О компании заказчика
Министерство природы занимается вопросами охраны природы и контроля состояния природных территорий. В рамках этого проекта команда работала с отделом, который отвечает за контроль популяции животных в заповедниках, изучение их поведения и повадок в дикой среде.
Исходная ситуация
Заказчик работал с большим количеством фотографий, которые поступали с фотоловушек, установленных в природной среде. На этих снимках нужно было находить животных, определять их виды и подвиды, группировать изображения и готовить данные для дальнейшей работы специалистов.
До начала проекта значительная часть этого процесса выполнялась вручную. Сотрудникам приходилось разбирать тысячи фотографий, проверять их, сортировать и готовить итоговые списки для научных задач и контроля популяции.
Это занимало много времени и отвлекало специалистов от основной работы — анализа, исследований и изучения поведения животных. Заказчику требовалось решение, которое могло бы автоматизировать обработку фото и ускорить подготовку данных без потери качества.
Задачи проекта
Разработать сервис для распознавания определённых видов животных на фотографиях с фотоловушек.
Автоматизировать загрузку и обработку тысяч фотографий с флешек.
Настроить предобработку изображений перед классификацией.
Разработать ИИ-модуль для определения видов и подвидов животных.
Сгруппировать фотографии по результатам распознавания.
Выделять ключевые признаки животных на снимках.
Подготовить итоговый валидированный список данных для сотрудников.
Обеспечить удобный веб-интерфейс с ограниченными доступами для сотрудников.
Повысить точность распознавания и снизить количество ошибок.
Доработать распознавание фотографий, сделанных в ночном режиме фотоловушки.
Решение
Что мы предложили
Мы предложили разработать персональный веб-сервис под задачу заказчика: систему, которая принимает большой массив фотографий с фотоловушек, автоматически обрабатывает их, распознаёт животных и выдаёт сотрудникам уже структурированный результат.
Такое решение подходило заказчику, потому что на рынке не было готового продукта, который закрывал бы именно эту задачу: работу с фотоловушками, большим объёмом снимков, классификацией животных и подготовкой данных для научной деятельности.
Что было сделано
Команда разработала систему, которая включает:
веб-интерфейс для сотрудников;
разграничение доступов;
ИИ-модуль для распознавания животных;
backend-модуль для предобработки и постобработки данных;
механизм загрузки большого количества фотографий;
классификацию животных по видам и подвидам;
сортировку и группировку снимков;
формирование итогового списка для дальнейшей работы специалистов.
Главная ценность решения — не просто в распознавании изображений, а в том, что система сняла с сотрудников рутинную ручную работу и помогла быстрее переходить к научному анализу.
Как был организован процесс
Работа началась с этапа Discovery: команда разобралась в задаче, изучила, как работают фотоловушки, и получила от заказчика датасет для дальнейшей работы.
После этого были согласованы техническое задание, договор, функциональные и нефункциональные требования к системе. Команда собрала и разметила датасет, разработала первую версию ИИ-модуля, согласовала формат выходных данных и затем постепенно дорабатывала качество распознавания.
Процесс строился поэтапно: сначала команда создала первую рабочую версию системы, затем улучшала точность, скорость обработки, классификацию видов и подвидов, а также работу с ночными снимками.
Какие инструменты, технологии или подходы использовались
В транскрибации указаны следующие подходы и компоненты:
Discovery-этап;
согласование ТЗ;
сбор и разметка датасета;
разработка ИИ-модуля;
веб-интерфейс с ограниченными доступами;
backend-модуль предобработки и постобработки;
классификация изображений;
доработка модели для ночного режима съёмки.
Конкретный технический стек в транскрибации не указан.
Ход проекта
От ручной обработки к автоматизированной системе
До запуска проекта сотрудники заказчика вручную обрабатывали фотографии с фотоловушек. При большом количестве снимков это превращалось в трудоёмкий процесс: нужно было просматривать изображения, находить животных, определять виды, сортировать фотографии и готовить данные для дальнейшего использования.
Для отдела, который занимается контролем популяции животных и изучением их поведения, такая рутина отнимала время у более важной работы — анализа и научных исследований.
Важно: задача была не просто в том, чтобы «распознать животное на фото», а в том, чтобы встроить ИИ в реальный рабочий процесс специалистов и сократить ручной труд.
Discovery и погружение в предметную область
На старте команда провела Discovery-этап. Заказчик показал, как работают фотоловушки, какие фотографии поступают в работу и в каком виде специалисты должны получать итоговые данные.
После этого были согласованы требования к системе: что должен делать сервис, какие данные он должен выдавать, как должны работать доступы для сотрудников и какой результат нужен на выходе.
Такой подход помог не уходить в разработку «ради разработки», а сразу связать будущий продукт с задачами заказчика: контролем популяции, анализом поведения животных и подготовкой данных для научной работы.
Разработка ИИ-модуля и веб-сервиса
Основой решения стал веб-сервис с ИИ-модулем. Сотрудники могли загружать фотографии в систему, после чего сервис проводил обработку, классифицировал изображения и формировал структурированный результат.
Система была разработана с учётом реального рабочего процесса: фотографии поступали большими объёмами, поэтому важно было не только распознавать животных, но и быстро предобрабатывать снимки, группировать результаты и готовить итоговые данные в понятном формате.
Классификация видов и подвидов животных
После первой версии ИИ-модуля команда дорабатывала качество распознавания. В систему добавили больше классов для определения видов и подвидов животных, улучшили точность и повысили скорость предобработки и постобработки.
В результате ИИ-модуль достиг точности 98%. Это снизило процент ошибок и сделало работу научных специалистов удобнее.
Решение: команда не ограничилась первой рабочей версией, а последовательно улучшала качество распознавания, скорость обработки и полноту классификации.
Работа с ночными снимками
Отдельной сложностью стала обработка фотографий, сделанных в ночном режиме фотоловушки. Такие снимки отличаются по качеству, освещению и детализации, поэтому требовали отдельной доработки.
Команда адаптировала решение под этот сценарий, чтобы система могла работать не только с дневными, но и с ночными изображениями.
Сложность проекта: фотоловушки делают снимки в разных условиях, и ночной режим оказался самым сложным сценарием для распознавания.
Итоговая система для сотрудников
На выходе заказчик получил систему, в которую можно загрузить фотографии с флешки, провести автоматическую обработку и получить классифицированный результат: фотографии, распределённые по видам, подвидам и группам.
Это позволило убрать значительную часть ручной работы. Теперь сотрудники могли тратить время не на первичную сортировку фотографий, а на научную деятельность и анализ данных.
Сложности и ограничения
Сложность: обработка фотографий, сделанных в ночном режиме фотоловушки. Как решили: команда отдельно доработала работу системы с ночными снимками, чтобы улучшить качество распознавания в сложных условиях съёмки.
Сложность: необходимость создать персональное решение под задачу заказчика. Как решили: команда провела Discovery, изучила работу фотоловушек, согласовала требования, собрала и разметила датасет, а затем разработала ИИ-модуль и веб-сервис под конкретный процесс заказчика.
Сложность: большой объём фотографий для обработки. Как решили: в систему были добавлены модули предобработки и постобработки, которые позволили автоматизировать работу с массивом изображений и выдавать сотрудникам уже структурированный результат.
Результат
Заказчик получил рабочую систему для автоматического распознавания животных на фотографиях с фотоловушек. Сервис позволяет загружать большой массив снимков, проводить обработку, классифицировать животных по видам и подвидам, сортировать фотографии и формировать итоговый список для дальнейшей работы.
Ключевой результат — процесс, который раньше выполнялся вручную и занимал часы, стал занимать минуты человеческого времени. Рутинная обработка фотографий была автоматизирована, а сотрудники получили возможность быстрее переходить к научной деятельности.
Также была достигнута точность ИИ-модуля 98%, что снизило процент ошибок и сделало работу специалистов удобнее.
В результате заказчик получил не универсальный коробочный инструмент, а персональную разработку под свою задачу — решение, которое учитывает особенности фотоловушек, специфику данных и реальные процессы сотрудников.
Почему этот кейс важен для похожих клиентов
Этот кейс будет близок организациям, у которых много ручной обработки данных, фотографий, документов или других материалов. Когда сотрудники тратят часы на рутину, бизнес или организация теряет время, скорость и фокус на более важных задачах.
Мы можем подключаться к таким задачам не только как разработчики, но и как команда, которая помогает разобраться в процессе, выделить ключевую боль, спроектировать решение и довести его до рабочего результата. Особенно это важно там, где готовые решения с рынка не подходят и нужна разработка под конкретный сценарий.
