Модуль p.10 · Урок 3
Урок 3: Как выбрать CV-систему — Cognex vs Keyence vs Landing AI vs Малленом vs open-source
Содержание
- Чему вы научитесь
- Что сравнивать в первую очередь
- Матрица сравнения: что реально есть на рынке
- Как понимать международных игроков
- Cognex
- Keyence
- Landing AI
- Covariant — не путать с системой ОТК
- Когда российский продукт лучше международного референса
- 10 вопросов к вендору на демо
- Красные флаги
- Какой путь выбирать на практике
Чему вы научитесь
- Отличать готовую industrial CV-систему от красивого демо на ноутбуке и не путать продукт для ОТК с robot foundation model
- Сравнивать Cognex, Keyence, Landing AI, российские решения и open-source стек по одному управленческому шаблону
- Понимать, какие критерии реально важны для ОТК: качество на вашем датасете, lead time, deployment model, стоимость владения и локальная поддержка
- Проводить демо так, чтобы по встрече увидеть зрелость вендора, а не только удачную презентацию
- Рано замечать красные флаги: SaaS без on-prem, скрытая лицензионная мина, отсутствие SLA и «магическая точность» без публичной методики
В CV-закупке почти всегда ломаются на двух местах. Сначала команда влюбляется в демо: камера, дефект обведён, dashboard красивый. Потом выясняется, что в реальной линии другая подсветка, другой металл, другой блик, другой угол, другие царапины и другой SLA по ложным срабатываниям. Вторая ошибка — покупать не систему ОТК, а набор обещаний про «AI, который научится сам».
Поэтому для ОТК надо смотреть не на бренд, а на пять вещей:
- качество на вашем датасете;
- lead time до production;
- вариант развёртывания — cloud, on-prem, edge;
- полный TCO, а не только цену камеры или лицензии;
- санкционную и сервисную доступность в РФ.
Что сравнивать в первую очередь
| Критерий | Почему важен для ОТК | Что обычно скрывает sales-команда |
|---|---|---|
| Точность на вашем материале | MVTec и красивые demo-dataset не равны вашим бликам, грязи, смещению камеры и редким дефектам | Показывают результат на идеальном наборе и не раскрывают leakage или условия отбора |
| Ложные срабатывания | На линии FP часто дороже, чем FN: вы останавливаете оператора и забиваете смену шумом | Уходят от вопроса, кто платит за noise в эксплуатации |
| Время на адаптацию | ОТК живёт не на слайде, а в сроках внедрения и повторной разметки | Обещают «за две недели», но не считают сбор данных, разметку и интеграцию |
| Deployment model | Для РФ и особенно для чувствительных контуров SaaS часто сразу отпадает | На демо всё в облаке, а on-prem у них на самом деле «в roadmap» |
| Локальная поддержка | ОТК ломается на ночной смене, а не в будний день в офисе | Продают глобальный бренд, но у вас нет локального сервиса и склада |
Матрица сравнения: что реально есть на рынке
| Вендор | Модель поставки | Что умеет | Публичный benchmark | Lead time до prod | Минимальный бюджет | РФ-доступ |
|---|---|---|---|---|---|---|
| Cognex VisionPro Deep Learning | On-prem, PC-based, часто вместе с железом Cognex | Defect detection, OCR, assembly verification, готовые industrial workflows | Публичного MVTec AD benchmark в документации нет | Обычно быстрый pilot при наличии поставки железа, но в РФ это осложнено | Точный порог зависит от лицензии runtime и камеры — нужна проверка | Прямые поставки в РФ ограничены |
| Keyence CV-X | On-prem appliance-style | High-speed inspection, measurement, assembly, robotics | Публичного benchmark на MVTec AD нет | Обычно быстрый, если работаете в их железе и экосистеме | Проектная смета, публичного порога нет | Ограниченно доступно через осложнённые каналы поставки |
| LandingLens | Cloud-first SaaS + Docker/VPC/LandingEdge options | No-code / few-image training, visual prompting, быстрый pilot | Публичных чисел на MVTec AD не публикует | Сильный быстрый pilot | Подписка, точный enterprise price не раскрывается | Для белого enterprise-контура РФ не подходит |
| VizorLabs | On-prem + облачная инфраструктура в РФ | Industrial video analytics, HSE, safety, industrial CV | У себя публикует точность 95%+ на safety-сценариях, но не единый открытый QC benchmark (VizorLabs) | Быстро для HSE, дольше для ОТК | Проектная смета | Да |
| Малленом Системс | On-prem + edge | Machine vision, ОТК, traceability, LPR, интеграция с железом | Публичного MVTec benchmark нет | Зависит от конкретной линии и оборудования | Проектная смета | Да |
| Open-source: Detectron2 + Anomalib + Label Studio | Полностью on-prem / edge | Любая кастомная схема под задачу | Benchmark зависит от вашей команды и вашего датасета | Дольше до первого результата, но выше контроль | Обычно самый низкий vendor lock-in; реальная стоимость уходит в команду и интегратора | Да |
Тут важное наблюдение: большинство коммерческих CV-вендоров не публикует честный сопоставимый benchmark на открытом индустриальном датасете. Это не значит, что они плохи. Это значит, что procurement нельзя строить по красивым общим словам «у нас 99% точность». Без методики, датасета и сценария это пустая цифра.
Как понимать международных игроков
Cognex
Cognex — это mainstream industrial machine vision, а не стартап для красивого PoC. Сильная сторона — индустриальная зрелость, железо, ecosystem fit и понятный язык для производства. Слабая — санкционная и сервисная нестабильность для РФ и высокая привязка к собственному стеку.
Если вам нужен эталон того, как выглядит mature CV-платформа для производства, Cognex стоит изучать. Если вам нужен реально закупаемый стек для завода в РФ, Cognex чаще нужен как reference-уровень требований, а не как базовый контракт.
Keyence
Keyence очень силён там, где важны скорость, оптика, controller-style поставка и классический machine vision workflow. Это хороший соперник Cognex в premium-сегменте, особенно в дискретке и высокоскоростной инспекции. Но с точки зрения РФ-закупки ситуация похожая: ограниченные каналы поставки, project risk на сервис и запчасти.
Landing AI
Landing AI полезен как взгляд на fast-training CV: visual prompting, быстрое обучение на небольших наборах, no-code сценарии, удобный pilot. На официальной странице LandingLens заявлено, что AI-проект можно собрать и протестировать за минуты, а для segmentation есть сценарии «as little as just one image» (LandingLens; Landing AI segmentation page). Это удобно для SMB и лабораторных проверок. Но даже с появившимися Docker-, LandingEdge- и VPC-опциями основной путь остаётся cloud-first, поэтому для КИИ и других регулируемых контуров отдельно проверяйте, где хранятся данные и проходит ли решение по требованиям ИБ. Для белого enterprise-контура РФ cloud-SaaS такого типа почти всегда отпадает раньше технической оценки.
Covariant — не путать с системой ОТК
В procurement-разговорах Covariant иногда всплывает рядом с CV-вендорами. Это методическая ошибка. Covariant — это прежде всего robotics foundation model layer, а не классическая QC-система. В августе 2024 Amazon не купил Covariant целиком, а нанял основателей и часть команды и получил non-exclusive license на модели компании (Covariant, 30.08.2024; TechCrunch, 31.08.2024). Если вендор показывает вам Covariant как пример «системы ОТК», он либо путает классы решений, либо сознательно расширяет впечатление от своего стека.
Когда российский продукт лучше международного референса
В российском enterprise-контуре есть три ситуации, когда local vendor почти всегда рациональнее.
- Нужен on-prem и локальный сервис. Для ОТК это частый случай.
- Нужна интеграция с локальным железом, линией, MES и российским ИБ-контуром.
- Нельзя строить процесс на санкционно нестабильной поставке.
В этом месте и появляются Малленом, VizorLabs, Северсталь SOVA/EVE и open-source стек из урока p.9/03.
- Малленом Системс — это не «русский аналог Landing AI», а практический инженерный партнёр под machine vision, ОТК и hardware-heavy внедрение.
- VizorLabs сильнее как HSE / industrial video analytics player, но в части промышленных CV-контуров их полезно держать в голове.
- Open-source выигрывает там, где вам нужен не красивый каталог функций, а полный контроль: лицензия, on-prem, своя модель, свой edge deployment, свой SLA.
10 вопросов к вендору на демо
На каком нашем архиве вы готовы показать pilot? Если только на своём демо-наборе — это не демо, а реклама.
Как вы считаете false positives и false negatives? Если ответа нет, то и качества в production нет.
Какая схема развёртывания доступна: cloud, on-prem, edge? Просите не слова, а архитектурную схему.
Кто делает повторное обучение и как часто? Это ваш TCO на годы вперёд.
- Можно ли экспортировать модель и inference-пайплайн при расторжении договора?
Какие камеры, контроллеры и runtime вы поддерживаете? ОТК часто умирает на железе, а не на нейросети.
- Сколько времени занимает выход в устойчивое качество на новой линии?
- Какой SLA на инциденты и кто дежурит ночью?
Какой юридический режим у модели и кода? Особенно если внутри YOLO или другой стек с ограничениями.
Что будет, если мы захотим полностью уйти на open-source или своего интегратора? Нормальный вендор отвечает спокойно, слабый — начинает нервничать.
Красные флаги
| Красный флаг | Что это обычно значит | Что делать |
|---|---|---|
| «У нас точность 99%, benchmark NDA» | Вам продают цифру без воспроизводимости | Просить pilot на вашем наборе и отдельный расчёт FP/FN |
| «On-prem есть, но позже / по roadmap» | On-prem нет | Не считать в shortlist для regulated контура |
| «Внутри proprietary magic AI» | Vendor lock-in и проблемы с exit | Отдельно прописывать выход и ownership модели в договоре |
| «Нам нужен ваш архив целиком в облако на месяц» | Они не понимают ваш ИБ-контур или не умеют работать иначе | Для чувствительного контура сразу снимать с трека |
| «У нас всё на YOLO, но про лицензию потом» | Юридическая мина | Сразу подключать юриста и сверять open-source слой |
Какой путь выбирать на практике
- Нужен premium reference и вы не в РФ-контуре — смотрите Cognex / Keyence.
- Нужен очень быстрый cloud-pilot без жёсткого regulated-контура — Landing AI как класс может быть ориентиром.
- Нужен рабочий заводской контур в РФ — короткий путь обычно лежит через Малленом, VizorLabs, in-house продукты крупных игроков и open-source stack.
- Нужен минимальный lock-in — сразу открытый стек и жёсткий договор с интегратором.