Как AI учится понимать MMA

PTF Lab развивает решения в области компьютерного зрения для виртуальной рекламы для combat sports. Для обучения CV-моделей компании требовались качественно размеченные данные, позволяющие автоматически понимать происходящее в кадре: распознавать людей, объекты, элементы ринга и графические наложения.
Такие модели становятся базой для автоматизации аналитики боёв, событийной статистики и интеллектуального анализа видеопотока.

Клиенту требовалась семантическая разметка PNG-кадров из MMA-трансляций по строгим правилам качества.

В проект входила полигональная разметка объектов с построением segmentation masks:

• бойцы и другие люди в кадре;
• ринг (canvas);
• предметы и объекты;
• графические overlays трансляции;
• слои объектов по заданной структуре классов.

Проект имел несколько усложняющих факторов:

• высокая детализация масок, особенно для людей внутри ринга;
• строгие требования к границам полигонов;
• работа со слоями (layer-based annotation);
• необходимость стабильного качества на больших объёмах;
• итеративная доработка разметки по результатам проверки.

Ключевой сложностью была именно точность сегментации людей, поскольку этот класс критичен для последующего обучения моделей.

Мы построили итерационный пайплайн:

• тестовая разметка для согласования правил;
• сдача партиями по 100−200 изображений;
• QC с исправлениями;
• строгая структура классов и слоёв.

Такой подход позволил быстро вносить корректировки и удерживать качество на сложной segmentation-задаче.

Проект требовал:

• масштабирования на объёмах 500+ изображений;
• контролируемого QC 20%;
• команды разметчиков под периодические итерации;
• Под задачу выделили команду 3−10 асессоров

В результате клиент получил устойчивый процесс подготовки данных для обучения CV-моделей:

• масштабируемую команду разметчиков под переменные объёмы
• контролируемый QC-процесс
• стабильное качество сложной полигональной разметки
• итеративный workflow под развитие модели
• возможность регулярно возвращаться к проекту без запуска процессов заново

Фактически была выстроена внешняя production-функция разметки под задачи клиента.

Потенциал развития проекта:

• новые классы (удары, события боя, атрибуты);
• переход к video annotation и tracking;
• дальнейшее улучшение качества разметки людей.

Для PTF Lab мы выстроили процесс сложной семантической разметки для задач computer vision в sports analytics — от пилота до масштабируемого production-процесса.
Этот кейс показывает: сложную CV-разметку можно масштабировать без потери качества, если соединить сильную инструкцию, QC и итеративную работу.

Если вам требуется сбор данных, разметка или подготовка датасета для AI-моделей — оставьте заявку, и мы предложим решение под вашу задачу.

Или посмотрите другие наши кейсы — возможно, мы уже решали похожую задачу.

Оставить заявку →