VisionLabs нашла способ обучать CV-модели с 50 изображениями без программирования

VisionLabs (входит в MWS AI) опубликовала первую часть технической серии о разработке Luna Line. Тимлид исследовательской команды Анастасия Белозерова подробно рассказывает, как инженеры искали «универсальный рецепт» обучения моделей классификации — и что из этого вышло.

Платформа для неспециалистов

Luna Line — no-code платформа компьютерного зрения, созданная VisionLabs для пользователей без навыков программирования. Агроном, технолог на производстве, контролёр качества или логист может разметить набор изображений, нажать кнопку — и получить готовую обученную CV-модель под свою конкретную задачу. Принципиальное требование к продукту: он должен работать при очень маленьких наборах данных. Команда ориентируется на сценарий от 50 изображений — это реальное ограничение большинства производственных предприятий, у которых нет ни времени, ни специалистов для разметки тысяч примеров. Именно это ограничение определяет всю сложность инженерной задачи: стандартные рецепты из академических датасетов здесь не работают.

Поиск универсального рецепта

Задача, которую поставила команда, амбициозна: найти единую конфигурацию обучения, стабильно дающую хорошее качество на произвольном датасете классификации. Если такой рецепт существует, платформа может работать как «чёрный ящик» — пользователь приносит данные, система сама настраивает всё остальное. Для проверки гипотез была выстроена строгая экспериментальная методология: Гипотеза — формулируется конкретная конфигурация: архитектура backbone, аугментации, learning rate schedule, оптимизатор Тестирование — конфигурация запускается на нескольких датасетах разного характера, размера и предметной области Сравнение — результаты сопоставляются с базовыми линиями и предыдущими гипотезами Решение — конфигурация принимается как «универсальная» или отвергается по итогам анализа Такая схема позволяет двигаться системно, а не методом случайных проб, и постепенно сужать пространство поиска до действительно работающих решений.

Почему методология изменилась

Один из ключевых выводов серии оказался неожиданным: конфигурации, показавшие себя лучшими для задач классификации, не переносились автоматически на сегментацию. При смене класса задачи команда обнаруживала, что часть ранее принятых решений нужно пересматривать с нуля.

«Расскажу, какие мы выдвигали гипотезы, как их проверяли и почему пересмотрели методологию экспериментов при переходе от одной задачи к другой», — анонсирует Белозерова.

Это привело к выводу о том, что универсальный рецепт существует только в рамках одного класса задач. Между задачами нет прямого переноса — но есть кое-что ценное: сама методология поиска оказалась переносимой. Её можно применить к сегментации и детекции, каждый раз начиная экспериментальную «ветку» заново, но уже с правильно выстроенным процессом верификации гипотез. Вторая часть серии, посвящённая сегментации, выйдет позднее.

Что это значит

VisionLabs демонстрирует редкую для российского ML-рынка инженерную открытость: компания публикует не маркетинговые тезисы, а честные хроники экспериментов с отрицательными результатами и пересмотренными гипотезами. Для специалистов, строящих собственные MLOps-пайплайны или no-code инструменты, это ценный практический ориентир — особенно в части работы с малыми наборами данных, где академические бенчмарки почти бесполезны.