Meridian Blur 1
модель для автоматического блюра лиц и номеров авто
2 min readupdated
Модель от компании Ordnary находит лица людей и автомобильные номера на фото и видео, чтобы сразу размывать их перед публикацией или сохранением. В основе лежит архитектура RF-DETR Small (лёгкий трансформер для детекции объектов), дообученная на 30 158 снимках из Open Images V7. В отличие от классической связки YuNet + YOLOv9-t, новинка в три раза реже пропускает объекты в кадре — общий процент незаблюренных целей (leak rate) снижен до 4,6% против 15%. Подойдёт разработчикам сервисов с пользовательским контентом, систем для видеорегистраторов и всем, кому нужно соблюдать требования приватности вроде GDPR.
Ключевые особенности
- Разбивает крупные кадры на тайлы (фрагменты по 960 пикселей), благодаря чему уверенно находит даже мелкие лица и номера на дальнем плане.
- В готовом скрипте
inference.pyавтоматически расширяет рамку размытия (на 35% для лиц и 12% для номеров), чтобы скрыть волосы, уши и контур челюсти, а на видео удерживает блюр пару кадров после потери объекта. - Поставляется в форматах ONNX (fp32 и квантованная версия int8) и safetensors, работает через ONNX Runtime как на GPU, так и на обычном процессоре.
- Выпущена под свободной лицензией Apache 2.0 (и веса, и код) — можно спокойно встраивать в коммерческие проекты.
Что можно сделать
- Автоматически замазывать номера машин и лица прохожих в записях с видеорегистраторов и уличных камер перед выгрузкой в сеть.
- Встроить предварительную анонимизацию загружаемых пользователями фотографий в пайплайн веб-сервиса или мобильного приложения для соблюдения законов о защите данных.
- Очистить собственные датасеты с уличными сценами от персональных данных перед передачей на разметку или обучение других нейросетей.
Пример
from huggingface_hub import snapshot_download
import sys, cv2
path = snapshot_download("ordnaryai/meridian-blur")
sys.path.insert(0, path)
from inference import MeridianBlur
model = MeridianBlur(path)
image = cv2.imread("street.jpg")
boxes = model.detect(image)
cv2.imwrite("street-blurred.jpg", model.blur(image, boxes))
Подробнее
Метрики на тесте Open Images V7 (14 431 фото): общий leak rate — 4,6% (4,8% у int8) против 15,0% у YuNet + YOLOv9-t; точность mAP50 — 0.903 для лиц и 0.857 для номеров.Скорость на CPU (4 ядра, ONNX Runtime) для фото шириной 1280 px: 895 мс с тайлингом, 519 мс в int8 с тайлингом и 189 мс в int8 без тайлинга.
Ограничения: мелкие номера (меньше 32 px) всё ещё пропускаются в 44,8% случаев; тайлинг замедляет работу на CPU, для скорости лучше брать версию int8 или флаг
--no-tiles.Обучение: 20 эпох на одной NVIDIA H100 за 90 минут; авторы запрещают использовать модель для слежки, распознавания личности и профилирования.










Comments