Модель TAPe+ML v3, представленная в статье на arXiv, объединяет классификацию, детекцию и сегментацию объектов при объеме менее 100 000 параметров. Решение достигает 88,1% Top-1 на ImageNet-1k и 65,3 mAP50–95 в детекции COCO, превосходя по ряду метрик крупные модели вроде YOLO и RF-DETR.
В задачах индексации видео TAPe+ML обрабатывает один час записи за 10–11 секунд, создавая индекс размером менее 1 МБ. Для сравнения, DINOv2 индексирует тот же объем данных около 5 220 секунд, а HOG требует до 1,7 ГБ дискового пространства для хранения индекса.
Архитектура оптимизирована для edge-вычислений: полный цикл обработки кадра занимает около 12 мс. Исполняемый пакет со всеми библиотеками весит около 10 МБ, а пиковое потребление оперативной памяти при обработке составляет около 20 МБ, что позволяет развертывать систему на локальных серверах и камерах.
В промышленном пилоте по распознаванию засорений руды на конвейере TAPe+ML показала точность 65% на выборке из 30 изображений против 28% у YOLO26s. При увеличении обучающей выборки до 500 изображений точность модели возрастает до 85,7–96%.
Система поддерживает режим автоаннотации, позволяющий сократить ручную разметку данных. Пользователи могут обучать модель на небольшом стартовом наборе, после чего система предлагает детекции для неразмеченных данных, которые эксперт корректирует в процессе итеративного обучения.
