polygon) или отдельно аннотировать символы внутри номера (символьная разметка). Решите заранее: будете ли вы хранить разметку символов в виде последовательности с координатами или только как строку символов, сопоставленную с bounding box.

Пропишите единый набор правил для разметчиков: как отмечать частично закрытые или двухстрочные номера, как обозначать нечитабельные символы (например, использовать знак «?»), как работать с неклассическими шрифтами и с иностранными буквами. Формализованные правила сокращают конфликтные случаи и снижают долю исправлений на валидации.

• Bounding box для детекции
• Polygon/кадрирование для сложных углов
• Символьная разметка для OCR

Сравнение форматов разметки (когда использовать что)

Ниже таблица помогает выбрать формат в зависимости от архитектуры модели и конечной задачи: быстрый детектор, OCR для символов или комплексная система с иерархией (детекция → сегментация → распознавание). Таблица отражает общий практический выбор, без привязки к конкретным продуктам.

После выбора формата задокументируйте пример строки аннотации для каждого случая — это уменьшит неоднозначности при интеграции с пайплайнами обучения и инференса.

Организация работы разметчиков и QA-циклы

Организуйте процесс разметки как производственную линию: обучите разметчиков на примерах, дайте чек-лист и набор эталонных случаев. Для контроля качества используйте многократную разметку части датасета (переходящие сэмплы) и сравнение аннотаций между разметчиками. Внедрите процедуру конфликта: при расхождении более заданного порога аннотаций — кейс отправляется на ревью старшего аннотатора.

Автоматические проверки помогают снизить количество ошибок: контролируйте соответствие аннотаций формату строки, длину символьных последовательностей, допустимые символы, отсутствие пересекающихся меток или нулевых по размеру bbox. Периодически проводите срезы качества и метрики inter-annotator agreement (например, согласование символов/IOU для боксов).

• Обучение и документооборот правил
• Многократная разметка и согласование
• Автоматические проверки формата

Формирование наборов обучения, валидации и теста

Разделяйте данные так, чтобы тестовый набор отражал реальные условия эксплуатации и не пересекался по событиям с тренировочным набором (например, кадры одной камеры в одно и то же время). Стандартный подход — выделение 70/15/15 или 80/10/10, но главное — логика разделения: не смешивать последовательные кадры одной сцены между трейн/тест. Для задач с адаптацией на конкретную камеру выделите отдельный hold-out для этой камеры.

В зависимости от фреймворка подготовьте целевые форматы: COCO JSON, YOLO TXT, TFRecord или собственный CSV/JSON со ссылкой на кропы и метаданные. Пропишите именные соглашения для файлов, включающие идентификатор камеры, временную метку и версию разметки, чтобы при итерациях обучения можно было легко отследить источник ошибки.

• Логика разделения датасетов
• Форматы: COCO / YOLO / TFRecord
• Именование и версионирование

Тестирование модели: метрики, сценарии и стресс-тесты

При тестировании оценивайте модель по набору метрик: mAP/точность детекции для bbox, процент полностью правильных строк для OCR, средняя ошибка символа (CER) и средняя ошибка слова (WER) для текста номера. Но кроме агрегированных метрик важно прогонять сценарии — ночные кадры, номера с грязью, частично закрытые — и смотреть на реальные ошибки, а не только на числа.

Проведите стресс-тесты: уменьшайте разрешение, добавляйте шум, имитируйте искажения и блики, чтобы оценить чувствительность. Тестируйте скорость инференса на целевом оборудовании, учитывая требования задержки для реального применения. Результаты тестов по сценариям должны лечь в критерии приемки перед развертыванием.

• Метрики: mAP, CER, процент правильных строк
• Стресс-тесты по освещению и шумам
• Тесты по скорости инференса

Запуск и что проверить после запуска модели

Перед запуском в продуктив убедитесь, что есть процесс мониторинга: логирование распознанных номеров с метаданными (время, камера, уверенность), тревоги на аномальные всплески ошибок и понятные дашборды. Внедрите флаг «сбор ошибок» — сохраняйте кадры с низкой уверенностью модели для последующего анализа и дообучения.

После запуска соблюдайте цикл поддержки: регулярно собирайте реальные ошибки, обновляйте наборы данных, проводите выборочную разметку новых кейсов и переобучение модели по расписанию или по достижении порога деградации. Также проверяйте соответствие требованиям хранения и конфиденциальности: кто имеет доступ к данным, где хранятся изображения и как долго сохраняются логи.

• Мониторинг уверенности и логирование
• Цикл сбора ошибок и дообучения
• Проверки доступа и хранения данных

Частые вопросы