Компьютерное зрение: что это и 9 задач
Словом «компьютерное зрение» называют всё подряд: и поиск по галерее, и турникет по лицу, и проверку деталей на конвейере. За этими сценариями стоят разные задачи с разной точностью и разной ценой ошибки. Разложили девять задач по полкам и показали, чем классификация отличается от детекции и почему это важно на практике.
Проблема обычного объяснения в том, что оно начинается со слова «алгоритмы» и заканчивается словом «нейросети», не объяснив ничего. Компьютерное зрение это область, которая учит программу извлекать смысл из изображения: понять, что на кадре, где именно это находится, к какому из известных объектов относится и что с этим делать дальше.
Фактура сверена по первоисточникам, открытым 16 сентября 2026 года: страница проекта ImageNet, статья про остаточное обучение arXiv 1512.03385 и статья 11 закона о персональных данных в редакции от 26 июля 2026 года. Дальше по порядку: девять задач по одной на раздел, чем они отличаются в цене ошибки, откуда берутся данные для обучения, где область работает надёжно, где проваливается, и что говорит закон про распознавание лиц.
Главное в одну строку
Главное различие, которое снимает половину путаницы: классификация отвечает «что на кадре», детекция отвечает «что и где», сегментация отвечает «какие именно пиксели». Это три разные задачи с разной ценой.
Часть 1 · Ответ
Что такое компьютерное зрение простыми словами
Человеку кажется, что он «видит» стул. На самом деле глаз получает поток яркостей, а смысл достраивает мозг. Компьютерное зрение решает ту же задачу: на входе матрица чисел, на выходе ответ на человеческий вопрос.
- Вход. Изображение или кадр видео, то есть таблица чисел яркости по каналам.
- Выход. Ответ, сформулированный по-человечески: класс, координаты, маска, текст, номер, оценка.
- Чем занимается область. Тем, как превратить первое во второе устойчиво и быстро.
- Почему это не одно и то же с нейросетями. Компьютерное зрение старше нейросетевого бума, просто с 2012 года его почти целиком делают нейросетями.
Часть 2 · Задачи
Какие задачи решает компьютерное зрение
- Классификация. Что изображено на кадре целиком: кошка, документ, дефект.
- Детекция. Что и где: рамка вокруг каждого объекта плюс его класс.
- Сегментация. Какие именно пиксели относятся к объекту, а не приблизительная рамка.
- Распознавание лиц. Сопоставление лица с известным человеком, а не просто поиск лица на кадре.
- Распознавание текста. Перевод печатного или рукописного текста со снимка в редактируемый.
- Поиск похожих изображений. Найти на складе картинок то, что визуально ближе всего к образцу.
- Отслеживание. Держать один и тот же объект от кадра к кадру в видео.
- Оценка позы и движения. Расставить точки суставов и понять, что человек делает.
- Генерация и восстановление. Дорисовать удалённое, увеличить разрешение, убрать шум.
Часть 3 · Различие
Чем классификация отличается от детекции
Это различие снимает большую часть недоразумений в разговорах про точность. Модель может быть отличной в одной задаче и бесполезной в соседней, и сравнивать их напрямую нельзя.
| Задача | Что на выходе | Где это нужно |
|---|---|---|
| Классификация | один класс на весь кадр | сортировка фото, брак или не брак |
| Детекция | рамки и классы объектов | подсчёт людей, поиск товара на полке |
| Сегментация | маска по пикселям | портретный режим, медицинские снимки |
| Распознавание лиц | совпадение с записью в базе | доступ, поиск человека |
| Отслеживание | один объект через кадры | спорт, безопасность, аналитика потока |
- Практический вывод. Фраза «модель распознаёт объекты с точностью 95 процентов» бессмысленна без указания задачи и набора данных.
- Второй вывод. Переход от рамки к маске дорожает по разметке в разы, поэтому сегментацию берут только там, где рамки не хватает.
Часть 4 · Механика
Как модель превращает пиксели в ответ
- Свёртка. Небольшое окно скользит по изображению и ищет простые признаки: край, угол, пятно.
- Слои. На следующем слое из простых признаков складываются сложные: глаз, колесо, буква.
- Глубина. Чем больше слоёв, тем абстрактнее признаки, и тем труднее обучение.
- Остаточные связи. Приём, который позволил делать сети действительно глубокими, не теряя обучаемости.
- Голова. Финальный слой переводит признаки в ответ нужного вида: класс, рамку, маску.
Из первоисточника, arXiv 1512.03385, подана 10 декабря 2015 года
Работа «Deep Residual Learning for Image Recognition» начинается с прямого признания: более глубокие сети труднее обучать. Авторы предлагают переформулировать слои как обучение остаточных функций относительно входов слоя вместо обучения функций без такой опоры, и приводят эмпирические доказательства, что такие сети оптимизируются легче.
Часть 5 · Данные
На чём вообще учат такие модели
Из первоисточника, страница проекта ImageNet, открыта 16.09.2026
На главной странице проекта указано: 14 197 122 изображения, 21 841 синсет. ImageNet организован по иерархии WordNet, где каждое осмысленное понятие называется синсетом, то есть набором синонимов. Проект описывает себя как продолжающееся исследовательское усилие по обеспечению исследователей данными для обучения моделей распознавания объектов в большом масштабе.
- Почему это важно знать. Способности модели ограничены тем, что было в разметке. Не было в данных, не будет и в ответе.
- Второй известный набор. COCO, набор изображений с объектами в естественном контексте, с задачами детекции, ключевых точек и панорамной сегментации.
- Что такое разметка. Человек проставил рамки и классы вручную, и именно на это уходит основная часть бюджета проекта.
- Подробный разбор. Как устроены наборы данных, где их брать и чем они портятся, собрано в гайде про датасеты.
Часть 6 · Практика
Где компьютерное зрение уже работает хорошо
- Производство. Проверка деталей на конвейере: задача узкая, освещение постоянное, объекты одинаковые.
- Документы. Распознавание паспортов, счетов, накладных, где формат повторяется.
- Розница. Подсчёт покупателей, контроль выкладки, распознавание товара на полке.
- Транспорт. Фиксация нарушений, распознавание номеров, контроль полосы.
- Телефон. Портретный режим, поиск по галерее, перевод текста с камеры.
- Медицина как ассистент. Подсветка подозрительных участков на снимке. Решение при этом остаётся за врачом, и это не оговорка, а устройство процесса.
Часть 7 · Границы
Где компьютерное зрение проваливается
- Смена условий. Модель, обученная на дневных кадрах, теряет качество ночью и в дождь.
- Редкие случаи. Чего почти не было в данных, того модель фактически не видит.
- Похожие классы. Съедобный гриб и ядовитый двойник различаются деталями, которых на снимке может не быть вовсе.
- Намеренные помехи. Небольшое изменение изображения способно сбить классификатор, оставаясь незаметным для человека.
- Смещение в данных. Если в разметке один тип объектов встречался чаще, модель будет склоняться к нему и в спорных кадрах.
Правило одной строки
Компьютерное зрение отвечает на вопрос «похоже на что», а не на вопрос «безопасно ли». Определение гриба или растения по снимку это подсказка для поиска, а не разрешение съесть, и в разборе про определение грибов это показано на цене ошибки.
Часть 8 · Лица
Что закон говорит про распознавание лиц
Из первоисточника, статья 11 закона № 152-ФЗ в редакции от 26.07.2026, открыта 16.09.2026
Сведения, характеризующие физиологические и биологические особенности человека, на основании которых можно установить его личность, и которые используются оператором для установления личности, могут обрабатываться только при наличии согласия в письменной форме. Часть 2 перечисляет исключения: реадмиссия, правосудие и исполнение судебных актов, обязательная дактилоскопическая и геномная регистрация, оборона, безопасность, противодействие терроризму, транспортная безопасность, противодействие коррупции и ряд других оснований.
- Ключевая деталь формулировки. Биометрией данные становятся тогда, когда оператор использует их именно для установления личности. Просто наличие лица на кадре этого условия ещё не создаёт.
- Что это значит для бизнеса. Проход по лицу в офисе требует согласия сотрудника в письменной форме.
- Что это значит для человека. Вы вправе знать, кто оператор и на каком основании обрабатывает ваши данные.
- Обратная сторона технологии. Та же механика лежит в основе подмены лица, признаки собраны в разборе дипфейков.
Часть 9 · Инструменты
С чего начать, если хочется попробовать
- Без кода. Мультимодальная модель в обычном чате уже отвечает на вопросы по загруженному снимку. Это самый короткий путь потрогать задачу.
- Готовые сервисы. Удаление фона, апскейл, поиск по фото: каждая из этих кнопок и есть отдельная задача зрения.
- С кодом. Библиотеки детекции и сегментации ставятся в одну команду и работают на обычной видеокарте.
- Что читать дальше. Для понимания обучения подойдёт гайд про обучение с учителем и без, для понимания архитектур разбор видов нейросетей.
- Доступность 16.09.2026. С московского адреса без VPN 200 отдают image-net.org, cocodataset.org, huggingface.co, scikit-learn.org; opencv.org отвечает 403 автоматическому запросу.
Часть 10 · Мифы
Три вещи, которые про зрение говорят неверно
- «Камера узнаёт человека по лицу мгновенно и безошибочно». Качество падает от угла, освещения, маски, возраста снимка в базе. Ошибки первого и второго рода тут неизбежны, вопрос только в настройке порога.
- «Нейросеть видит то же, что человек». Она видит статистику пикселей. Именно поэтому её можно сбить помехой, которую человек не заметит.
- «Если модель ошиблась, её надо дообучить на этом случае». Один случай не двигает модель. Двигает набор из сотен похожих случаев и перепроверка разметки.
Памятка
Что запомнить про компьютерное зрение
Коротко
- Компьютерное зрение это извлечение смысла из изображения, а не синоним нейросетей.
- Классификация отвечает «что», детекция «что и где», сегментация «какие пиксели».
- Точность без указания задачи и набора данных ничего не означает.
- Свёртки ищут простые признаки, глубина складывает из них сложные.
- Остаточные связи сделали действительно глубокие сети обучаемыми.
- ImageNet содержит 14 197 122 изображения и 21 841 синсет.
- Модель умеет только то, что было в разметке.
- Смена освещения и редкие случаи роняют качество сильнее всего.
- Биометрия обрабатывается с письменного согласия, кроме перечня исключений части 2 статьи 11.
- Определение объекта по снимку это подсказка для поиска, а не гарантия безопасности.
Источники
Что проверялось живьём и когда
- Страница проекта ImageNet, image-net.org, открыта 16.09.2026: 14 197 122 изображения, 21 841 синсет, организация по иерархии WordNet, определение синсета как набора синонимов.
- Статья «Deep Residual Learning for Image Recognition», arXiv 1512.03385, подана 10 декабря 2015 года: переформулировка слоёв как обучения остаточных функций относительно входов слоя.
- Проект COCO, cocodataset.org, открыт 16.09.2026: задачи детекции, ключевых точек, панорамной сегментации, плотной оценки позы и описания изображений с отдельными наборами по годам.
- Федеральный закон от 27.07.2006 № 152-ФЗ в редакции от 26.07.2026, статья 11, consultant.ru, открыта 16.09.2026: письменное согласие как общее правило и перечень исключений части 2.
- Коды ответа с московского адреса без VPN, 16.09.2026: 200 у image-net.org, cocodataset.org, huggingface.co, scikit-learn.org, arxiv.org, consultant.ru; 403 у opencv.org на автоматический запрос.
- Wordstat, Россия, 16.09.2026: компьютерное зрение 17 205, примеры компьютерного зрения 5 081, нейросеть компьютерное зрение 3 327, алгоритмы компьютерного зрения 3 332, системы 1 172, технологии 913, задачи 777.
- Выдача Яндекса, 16.09.2026: по голове ultralytics.com, sberbs.ru, secrets.tbank.ru, blog.rt.ru, trends.rbc.ru, habr.com, Википедия только десятой; по «примеры компьютерного зрения» reg.cloud, skillfactory, habr, rb.ru, sber.pro, cyberleninka.
Чего тут нет намеренно: формул свёртки и разбора конкретных архитектур по слоям. Для понимания задачи они не нужны, а для реализации всё равно придётся читать документацию библиотеки, а не статью. Сравнения коммерческих систем видеоаналитики тоже нет: публичные цифры точности там непроверяемы снаружи.
FAQ
Частые вопросы
Что такое компьютерное зрение простыми словами
Это область, которая учит программу извлекать смысл из изображения. На входе таблица чисел яркости, на выходе человеческий ответ: что изображено, где именно объект находится, какие пиксели ему принадлежат, что написано на снимке. Нейросети стали основным инструментом этой области примерно с 2012 года.
Чем компьютерное зрение отличается от нейросетей
Компьютерное зрение это задача, нейросеть это способ её решить. Область существовала и до нейросетевого бума и решалась вручную написанными признаками. Сегодня почти все практические результаты получают нейросетями, поэтому слова и стали смешивать в обычной речи.
Какие задачи относятся к компьютерному зрению
Классификация изображения, детекция объектов с рамками, сегментация по пикселям, распознавание лиц, распознавание текста со снимка, поиск похожих изображений, отслеживание объекта в видео, оценка позы и движения, генерация и восстановление изображений. Это девять разных задач с разной ценой ошибки.
Чем классификация отличается от детекции
Классификация даёт один ответ на весь кадр: что здесь изображено. Детекция даёт список объектов с координатами рамок и классами: что именно и где. Сегментация идёт дальше и размечает принадлежность каждого пикселя. Разметка для них дорожает в том же порядке.
Что такое ImageNet и зачем он нужен
Это набор изображений, организованный по иерархии понятий WordNet. На странице проекта указано 14 197 122 изображения и 21 841 синсет. На таких наборах модели учатся отличать классы объектов, и именно соревнования на ImageNet в начале 2010-х годов запустили нынешнюю волну глубокого обучения.
Почему модель ошибается на ночных кадрах
Потому что она видела мало ночных кадров при обучении. Модель улавливает статистику того, что ей показали, и при смене освещения, погоды или ракурса распределение входных данных меняется. Это называется сдвигом данных и лечится не тонкой настройкой, а сбором и разметкой примеров из новых условий.
Законно ли распознавание лиц в офисе или ЖК
Если система используется для установления личности, это обработка биометрических персональных данных, а она требует согласия в письменной форме. Часть 2 статьи 11 закона о персональных данных перечисляет исключения, но они касаются государственных задач вроде правосудия, обороны и безопасности, а не пропускной системы работодателя.
Можно ли доверять определению растения или гриба по фото
Как подсказке для дальнейшей проверки да, как основанию для решения нет. Модель отвечает на вопрос «на что это похоже», а похожие виды могут отличаться признаками, которых на снимке нет. В случае с грибами цена ошибки такова, что снимок не может быть последним аргументом.
Нужна ли мощная видеокарта, чтобы попробовать
Чтобы попробовать нет. Мультимодальная модель в обычном чате уже отвечает на вопросы по загруженной картинке, а готовые сервисы вроде удаления фона работают в браузере. Видеокарта нужна, когда вы обучаете свою модель или обрабатываете видеопоток в реальном времени.
Что почитать дальше, чтобы разобраться
Логичный порядок такой: сначала общее устройство обучения моделей, потом архитектуры, потом конкретная задача. У нас это гайд про обучение с учителем и без учителя, разбор видов нейросетей и отдельные практические статьи про распознавание текста и определение по фото.
Читать дальше
Платформа и сообщество, где я по шагам показываю, как поставить ИИ на рутину: контент, код, продажи, аналитика. Заходи и забирай рабочие связки, которыми пользуюсь сам.
Посмотреть, что внутриtelegram
Канал с полезными материалами про нейросети
Разборы, новые инструменты и приёмы по ИИ — то, чем пользуюсь сам, без воды. Подпишись, чтобы не потерять.
