Камеры на производстве обычно уже стоят, но записи никто не смотрит: человек внимателен первые полчаса смены. Модели зрения закрывают именно монотонную часть, и делают это в несколько шагов. Сначала находят объекты в кадре, потом аккуратно выделяют границы дефекта, потом описывают, что видно, и только потом это превращается в отчёт. Разделение на звенья позволяет ставить пороги отдельно на каждом и не будить мастера по каждой тени.
Модель детекции обводит на кадре то, что вас интересует: деталь, коробку, паллету, человека в зоне, каску. Работает быстро и прямо на площадке, без отправки видео наружу. Часть моделей ищет по текстовому описанию, что удобно, когда классов много и они меняются. Без этого звена нет ни счётчиков, ни срабатываний, и вся дальнейшая логика просто не на чем держится.
Самый распространённый детектор объектов в реальном времени: находит и выделяет предметы на видео даже на слабом железе. YOLOv5 вышел ещё в 2020, в каталоге отсчёт от YOLOv8.
Детектор объектов в реальном времени, открытая замена YOLO без AGPL. Умеет сегментацию (контуры объектов), с 2026 года — ключевые точки.
Находит на картинке любые объекты по текстовому описанию, без обучения на своих данных: «красная коробка», «человек без каски». Rex-Omni — новое поколение на базе VLM.
Сегментация обводит объект по контуру, а не прямоугольником, и это принципиально для дефектов: скол, потёк, зазор нужно померить, а не просто заметить. Оценка глубины добавляет понимание расстояний, если камера одна. Без этого звена система умеет сказать только, что деталь в кадре, но не то, что с ней не так, и на брак она не реагирует.
Выделяет любой объект на фото и видео по клику или рамке. Основа для удаления фона и подсчёта объектов.
Определяет глубину — расстояние до каждой точки — по одной обычной фотографии или видео. DA3 восстанавливает геометрию сцены с нескольких кадров.
Модель, понимающая картинки и текст, превращает срабатывание в человеческую фразу: что за объект, что с ним не так, насколько уверенно. Это звено соединяет зрение с отчётностью, потому что мастеру нужны слова, а не координаты рамки. Без него в журнале остаются номера классов и кадры, и разбираться в них будет только тот, кто настраивал систему.
Одна из сильнейших открытых моделей зрения: читает документы, таблицы, графики, видео, работает с интерфейсами. С Qwen3.5 зрение встроено прямо в основную модель Qwen.
Очень маленькая модель зрения: подписи, поиск объектов, сегментация и чтение текста по одной команде. Работает даже на процессоре.
Небольшая и быстрая модель зрения для продуктовых задач: ответы на вопросы, поиск и указание объектов, подписи. Moondream 3.1 — MoE на 9B с 2B активных.
Языковая модель сводит срабатывания за смену в короткий текст: сколько, где, что повторяется, на что смотреть в первую очередь. Вместо тысячи уведомлений руководитель получает одну сводку, а тревожные события уходят сразу. Без этого звена система заваливает чат уведомлениями, их перестают читать через неделю, и внедрение тихо умирает.
Семейство языковых моделей с сильным русским языком: от маленьких версий для ноутбука до флагмана уровня коммерческих API.
Компактные модели Google: хорошо работают на одном компьютере, старшие версии понимают картинки. Есть CodeGemma для кода, FunctionGemma 270M для вызова функций и быстрая DiffusionGemma.
Всё решают камеры и свет, а не выбор модели. Блик, контровой свет, грязный объектив и пар обесценивают любую точность на бумаге. Перед внедрением снимите свои реальные условия, включая ночную смену, и соберите набор кадров с браком, которого обычно мало и он редкий. И сразу договоритесь, что делает система при срабатывании: останавливает линию, ставит метку или зовёт мастера. Видеонаблюдение за сотрудниками регулируется, здесь в общих чертах, конкретный случай смотрит юрист.
Открытую модель можно поставить на свой сервер: данные не уходят в чужое облако, нет оплаты за каждый запрос, модель можно дообучить на ваших документах.
