Computer Vision: Як українські військові перетворюють візуальні дані на ефективні бойові операції
Один із ключових інструментів сучасної війни
Український фронт сьогодні перевантажений відео. Тисячі дронів щодня передають картинку операторам, і людське око фізично не встигає обробити весь цей потік — особливо коли ворог ховається під маскувальними сітками або в лісосмузі. До цього додається друга проблема — радіоелектронна боротьба, яка рве канал зв'язку саме на найважливішій, фінальній ділянці польоту дрона до цілі.
Computer vision розв’язує обидві проблеми одночасно: дрон вчиться бачити ціль і сам, без постійної команди оператора, доводити атаку навіть тоді, коли зв'язок втрачено. Звісно, річ це експериментальна і не йде на фронт партіями. Але чим більше часу проходить — тим більше зрушень у розробці ми бачимо (а тих, що не можна бачити, — ще більше).
Як Computer Vision працює технічно
За більшістю систем комп'ютерного зору стоїть класична схема — pipeline детекції об'єктів. Камера передає кадр на обчислювач, нейромережа типу YOLO (You Only Look Once) чи подібна архітектура за один прохід визначає на кадрі рамки навколо об'єктів та присвоює їм клас — разом з рівнем впевненості.
Далі алгоритм трекінгу (на основі оптичного потоку або фільтра Калмана) утримує об'єкт у кадрі між кадрами, навіть якщо він на мить зникає за перешкодою.
Ключове технічне обмеження — це edge inference. Вся обробка має відбуватися на невеликому бортовому чипі, без хмари й стабільного інтернету, за частки секунди й з мінімальним енергоспоживанням. Це змушує стискати моделі — квантизувати, обрізати шари.
Якість датасету не менш важлива за архітектуру. Модель, натреновану розпізнавати об'єкт на чіткому знімку при денному світлі, легко обдурити туманом, дощем, нетиповим ракурсом або частковим перекриттям. Тому такі системи постійно доозброюють новими розміченими кадрами з реальних умов. Це ітеративний процес, а не одноразове тренування.
Як цього вчитися?
Логічний шлях навчання виглядає якось так:
- Основи — Python + OpenCV — базові операції з зображенням (фільтрація, контури, оптичний потік).
- Deep learning для CV — PyTorch або TensorFlow.
- Детекція об'єктів на практиці — тренування власної моделі YOLO на платформі Roboflow чи Ultralytics.
- Edge-деплой — досвід з NVIDIA Jetson чи подібними платформами. Це відрізняє модель, яка працює в ноутбуці, від моделі, що працює на реальному пристрої в польових умовах.
- Публічні датасети — Kaggle, Roboflow Universe — гарний старт для практики розмітки й тренування.
Computer vision — це прикладна дисципліна. Теорія, звісно, важлива, але без практики розмітки даних і деплою на реальне залізо результату не буде. А навчитися всього цього можна разом із нами.
На що CV здатен у війську
Термінальне наведення FPV-дронів
Найгарячіший напрямок застосування CV на фронті — це не розвідка, а сам момент удару. Українська компанія The Fourth Law (заснована програмістом Ярославом Ажнюком) розробила модуль TFL-1, який дає FPV-дрону змогу автономно навестися на ціль на останніх 400–500 метрах польоту. Саме там, де оператор найчастіше втрачає зв'язок через рельєф або щільний РЕБ.
Модуль має кілька режимів роботи: зелений трекер для ручного супроводу цілі, червоний — коли наведення повністю бере на себе ШІ, і синій — другий рівень нейромережі, що вже самостійно супроводжує рухому техніку.
У 2025 році один із найбільших виробників FPV-дронів в Україні, Vyriy, разом із The Fourth Law розпочав масове виробництво дронів з вбудованим TFL-1.
У вироби Vyriy також додають іншу систему донаведення — VGI-9, яка захоплює ціль з дистанції 100–400 метрів, залежно від контрасту й розміру об'єкта. Тут одразу видно й межі технології: система найкраще працює по нерухомих цілях або тих, що віддаляються.
Розвідувально-ударні комплекси: коли CV шукає ціль
Якщо TFL-1 і VGI-9 розв’язують задачу останніх метрів польоту, то Saker Scout — це про весь ланцюг «знайти — розпізнати — вказати».
Комплекс складається з флагманського дрона-розвідника і кількох FPV-камікадзе, які він координує. Флагман за допомогою оптичної або тепловізійної камери самостійно розпізнає обриси техніки — навіть замаскованої під сітками чи рослинністю.
Показово, що технологію Saker спершу створювали не для війни, а для агросектора — комп'ютерний зір для безпілотних систем захисту врожаю. Після 2022 року її переробили під розпізнавання військової техніки.
CV для перехоплювачів
Комп'ютерний зір на фронті працює і в протилежному напрямку — не для ураження, а для перехоплення ворожих дронів. Українські розробники створили камеру з автонаведенням для дронів-перехоплювачів, яка автономно виявляє ціль на тепловізійній картинці, аналізуючи рух об'єкта і його тепловізійну сигнатуру за допомогою АІ-алгоритмів.
Тут задача складніша, ніж наведення ударного FPV на нерухому техніку: перехоплювач мусить наздогнати швидкісну ціль, а не просто підлетіти до нерухомого об'єкта. За словами розробників, саме тому тут донаведення вимагає точніших алгоритмів контролю самого літального апарату. Систему автоматичного наведення на ціль поки що продовжують доопрацьовувати.
Наземні роботизовані комплекси (НРК)
CV використовуються і на землі. Наземні роботизовані комплекси активно переймають задачі, де раніше ризикувала жива піхота, і CV тут відповідає за орієнтування на місцевості й розпізнавання об'єктів. Як пишуть у виданнях, наразі 47% усіх місій НРК — це логістика та евакуація, а близько 25% — інженерні задачі.
Сучасна платформа може слідувати за групою піхоти на марші, самостійно об'їжджаючи перешкоди на місцевості. Оператор задає лише кінцеву точку або маршрут, а далі машина орієнтується за допомогою комп'ютерного зору і датчиків. Це знімає з бійців фізичне навантаження на ділянках, де перенесення вантажів пішки стає дедалі небезпечнішим.
Є також приклади бойового застосування CV на землі. Українська компанія DevDroid розробила стаціонарні роботизовані турелі з кулеметом, оснащені системою комп'ютерного зору. Така турель автоматично виявляє та супроводжує ціль (наприклад, піхотинця противника) на відстані до 800 метрів.
Джерело: Мілітарний
