Сверточная нейросеть (CNN, Convolutional Neural Network) – это архитектура искусственного интеллекта, созданная специально для работы с изображениями и видео. В отличие от простых нейросетей, которые смотрят на каждый пиксель как на отдельную точку, сверточная сеть понимает пространственный контекст: она видит, как соседние пиксели образуют линии, как линии складываются в фигуры, а фигуры – в конкретные объекты.
Главный принцип: если ваша задача связана с компьютерным зрением (распознать лицо, найти брак на заводской детали, прочитать номер машины на парковке), вам по умолчанию нужна сверточная нейросеть.
| Какой вопрос закроем | Что это даст на практике |
| Как архитектура CNN обрабатывает картинку | Поймете, как подготавливать данные, чтобы сеть их «увидела» |
| Для каких задач CNN – лучший выбор | Сможете выбрать правильный тип нейросети для вашего проекта |
| Где использовать CNN – это ошибка | Не сольете бюджет на обучение сети для неподходящих данных |
Как нейросеть "видит" изображение: три главных шага
Чтобы применять CNN, не обязательно знать высшую математику, но нужно понимать логику обработки данных. Сеть пропускает картинку через три типа слоев. Понимание этих слоев помогает правильно настраивать размер изображений и бороться с переобучением.
1. Сверточный слой (Convolution) – поиск признаков
Сеть берет «фильтр» (матрицу небольшого размера, например 3×3 пикселя) и как с лупой проходит им по всему изображению. Фильтр умножает значения пикселей картинки на свои веса. В результате получается новая карта, на которой подсвечены определенные признаки.
- На первых слоях сеть ищет примитивы: вертикальные и горизонтальные линии, углы, перепады контрастности.
- На средних слоях сеть собирает из линий простые формы: круги, овалы, текстуры шерсти.
- На глубоких слоях сеть распознает сложные объекты: глаза, колеса, морду кота.
2. Слой пулинга (Pooling) – сжатие и обобщение
После поиска признаков сеть уменьшает размер картинки, оставляя только самую важную информацию. Самый частый метод – Max Pooling: сеть берет квадрат 2×2 пикселя и оставляет из него только одно максимальное значение.
Практический смысл: Пулинг делает сеть устойчивой к смещениям. Если на исходном фото кот сдвинется на пару пикселей вправо, после пулинга главный признак (например, ухо) все равно останется на своем месте в уменьшенной матрице. Кроме того, это радикально снижает нагрузку на видеокарту при обучении.
3. Полносвязный слой (Fully Connected) – принятие решения
Когда картинка пропущена через множество сверток и пулингов, она превращается в длинный одномерный массив чисел (вектор признаков). Этот вектор передается в обычную нейросеть, которая работает как классификатор: она смотрит на наличие признаков и выдает вероятность. Например: «Усы есть, острые уши есть, текстура шерсти есть – это кот с вероятностью 98%».
Развилки: какую задачу компьютерного зрения вы решаете
В зависимости от того, что вам нужно получить на выходе, архитектура и разметка данных будут отличаться.
- Классификация изображений. Задача: ответить на вопрос «Что на фото?». Сеть выдает одну метку на всю картинку.
Пример: Модерация объявлений на Авито. Сеть смотрит на фото и определяет категорию: «Мебель», «Одежда», «Автозапчасти». - Обнаружение объектов (Object Detection). Задача: найти объекты и обвести их рамкой (Bounding Box).
Пример: Дорожные камеры ЦАФАП. Сеть находит автомобиль в кадре, а затем отдельно находит прямоугольник номерного знака для дальнейшего распознавания текста. - Семантическая сегментация. Задача: определить принадлежность каждого пикселя к определенному классу. Рамок нет, объекты закрашиваются по контуру.
Пример: Медицинские системы для анализа МРТ, где нужно точно выделить границы опухоли, или замена фона в видеозвонках Яндекс Телемоста.
Частые ошибки при работе со сверточными сетями
Даже правильно выбранная архитектура выдаст плохой результат, если допустить ошибки на этапе подготовки данных.
Ошибка 1: Обучение без аугментации данных (Data Augmentation)
В чем ошибка: Вы собрали 5000 фотографий деталей на конвейере, чтобы сеть искала царапины. Все фото сделаны при одинаковом освещении и под одним углом. В рабочей среде лампу немного повернули, появились тени, и точность сети упала с 99% до 40%.
Как избежать: Искусственно расширяйте датасет. Программно поворачивайте картинки, отражайте их по горизонтали, меняйте яркость, контрастность, добавляйте цифровой шум. Сеть должна выучить, что деталь – это деталь, независимо от угла обзора.
Ошибка 2: Игнорирование масштаба объектов
В чем ошибка: В обучающей выборке все собаки занимали 80% кадра. Когда в сеть загрузили фото, где собака стоит вдалеке и занимает 10% кадра, сеть ее не нашла.
Как избежать: Следите, чтобы в обучающем датасете целевые объекты были представлены в разных масштабах. Если это невозможно, используйте архитектуры с пирамидой признаков (например, YOLO или Feature Pyramid Networks).
Ошибка 3: Слишком высокое разрешение на входе
В чем ошибка: Подача в сеть сырых изображений 4K (3840×2160) с камеры телефона. Обучение займет месяцы, а видеопамять (VRAM) мгновенно переполнится.
Как избежать: Перед подачей в сеть изображения всегда уменьшают (ресайзят). Большинство современных сетей работают с размерами вроде 224×224, 416×416 или 640×640 пикселей. Этого достаточно, чтобы сеть нашла нужные признаки.
Ограничения: когда применять CNN не нужно
Сверточные сети отлично ищут локальные паттерны, но они бесполезны или избыточны в следующих сценариях.
| Тип данных | Почему CNN не подходит | Что использовать вместо нее |
| Табличные данные (Excel, базы данных 1С, выгрузки из CRM) | В таблицах столбцы можно менять местами без потери смысла. Нет «пространственного соседства», которое ищет свертка. Возраст клиента никак графически не связан с его зарплатой. | Градиентный бустинг (CatBoost от Яндекса, XGBoost, LightGBM). |
| Последовательный текст (анализ отзывов, генерация статей) | Сверточные сети плохо запоминают длинный контекст (связь первого слова в абзаце с последним). | Архитектуру Transformer (на ней построены YandexGPT, GigaChat). |
| Временные ряды (прогнозирование курсов валют, нагрузки на сервер) | Одномерные CNN иногда применяются для временных рядов, но они не учитывают долгосрочные зависимости так же хорошо, как специализированные модели. | Рекуррентные нейросети (LSTM, GRU) или специализированные статистические модели (ARIMA). |
Коротко о главном
- Если задача связана с картинками или видео – используйте сверточную нейросеть (CNN).
- Свертка находит признаки (углы, формы), пулинг сжимает лишнее, полносвязный слой принимает итоговое решение.
- Для классификации («что на фото?») и детекции («где это на фото?») нужны разные архитектуры и разная разметка.
- Всегда уменьшайте разрешение картинок перед подачей в сеть и используйте аугментацию (повороты, изменения яркости), чтобы сеть не заучивала ракурсы.
- Не используйте CNN для таблиц – для этого есть CatBoost.