зон магазина (алкоголь, молочка, мёд и др.) с остановками и непрерывным движением; результатом должен был стать CSV-файл с полями: название товара, цены, штрихкод, SKU, дата печати, зона выкладки, координаты, timestamp и данные из QR-кода. Ограничения — только локальные open-source модели, без внешних онлайн-сервисов и облачных API, приветствовалась оптимизация под rknn int8. Метрика оценки: доля ценников, распознанных с точностью не ниже 80%. Первый тур показал, что проблема — не только в детекции, но и в корректном считывании и структурировании данных. Успешные решения использовали каскадный пайплайн: трекинг и выбор лучшего кадра (лучшая резкость, крупность, фронтальность), детекцию (чаще всего YOLO/Ultralytics), ректификацию и суперрезолюцию (SR), зональный OCR (PaddleOCR, EasyOCR, Tesseract) с проверкой полей через регулярные выражения и бизнес-правила, а также восстановление данных из QR/штрихкодов и каталога с fuzzy-matching. В финале среднее качество выросло на 4,47 п. п., максимальные приросты — +21,27 и +19,48 п. п. за счёт трекинга, best-frame scoring, QR-восстановления, каталогового поиска, sanity-checks и Docker-упаковки. Лучшей оказалась каскадная архитектура, а не одна модель. Стеки, показавшие результат: YOLO/Ultralytics, OpenCV, PaddleOCR, EasyOCR, Tesseract, QR/штрихкоды, каталог/SKU/fuzzy-поиск, трекинг и best-frame selection. Не сработал подход «найдём ценник, а дальше как-нибудь» — без учёта структуры ценника и повторных кадров.