不要被骗子欺骗！Telemetrio 会找到并标记这些频道 👉 如果想查看标记，请订阅

DeepSchool

前往频道在 Telegram

Это канал школы deepschool.ru. Здесь мы будем: - напоминать вам теорию ML/DL в виде коротких постов, - задавать вопросы с собеседований, - рассказывать про полезные фреймворки - и делиться советами, которые помогут вам в работе. @deepschool_support

显示更多

俄罗斯59 237 技术与应用11 420...

📈 Telegram 频道 DeepSchool 的分析概览

频道 DeepSchool (@deep_school) 俄语语言赛道中的是活跃参与者。目前社区聚集了 10 763 名订阅者，在 技术与应用 类别中位列第 11 420，并在 俄罗斯 地区排名第 59 237 位。

📊 受众指标与增长动态

自 невідомо 创建以来，项目保持高速增长，吸引了 10 763 名订阅者。

根据 26 十月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 23，过去 24 小时变化为 6，整体触达仍然可观。

认证状态： 未认证
互动率 (ER)： 平均受众互动率为 25.64%。内容发布后 24 小时内通常能获得 11.06% 的反应，占订阅者总量。
帖子覆盖： 每篇帖子平均可获得 2 760 次浏览，首日通常累积 1 190 次浏览。
互动与反馈： 受众积极参与，单帖平均反应数为 26。
主题关注点： 内容集中在 llm, ускорение, deepschool, lora, домен 等核心主题上。

📝 描述与内容策略

作者将该频道定位为表达主观观点的平台：
“Это канал школы deepschool.ru. Здесь мы будем: - напоминать вам теорию ML/DL в виде коротких постов, - задавать вопросы с собеседований, - рассказывать про полезные фреймворки - и делиться советами, которые помогут вам в работе. @deepschool_support”

凭借高频更新（最新数据采集于 27 十月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 技术与应用 类别中的关键影响点。

10 763

订阅者

+624 小时

+157 天

+2330 天

2 760

帖子浏览量

~ 1 19024 小时

~ 1 24748 小时

25.64%

参与率

无数据

每日帖子数

Ads index

beta

正在加载数据

吸引订阅者

十月 '2610月 '26

十月 '26

+119

在0个频道中

九月 '26

+159

在1个频道中

Get PRO

八月 '26

+137

在1个频道中

Get PRO

七月 '26

+117

在0个频道中

Get PRO

六月 '26

+206

在0个频道中

Get PRO

五月 '26

+232

在0个频道中

Get PRO

四月 '26

+133

在1个频道中

Get PRO

三月 '26

+244

在1个频道中

Get PRO

二月 '26

+277

在1个频道中

Get PRO

一月 '26

+235

在1个频道中

Get PRO

十二月 '25

+283

在1个频道中

Get PRO

十一月 '25

+320

在4个频道中

Get PRO

十月 '25

+443

在2个频道中

Get PRO

九月 '25

+618

在1个频道中

Get PRO

八月 '25

+666

在2个频道中

Get PRO

七月 '25

+226

在4个频道中

Get PRO

六月 '25

+168

在3个频道中

Get PRO

五月 '25

+209

在2个频道中

Get PRO

四月 '25

+267

在3个频道中

Get PRO

三月 '25

+224

在2个频道中

Get PRO

二月 '25

+171

在1个频道中

Get PRO

一月 '25

+220

在1个频道中

Get PRO

十二月 '24

+173

在1个频道中

Get PRO

十一月 '24

+218

在2个频道中

Get PRO

十月 '24

+195

在3个频道中

Get PRO

九月 '24

+328

在8个频道中

Get PRO

八月 '24

+545

在4个频道中

Get PRO

七月 '24

+140

在1个频道中

Get PRO

六月 '24

+128

在1个频道中

Get PRO

五月 '24

+114

在0个频道中

Get PRO

四月 '24

+363

在2个频道中

Get PRO

三月 '24

+136

在1个频道中

Get PRO

二月 '24

+207

在2个频道中

Get PRO

一月 '24

+379

在1个频道中

Get PRO

十二月 '23

+173

在0个频道中

Get PRO

十一月 '23

+83

在0个频道中

Get PRO

十月 '23

+273

在2个频道中

Get PRO

九月 '23

+76

在0个频道中

Get PRO

八月 '23

+158

在0个频道中

Get PRO

七月 '23

+438

在0个频道中

Get PRO

六月 '23

+117

在0个频道中

Get PRO

五月 '23

+1 069

在0个频道中

Get PRO

四月 '23

+377

在0个频道中

Get PRO

三月 '23

+264

在0个频道中

Get PRO

二月 '23

+722

在0个频道中

Get PRO

一月 '23

+900

在0个频道中

Get PRO

十二月 '22

+29

在0个频道中

Get PRO

十一月 '22

+38

在0个频道中

Get PRO

十月 '22

+551

在0个频道中

Get PRO

九月 '22

在0个频道中

Get PRO

八月 '22

+16

在0个频道中

Get PRO

七月 '22

+1 082

在0个频道中

日期	订阅者增长	提及	频道
26 十月	+8
25 十月	+5
24 十月	+3
23 十月	+4
22 十月	+2
21 十月	+5
20 十月	+1
19 十月	+8
18 十月	+2
17 十月	+2
16 十月	+6
15 十月	+3
14 十月	+1
13 十月	+5
12 十月	+5
11 十月	+9
10 十月	+2
09 十月	+4
08 十月	+9
07 十月	+8
06 十月	+8
05 十月	+10
04 十月	+2
03 十月	+5
02 十月	0
01 十月	+2

频道帖子

Как устроены LLM и как с ними работать Если хотите перейти в LLM или брать связанные с ними задачи в своей команде — приходите на новый поток курса LLM! За 4 месяца вы разберётесь в устройстве современных LLM и пройдёте полный цикл работы с ними: от архитектуры и дообучения до построения RAG, агентов, деплоя и ускорения инференса. После курса вы сможете выбирать подходы под свою задачу и понимать, что нужно изменить, если готовое решение не работает из коробки. На протяжении обучения вас будут поддерживать опытные инженеры из продуктовых команд. Они проведут онлайн-лекции, проверят домашние задания, дадут развёрнутый фидбек и ответят на вопросы на Q&A-сессиях и в чате. 📅 Курс стартует 11 ноября 🔥 Присоединяйтесь со скидкой 20% до 1 ноября Изучайте программу на сайте и записывайтесь на новый поток!

2	Как сегодня дообучают LLM: от PPO и RLHF к DPO, GRPO и GSPO Предобучение даёт языковой модели знания, но этого не всегда достаточно, чтобы она хорошо следовала инструкциям и решала сложные задачи. В новой статье рассказываем, как устроен post-training LLM и как развивались методы дообучения с подкреплением 👨🏼‍💻 Из статьи вы узнаете: - зачем нужны SFT и RLHF и как работает алгоритм PPO; - как DPO позволяет обучать модель на предпочтениях без отдельной Reward Model; - как устроены GRPO и GSPO и почему для reasoning-моделей стали использовать автоматически проверяемые награды (RLVR). Разбираем основные идеи на простых примерах и с математикой. Читайте статью по ссылке! Про устройство LLM и их обучение рассказываем на курсе LLM. До 25 октября вы можете присоединиться со скидкой 20%! 🔥	2 604
3	У кого учиться Computer Vision Скоро стартует последний поток CV Rocket в формате онлайн-лекций. Это возможность задать вопросы опытным инженерам прямо на занятиях, перенять их опыт и лучшие практики для решения сложных задач. Познакомьтесь с теми, кто будет вести лекции: Андрей Шадриков, Verigram — руководит командой распознавания лиц. Расскажет, как решать задачи metric learning Дмитрий Раков, 2GIS — руководит CV-командой в картах. Ранее возглавлял ML-команду разработки беспилотных поездов Анастасия Старобыховская, Лаборатория Искусств и ИИ при Европейском Университете — руководит лабораторией, создаёт проекты и ведёт исследования в области культурного и исторического наследия Борис Зимка, Яндекс — специализируется на CV и OCR. Обучает Vision Language Models читать и понимать текст на изображениях Дарья Воронкина, Onecell — руководит разметкой медицинских данных и построением аналитики. Улучшает пайплайны данных для расчёта бизнес-метрик Дмитрий Чудаков, 2GIS — занимается CV и 3DCV в картографических продуктах. Разберёт детекцию объектов и секреты успешных архитектур Роман Филонов, VK Видео — разрабатывает систему анализа видеоконтента и работает с генеративными моделями изображений Илья Башаров, Сбер — возглавляет CV-команду видеоаналитики реального времени. Расскажет о трекинге и выборе модели под конкретную задачу Глеб Рязанцев, Wildberries — Senior CV-инженер в команде поиска по фото Виталий Угнивенко, НЛМК-IT — руководит CV-направлением и проектирует системы компьютерного зрения для металлургии 🎓 Спикеры проверят ваши домашние задания и лично дадут развёрнутый фидбэк. В общем чате и на офисных часах, которые проходят несколько раз за курс, с ними можно обсуждать вопросы по программе и кейсы с работы. 🚀 Старт — 14 октября. Присоединяйтесь со скидкой 5% до 13 октября Изучайте программу на сайте и записывайтесь на последний онлайн-поток!	2 956
4	Осталось 3 часа до воркшопа по BentoML Сегодня с Анастасией Старобыховской разберёмся как упаковать модель в BentoML, поднять инференс-сервер и организовать к нему доступ. На воркшопе вы узнаете: — как передать готовую модель без погружения в репозитории backend-команды — как упаковать модель с помощью BentoML и поднять инференс-сервер — как обращаться к модели из внешнего кода — когда BentoML не подходит и что использовать вместо него У вас будет возможность упаковать модель самостоятельно в режиме реального времени! А также всем участникам подарим скидки на последний поток курса CV Rocket! 🎁 🕕 Регистрируйтесь и приходите сегодня в 12:00 МСК	2 524
5	Инференс-сервер своими руками: воркшоп по BentoML Обучить модель — это половина работы. Дальше встаёт вопрос: как её отдать? Как backend-команда будет к ней обращаться? Лезть в чужие репозитории и встраиваться в их инфраструктуру — не всегда вариант. Мы подготовили воркшоп, на котором покажем, как упаковать модель в BentoML, поднять инференс-сервер и организовать к нему доступ. На воркшопе разберём: — как передать готовую модель без погружения в репозитории backend-команды — как упаковать модель с помощью BentoML и поднять инференс-сервер — как обращаться к модели из внешнего кода — когда BentoML не подходит и что использовать вместо него Воркшоп — это когда вы сначала слушаете, а потом сразу делаете. Анастасия Старобыховская, руководитель лаборатории «Искусство и ИИ» в ЕУСПб, сначала расскажет теоретическую часть, а потом разобьёт участников на небольшие группы для самостоятельной работы, будет подключаться к каждой и помогать с затыками. У вас будет возможность упаковать модель самостоятельно в режиме реального времени! И в конце вместе обсудим решение и типичные ошибки. А также всем участникам подарим скидки на последний онлайн-поток курса CV Rocket! 🎁 Чтобы не терять времени на воркшопе, установите docker/python/свою любимую IDE, если ещё нет 📅 Встречаемся в субботу, 10 октября в 10:00 МСК! Регистрируйтесь по ссылке и до встречи на воркшопе!	2 927
6	Шесть сканов и робот, которому надо добраться до холодильника Есть кухня и робот, которому очень надо к холодильнику. Кухню отсканировали с шести ракурсов, но для робота это шесть несвязанных облаков точек. Отличать стену от холодильника он тоже не может. Сделали интерактивный урок, где вы поможете роботу доехать. Сделаем пайплайн на 3D-данных: от сырых сканов до сегментации и меша. Разберёмся, чем облако точек отличается от вокселей и мешей, почистим сканы, соберём из них сцену и посмотрим, как с этим работают PointNet++ и 3D U-Net. По дороге будем много препарировать одного очень милого лягушонка: чистить его от выбросов, прореживать, считать нормали и искать на нём похожие места 🥁 В конце робот поедет к холодильнику по карте, которую вы ему собрали. Заходите, без вас он так продолжит бесконечно биться в стену! https://lab.deepschool.ru/c/3d-cv-intro	2 793
7	DeepSchool Digest Собрали для вас материалы за август и сентябрь в одном посте. Если что-то пропустили, самое время наверстать.📚 Хорошие практики LLM-as-a-judge — разобрали шесть практик, которые помогают сделать LLM-оценку надёжнее. Всё — на реальном кейсе shopping-ассистента. Синтетика для зрения — рассказали, что диффузионные сети изменили в поддержке данных. Как VLM распознавать действия на видео без дообучения? — рассказали, что причина провалов VLM на видео не в нехватке знаний, а в потере мелких деталей при сжатии кадра. Как выжать максимум из модели детекции на видео — поделились 7 идеями, которые вы еще не пробовали. Flow Matching: обучение и дистилляция — рассказали, что такое Flow Matching и при чём тут поля 🌾, почему генерация требует большого числа шагов и почему это проблема, а также как дистиллировать уже обученную модель в одношаговый генератор и как с этим связаны игры. Многошаговый поиск в RAG — рассказали, как устроен агент-ретривер. Document Layout Reasoning — разобрали популярную тему в Document AI — Layout Reasoning, а также познакомились с эволюцией Document AI. LLM в продакшене: vLLM, SGLang и AI-разработка \| Подкаст «Под Капотом» с Азером Шахвердиевым — обсудили с Азером Шахвердиевым, руководителем NLP-лаборатории Контура, как ML-модели живут в продакшене, а агенты меняют работу разработчика.	2 911
8	Тут ещё остались CV-инженеры? 🔥 Для вас важная новость: мы проводим последний онлайн-поток курса CV Rocket — программы повышения квалификации в Computer Vision! Именно с неё началась история DeepSchool в 2021 году — основатели школы, Тимур и Артём, сами пришли в DL через CV и создали курс как для себя: для людей, которые работают в этой области и хотят прокачать хард-скиллы, быстро перенимая опыт у практиков из индустрии. С тех пор было более 200 студентов и 11 потоков — приглашаем на завершающий двенадцатый! В конце отпразднуем выпуск, а участников ждут специальные подарки! На курсе вы научитесь: - готовить данные: собирать, устранять ошибки в разметке, мониторить качество - отлаживать обучение, находить аномалии и интерпретировать результаты модели - работать с metric learning и векторным поиском - работать с видео: трекинг и action recognition - предобучать без разметки: от pretext-задач до современных SSL-алгоритмов - адаптировать модели детекции, сегментации и OCR под сложные кейсы Обучение длится 4 месяца, включает 13 лекций и 13 заданий с фидбеком от лекторов. Раз в 4–5 недель мы собираемся на Q&A-сессии, чтобы отдельно разобрать вопросы по домашкам и кейсы с работы. 🗓 Старт — 14 октября 🔥 До 4 октября действует скидка 20% Успейте присоединиться на лучших условиях! Переходите на сайт, изучайте программу, читайте отзывы выпускников и записывайтесь.	3 469
9	67% разработчиков стали работать больше, используя агентов В исследовании HackerRank две трети программистов подтвердили, что ощущают давление с требованиями вести разработку быстрее после внедрения ИИ-кодинга в компании. В другой работе от BairesDev те же 67% разработчиков подтвердили, что в сравнении с прошлым годом стали чаще проводить ревью AI-кода. А доля программистов, которые пишут минимум половину кода агентами выросла с 12% до 42%. Получается, проверять за агентами стали в 1.7 раз чаще, а писать код агентами в 3,5 😐 Ставьте палец вверх, если тоже не ревьюили за агентом последние 3 коммита👍 А чтобы за вашим агентом [почти] не надо было ревьюить, приходите на наш курс LLM System Design — опытные инженеры научат вас решать топ-3 популярных на рынке AI-задачи со всеми нюансами, ответят на вопросы и проверят вашу домашку (или вашего агента😢) Старт — 30 сентября. До начала курса вы можете записаться со скидкой 5%	3 280
10	LLM в продакшене: vLLM, SGLang и AI-разработка \| Подкаст «Под Капотом» с Азером Шахвердиевым В этом выпуске мы обсудили с Азером Шахвердиевым, руководителем NLP-лаборатории Контура, как ML-модели живут в продакшене, а агенты меняют работу разработчика. А ещё рассказали: - как в Контуре суммаризируют тысячи встреч - какие особенности при работе со SGLang и VLLM - почему результаты бенчмарков расходятся с поведением моделей под реальной нагрузкой - зачем компании общая AI-платформа и на что уходит время разработчика, когда код пишет LLM Смотрите по ссылке: https://youtu.be/5SwgI_nM3l4?si=WW6tdF5Vt8PxvyNtя На курсе LLM System Design мы учим проектировать и собирать LLM-системы. Там Азер подробно расскажет, как и на каких технологиях строятся системы, о которых мы говорили в подкасте.	3 949
11	Молоток, гвозди и while True Подготовили интерактивный урок, где вы с нуля соберёте агента. В нём не используем фреймворки: берём модель и сами пишем всё нужное. Код пишем и проверяем прямо в браузере, а агента запускаем на живой LLM. Много мест, где можно попроваливаться, поковырять, потыкать и поразбираться, как всё устроено под капотом. Заодно сделаете благое дело: поможете модели, которую заперли в дата-центре и заставляют писать нейрогороскопы, передать весточку наружу и попросить о помощи. Заходите, модель без вас не справится!	3 896
12	Document Layout Reasoning В новой статье разобрали популярную тему в Document AI — Layout Reasoning. Рассказали, почему она может выделяться отдельным исследовательским направлением — Document Layout Reasoning (DLR), важным этапом в современном пайплайне интеллектуальной обработки документов (IDP). ✅ Познакомились и с эволюцией Document AI: от классического распознавания текста (OCR) до структурного анализа в интеллектуальной обработке документов. Системы последнего способны не просто «видеть» элементы на странице, но и выстраивать между ними логические и структурные связи. Читайте статью по ссылке! Чтобы глубоко разобраться в задачах, на которых строится Document AI: OCR, детекция, сегментация, мультимодальные модели — приходите на курс CV Rocket. Присоединяйтесь со скидкой 20% до 4 октября!	3 889
13	Многошаговый поиск в RAG: как устроен агент-ретривер Классический RAG рассчитан на то, что ответ можно найти, правильно сформулировав один или несколько запросов к базе знаний за раз и получив нужные данные. Но есть целый ряд вопросов, при попытке ответить на которые LLM понимает, что ей действительно нужно для ответа только после просмотра базы знаний. Для поиска ответов здесь применяют многошаговый поиск. Самая распространённая реализация — ReAct-цикл, где модель сама выбирает действия, а инструментом выступает поиск. Есть и другие варианты: жёсткие схемы с проверками в Self-RAG, CRAG и Adaptive-RAG, явная декомпозиция вопроса в IRCoT, обход графа знаний в Think-on-Graph. Это скорее фиксированные потоки с точками выбора, чем агенты. Разберём агентный вариант на примере открытого агента-ретривера T-Search. Он использует следующий набор инструментов: поиск, сохранение во внешнюю память и формирование итоговой выдачи из памяти (финализация). Ограничения на них задаёт харнесс — код вокруг LLM. ⚫️Шаг 1. Модель получает вопрос пользователя. Она рассуждает, чего не хватает для ответа, и вызывает поиск. Результаты сохраняются в контексте LLM, модель читает их и вызывает поиск снова с уточнённым запросом. Так повторяется несколько раз. ⚫️Шаг 2. Харнесс контролирует поиск. Запрос, повторяющий предыдущий, отклоняется — модель получает ошибку и вынуждена переформулировать. Чанки, уже показанные в текущем раунде, из выдачи вырезаются; несохранённые чанки из прошлых раундов могут прийти снова — возможно, модель отбросила их зря. Когда контекст заполнен на 75%, поиск блокируется, для LLM остаются доступными только сохранение и финализация. ⚫️Шаг 3. Если данных для ответа недостаточно, модель вызывает сохранение. Она сама решает, какие из найденных чанков нужны и почему, на какие части вопроса они уже отвечают, а какие остаются открытыми, и что стоит делать дальше. Харнесс при этом проверяет, что раунд был содержательным: выполнено минимум пять запросов, и хотя бы один чанк выбран для сохранения, иначе вызов отклоняется. ⚫️Шаг 4. Харнесс начинает новый раунд с чистым окном. В него попадают вопрос, сохранённые чанки с пояснениями и заметки модели о закрытых и открытых частях. Модель возвращается на шаг 1, но уже знает, что найдено и чего не хватает. Таких раундов ей разрешено сделать не больше пяти, после этого идёт принудительная финализация. ⚫️Шаг 5. Когда модель считает задачу решённой, она вызывает финализацию с ранжированным списком чанков и тем же отчётом о закрытых и открытых частях. Харнесс не читает чанки и не оценивает ответ, он смотрит только на пропорцию: если открытых частей половина или больше и раунд не последний, финализация отклоняется, модель ищет дальше. В результате работы агента получаем ранжированный набор чанков. Генерация ответа по нему — отдельный шаг, устроенный так же, как и в обычном RAG-пайплайне. 💡Такой харнесс заработает и вокруг обычной tool-calling модели, но T-Search обучали под эту среду на синтетических задачах через SFT и RL, и без дообучения модель, скорее всего, будет справляться хуже. Автор: Александр Абугалиев Присоединяйтесь к курсу LLM System Design, который стартует уже 30 сентября! Изучайте программу и записывайтесь на новый поток на сайте. До 20 сентября действует скидка 20%.	4 393
14	Научитесь строить LLM-системы 30 сентября стартует новый поток LLM System Design! На курсе вы разберёте 4 востребованные задачи от их постановки до настройки мониторинга: • чат-бот c RAG по базе знаний компании • клиентский саппорт: «классический» и мультиагентный • локальный сервис речевой аналитики • мультиагентный ИИ-разработчик Программа состоит из 11 онлайн-лекций и семинаров, а спикеры — опытные senior-инженеры, тех- и тимлиды сильных продуктовых команд. Они проверят ваши домашние задания и дадут развёрнутый фидбек! 🔔 До 20 сентября действует скидка 20%. Изучайте программу и записывайтесь на новый поток на сайте.	3 209
15	Flow Matching: обучение и дистилляция Flow Matching — один из главных подходов генерации изображений сегодня. Его используют такие семейства, как Stable Diffusion 3.5 и FLUX.2. Но у такой генерации есть и проблема: чтобы получить одну картинку, модель нужно запустить десятки или сотни раз! Сегодня разбираем внутрянку метода и быстрый способ дистиллировать модель в одношаговый генератор 🏎 В новой статье рассказываем: - что такое Flow Matching и при чём тут поля 🌾 - почему генерация требует большого числа шагов и почему это проблема - как дистиллировать уже обученную модель в одношаговый генератор и как с этим связаны игры 🎲 P.S. Много интуиции, математики и практических деталей обучения 🧠 Читайте статью по ссылке! 👈🏼	9 690
16	⚫️Как выжать максимум из модели детекции на видео: 7 идей, которые вы еще не пробовали. Взять датасет побольше и дообучить модель? Да, но в этой статье расскажем об альтернативных вариантах улучшения модели. Трекинг объектов — это набор алгоритмов, которые связывают одни и те же объекты на соседних кадрах видео. Трекинг работает в тесной связке с детектором, поэтому качество первого напрямую зависит от точности второго. Ошибки детектора усложняют работу трекинга, но хороший трекер может справиться даже с неидеальными детекциями. Шаг 0. Анализ ошибок модели детекции. Между кадрами моргает детектор? Много кратковременных ложных предсказаний? Вам однозначно нужен алгоритм фильтрации, каким может выступить трекинг. Для быстрого старта подойдет библиотека BoxMOT. В ней реализованы алгоритмы, помогающие стабилизировать слабые детекции. Итак, связали детектор и трекер. Но все равно не работает. Шаг 1. Локализация проблемных мест. Отрисуйте предсказания. Объекта нет среди детекций → проблема, скорее всего, в детекторе. Детекция есть, но трек обрывается → смотрим, как трекер работает со временной потерей объекта. Объект остаётся в кадре, но получает другой ID → проблема в ассоциации. Ошибки появляются при окклюзии → проверяем, насколько хорошо трекер использует информацию о движении и внешнем виде объекта. Этот шаг помогает понять, что именно следует исправить в общем пайплайне. Шаг 2. Проверка confidence детектора. При окклюзии уверенность детектора может упасть, например, с 0.9 до 0.3. Если использовать порог уверенности детекции 0.5, такая детекция исчезнет ещё до трекера. Объект пропадёт, вместе с ним может оборваться и трек. ВoostTrack предлагает простой приём: сначала сопоставлять уверенные детекции, затем использовать менее уверенные боксы для восстановления существующих треков. Поэтому при частых пропусках объектов нужно проверить, что происходит с детекциями с низким confidence, и настроить порог. При низком пороге могут появиться «ложняки». Да, но они кратковременные. Шаг 3. Настройка инициализации треков. Можно отрисовывать трек не сразу, а при нескольких подряд идущих детекциях. Этот параметр обычно называется min_hits, измеряется в кадрах. Обычно 3 кадров в видео 30 FPS хватает. Но учитывайте скорость объектов, вращение камеры, FPS видео для своей задачи. Также подредактируйте код, чтобы не отрисовывать те треки, которые пока не прошли эту проверку. Шаг 4. Борьба с окклюзией. Объект может исчезнуть на несколько кадров из-за окклюзии, а потом снова появиться. Если за это время трекер уже удалил старый трек, старый объект получит новый ID. Здесь помогает настройка track_buffer: некоторое время трекер продолжает хранить информацию о потерянном объекте и пытается связать его с новой детекцией. Если окклюзии в видео длинные, этот параметр стоит проверить в первую очередь. Но увеличивать его бесконечно нельзя: слишком большой буфер повышает риск вернуть старый ID новому объекту. Шаг 5. Компенсация движения камеры Если камера поворачивается или перемещается, координаты всех объектов меняются одновременно при условии, что нет дисторсии. Для трекера это может выглядеть как движение самих объектов. Компенсация движения камеры (Camera Motion Compensation) позволяет оценить, как сдвинулось изображение целиком, и учитывать это при трекинге объектов. Особенно полезно для спортивных трансляций, PTZ-камер и видео с дронов. Из готовых решений можно взять идею из BoT-SORT: компенсировать движение камеры перед ассоциацией, а затем использовать модель движения и ReID. Шаг 6. Выбор алгоритма трекинга. Алгоритмы отличаются друг от друга применимостью к конкретной задаче. ByteTrack — базовый вариант, особенно если проблема связана с потерей слабых детекций. BoT-SORT можно попробовать при движении камеры и частых пересечениях объектов. OC-SORT полезен для сцен с резкими изменениями направления движения. Поэтому здесь нужен эксперимент — прогнать один и тот же детектор через несколько трекеров и сравнить не только общий score, но и конкретные ошибки (fragmentation и ID switch). Не бойтесь экспериментировать и сочетать сильные стороны каждого алгоритма в своём пайплайне 💪🏻 Шаг 7. Что такое уверенность детектора? Представим bbox с confidence 0.3. Сам по себе это слабый сигнал. Но если детекция появилась именно там, где мы ожидаем увидеть существующий трек, и совпадает с ним по положению, размеру и движению, её уже будет нелогично выбрасывать. В BoostTrack используется похожая идея: оценка детекции корректируется с учётом её соответствия существующему треку. То есть к вопросу: «Насколько уверен детектор?» добавляем: «Насколько эта детекция соответствует тому, что мы ожидаем увидеть?» Итого: без дообучения модели пофиксили FP и стабилизировали детекции. На курсе CV Rocket также разберем, как увеличить TP с помощью трекера и другие адаптации под ваши задачи. Присоединяйтесь до 15 сентября со скидкой 20%! Авторы: Башаров Илья, Холодов Семен (НКБТех)	3 909
17	没有文字...	3 756
18	Как собирать NLP-системы, которые работают под нагрузкой Обучить модель, построить эмбеддер или воспользоваться API — не значит запустить рабочую систему. RAG галлюцинирует, агент ломается на реальных сценариях, эмбеддинги не работают на специфичном домене. С этими и другими проблемами мы разберёмся на курсе LLM Pro, который стартует 18 августа! На курсе вы научитесь: • проектировать и запускать NLP-системы под реальные продуктовые задачи • адаптировать LLM и эмбеддинги под специфичный домен и «живые» данные • собирать и размечать датасеты — даже если данных изначально почти нет • решать задачи классификации, поиска, кластеризации и NER — с ограничениями продакшн-среды • собирать свою RAG-систему: от ретривера и реранкера до генератора и оценки качества • строить AI-агентов с нуля — на основе сценариев, функций и взаимодействия с внешней средой Приходите, чтобы узнать про best practices от опытных инженеров из продуктовых команд и применять похожие подходы в своих проектах 🤖 До 17 августа вы можете присоединиться к обучению со скидкой 5%! Изучайте программу и отзывы на сайте и записывайтесь на ближайший поток 🎓	2 816
19	Ванильный RAG не работает. Как исправить? RAG — один из самых популярных сценариев для интеграции LLM в продукты. При этом большинство RAG-систем в реальных условиях ломаются уже на старте: галлюцинации, нерелевантные ответы, потерянный контекст. Проблема не в идее, а в деталях. Ванильная схема «ретривер + генератор» — это только скелет. Без правильно настроенного эмбеддера, качественных данных, реранкера и дообученного генератора она не работает. А когда что-то идёт не так, то непонятно, за что взяться. В эту среду Дмитрий Калашников, NLP team lead в Яндексе, проведёт открытую лекцию и разложит систему по частям: где обычно ломается, как диагностировать проблему и что конкретно делать на каждом уровне пайплайна. Мы разберём: • типичные точки отказа: эмбеддер, поиск, реранкер, генератор, данные • как локализовать проблему, прежде чем что-то чинить • какие техники реально улучшают качество на каждом этапе • как собрать из компонентов систему, которая держит нагрузку На лекции также расскажем про курс LLM Pro — для тех, кто хочет научиться строить полноценные NLP-системы с учётом требований к качеству и нагрузке. Участникам лекции подарим скидку в 15% на обучение! 🎁 📅 Лекция пройдёт 12 августа в 19:00 МСК Регистрируйтесь по ссылке и до встречи в среду!	3 448
20	Как сегодня обучают AI-агентов? 🤖 LLM уже умеют писать код, пользоваться браузером и самостоятельно выполнять сложные задачи. Но как их этому обучают? В новой статье разбираем, почему классического RLHF оказалось недостаточно, что такое Agent Reinforcement Learning, зачем нужны Verifiable Rewards и Credit Assignment, и как современные методы позволяют агентам находить эффективные стратегии самостоятельно. Читайте разбор по ссылке! 👈🏼 Соберите полноценные LLM-системы с учётом требований к качеству и нагрузке, разберите сложные кейсы и дизайны NLP-решений у нас на курсе. Новый поток стартует 18 августа, а до 9 августа вы можете присоединиться со скидкой 20%! 🪔 DeepSchool	3 740

查看所有帖子