MTS AI рассказала на Habr, как меняют обучение CV-моделей сегментации в Luna Line

Команда MTS AI опубликовала на Habr вторую часть разбора о поиске оптимального рецепта обучения CV-моделей в линейке Luna Line — на этот раз речь идёт о моделях сегментации.

Что показала первая часть про классификацию

В первой части серии команда MTS AI разбирала обучение моделей классификации в Luna Line и выводила единый пайплайн, применимый к разным задачам такого типа. После завершения этой работы у авторов осталось ощущение неудовлетворённости выбранной методологией: они не были уверены, что выбранное семейство моделей действительно показывает максимум своих возможностей, а не просто было зажато в рамки единого пайплайна, придуманного ради удобства и универсальности.

Этот вопрос — реально ли семейство раскрывает весь потенциал или его искусственно ограничивают общими рамками — стал отправной точкой для второй части серии, посвящённой уже не классификации, а сегментации.

Как изменился подход для сегментации

• Часть 1 серии посвящена обучению моделей классификации в Luna Line и доступна в блоге компании MTS AI на Habr
• Часть 2 посвящена сегментации — другому типу задач компьютерного зрения, где модель размечает не всё изображение целиком одной меткой, а выделяет контуры конкретных объектов на пиксельном уровне
• Для сегментации команда решила действовать иначе, чем в случае с классификацией, чтобы не повторить прежнее ограничение единым универсальным пайплайном
• Проект Luna Line — общая инициатива MTS AI по поиску универсального рецепта обучения CV-моделей для разных типов задач

Авторы прямо формулируют мотивацию смены подхода: цель — не просто зафиксировать работающий пайплайн ради отчётности, а убедиться, что выбранная архитектура действительно раскрывает свой реальный потенциал на конкретной задаче, а не подстраивается под чужие рамки, унаследованные из другого этапа работы.

Почему нельзя обучать классификацию и сегментацию одинаково

Классификация отвечает на вопрос «что изображено на картинке в целом», тогда как сегментация должна точно очертить границы каждого отдельного объекта на уровне пикселей. Это принципиально разные по сложности и структуре задачи: у сегментации выше требования к разрешению признаков, к балансировке классов на уровне пикселей и к архитектуре головной части сети. Единый пайплайн, оптимальный для классификации, рискует не учитывать эти особенности и занижать итоговое качество сегментационных моделей.

Почему серия Luna Line вообще появилась

Идея Luna Line — найти не одну конкретную модель, а воспроизводимый метод подбора и обучения CV-моделей, который можно применять к новым задачам без долгого ручного перебора архитектур и гиперпараметров. Для команды из MTS AI это практическая инженерная задача: у крупной компании одновременно в работе десятки CV-сценариев, и каждый раз заново искать оптимальную конфигурацию с нуля — дорого по времени специалистов.

Именно поэтому промежуточный вывод после части про классификацию — сомнение в том, что единый пайплайн раскрывает потенциал семейства моделей полностью, — оказался важным: он изменил то, как команда подошла к следующей задаче в очереди, вместо того чтобы просто скопировать методологию классификации на сегментацию без проверки.

Что это значит

Сегментация и классификация — разные по природе задачи компьютерного зрения, и попытка обучать их через один и тот же универсальный процесс рискует занижать качество каждой из них. Решение MTS AI пересмотреть подход именно для сегментации показывает, что «универсальный рецепт» в CV-инженерии — это не единственный фиксированный пайплайн, а скорее методология, которую нужно осознанно адаптировать под тип решаемой задачи.