Computer Vision
Sviluppo di sistemi di Computer Vision custom: object detection, OCR e document AI, classificazione e segmentazione, video analytics in tempo reale, controllo qualità automatizzato in produzione, riconoscimento facciale e biometria, lettura targhe (ANPR), conteggio persone e analisi flussi retail, ispezione visiva su linea industriale. Stack: OpenCV, TensorFlow, PyTorch, YOLO, MediaPipe, plus servizi cloud (Google Cloud Vision, AWS Rekognition, Azure Computer Vision) e edge inference (NVIDIA Jetson, Coral) quando latenza e privacy lo richiedono. Dal POC su dataset di tuoi clienti alla messa in produzione con MLOps pipeline, monitoring drift e re-training continuo.
Cosa includiamo
- Object detection e tracking multi-classe con YOLO e modelli custom fine-tuned su dataset proprietari
- OCR e Document AI per estrazione strutturata da fatture, DDT, moduli e documenti non standardizzati
- Segmentazione semantica e instance segmentation per controllo qualità su linea industriale
- Video analytics in tempo reale: conteggio persone, heat map flussi, dwell time per retail e GDO
- ANPR (Automatic Number Plate Recognition) per accessi, logistica e parcheggi
- Edge inference su NVIDIA Jetson e Google Coral per ambienti con vincoli di latenza e connettività
- MLOps pipeline con monitoring drift, alerting su degradazione modello e re-training automatizzato
- Integrazione con servizi cloud Vision (Google, AWS, Azure) per scaling orizzontale su volumi variabili
Quando ti serve
Produzione manifatturiera con scarti fuori controllo
Un'azienda industriale ha tassi di scarto che l'ispezione manuale non riesce a contenere. I difetti visivi sfuggono agli operatori su linee ad alta velocità. Cerca un sistema automatizzato che giri h24 senza affaticamento e tracci ogni anomalia.
Retailer che vuole misurare il comportamento in store
Una catena retail vuole capire quali zone del negozio generano conversione, dove le persone si fermano e dove abbandonano. I dati di cassa non bastano: serve analisi visiva anonimizzata in conformità GDPR.
Gestione accessi e logistica con lettura targhe
Un operatore logistico o un'area industriale deve automatizzare l'accesso dei mezzi senza intervento umano. La lettura manuale delle targhe genera errori e colli di bottiglia. Serve un sistema ANPR affidabile anche con condizioni di luce variabili.
Digitalizzazione documenti cartacei non strutturati
Uno studio professionale o un ufficio amministrativo riceve ogni giorno centinaia di documenti eterogenei: fatture, bolle, moduli compilati a mano. Il processo di data entry è lento e costoso. Serve un motore OCR che estragga i campi chiave e li scriva direttamente nel gestionale.
Domande frequenti
Quanti dati ci vogliono per addestrare un modello custom?
Dipende dalla complessità del task. Per object detection su un difetto visivo ripetitivo, 300-500 immagini annotate sono spesso sufficienti per un primo modello funzionante. Per scenari con alta variabilità (illuminazione, angoli, classi multiple) si ragiona su 2.000-5.000 esempi per classe. Partiamo sempre da un'analisi del dataset esistente prima di stimare il volume necessario.
Il modello funziona anche senza connessione internet?
Sì. Per ambienti con vincoli di rete o requisiti di privacy, portiamo l'inferenza direttamente sull'edge: NVIDIA Jetson per carichi computazionali più pesanti, Google Coral per applicazioni ultra-low latency. Il modello gira in locale, i dati non escono dall'impianto.
Quanto tempo dal POC alla messa in produzione?
Un POC su dataset fornito dal cliente richiede tipicamente 3-6 settimane. Il passaggio in produzione, con pipeline MLOps, monitoring e integrazione ai sistemi esistenti, aggiunge 4-10 settimane a seconda della complessità infrastrutturale. Il range totale più comune per un progetto industriale è 3-4 mesi.
Come gestite il calo di accuratezza nel tempo (model drift)?
Configuriamo un layer di monitoring che misura distribuzione degli input e metriche di confidenza in produzione. Quando i valori escono dalla soglia definita in fase di progetto, scatta un alert. A quel punto si valuta se bastano dati aggiuntivi per il re-training o se le condizioni operative sono cambiate strutturalmente.
Il riconoscimento facciale è compatibile con il GDPR?
Il dato biometrico è una categoria speciale ai sensi dell'art. 9 GDPR e richiede base giuridica esplicita (consenso o legittimo interesse documentato), DPIA obbligatoria e misure tecniche di minimizzazione. Lavoriamo esclusivamente su use case con questi presupposti verificati. Per il retail, di norma orientamo verso soluzioni di analisi aggregata anonimizzata che evitano il trattamento biometrico.
Hai bisogno di supporto tecnico?
Siamo pronti ad intervenire.
Compila il form o scrivici nella chat: ti risponderemo entro 24 ore lavorative.