Молочная ферма КРС: идентификация коров по фото и видео

TL;DR. Система идентификации коров с двумя режимами: зоотехник фотографирует корову — приложение определяет особь (78%) и сразу показывает параметры животного и список мероприятий. Параллельно — Re-ID по видеопотоку в реальном времени. Интерфейсы: мобильное приложение, веб-панель, API.

Если нужен разбор механики — читайте гайд про компьютерное зрение.

Ситуация

Идентификация животных велась вручную: зоотехник запоминает или сверяется с биркой. На ферме 1 000+ голов — затраты времени на отслеживание каждой особи накапливаются. Параметры животного и список необходимых мероприятий приходилось искать в отдельных системах.

Задача

1. Идентифицировать корову по фотографии: зоотехник снимает животное — система определяет особь из базы и сразу показывает параметры и список необходимых мероприятий.
2. Идентифицировать каждую корову по видеопотоку в реальном времени (Re-ID) без участия персонала.

Что сделали

Ядро системы. EfficientNet-B1 со 128-мерными эмбеддингами — модель строит компактное представление каждой коровы по внешнему виду. ByteTrack для мульти-объектного трекинга по видеопотоку.

Режим по фотографии. Зоотехник снимает корову с телефона или планшета. Система сопоставляет снимок с базой эмбеддингов, определяет особь (точность 78%), сразу возвращает карточку: основные параметры животного и список необходимых мероприятий.

Режим Re-ID по видеопотоку. Идентификация в реальном времени с 4 камер — зоотехник видит идентификатор каждой коровы в кадре без ручного наблюдения.

Интерфейсы: мобильное приложение, веб-панель, API — для интеграции с существующими учётными системами.

Результат

• Идентификация по фото — точность 78%: зоотехник получает карточку животного и список мероприятий сразу после снимка.
• Re-ID по видеопотоку работает без ручного наблюдения в реальном времени.
• Три интерфейса покрывают разные сценарии: в поле (мобильное), на рабочем месте (веб), в учётной системе (API).
• Запущено в 2025.

Ключевые технические решения

1. Эмбеддинги вместо классификации. Классификатор не масштабируется: каждое новое животное требует переобучения. Эмбеддинговый подход позволяет добавлять новых коров в базу без переобучения модели — только новый вектор в индексе.
2. Два режима — одно ядро. Фото и видеопоток используют одну модель эмбеддингов. Сопровождение и обновление единое для обоих каналов.

Частые вопросы

78% точности — этого достаточно для работы?

Зависит от сценария. Здесь идентификация по фото не заменяет бирку в юридически значимых операциях, а убирает ручной поиск в типовом: зоотехник получает карточку сразу и подтверждает её, а не ищет животное в системе с нуля. Ошибка стоит одного уточнения, а не потери данных.

Что происходит при добавлении новых животных в стадо?

Ничего не переобучается. Модель строит эмбеддинг — новая корова добавляется как ещё один вектор в индексе. Это и было причиной выбрать эмбеддинги вместо классификатора.

Нужен ли интернет на ферме, чтобы это работало?

Ядро системы — модель эмбеддингов и сопоставление по индексу — не требует облачных API. Требования к связи определяются тем, где размещён сервер и какие интерфейсы используются: мобильное приложение, веб-панель или API учётной системы.

Что было бы дальше

Логичное продолжение — интеграция с системой обнаружения поведенческих событий: идентификация конкретного животного + автоматическое уведомление при ключевом событии у него.

Если у вас животноводство, теплицы, склад или производство с задачей «нужно знать, что это за объект по фото или видео» — обсудим за 30 минут.