Автоматизация контроля качества и количества икры осетровых рыб остаётся приоритетной задачей современных рыбоводных хозяйств. Традиционные методы учёта – объёмный, весовой и метод фон Бэра – предполагают ручной пересчёт икринок и требуют значительных трудозатрат, подвержены субъективным ошибкам оператора и не позволяют оперативно оценивать морфометрию каждой икринки. Попытки заменить человека компьютерным зрением основаны либо на классической обработке изображений (выделение суммарной площади икры с последующим делением на усреднённую площадь одной икринки), либо на одно-задачных детекторах (Fast R-CNN, YOLOv5) для подсчёта центров объектов. При плотном расположении и взаимном перекрытии яиц такие подходы теряют точность: сложно отделить соседние икринки, измерить их размеры и отфильтровать ложные срабатывания. Многозадачное обучение (multitask learning, MTL) доказало эффективность в смежных задачах – от подсчёта пчёл до подсчёта клеток на микроскопических снимках – благодаря совместному извлечению общих признаков и одновременному решению взаимосвязанных подзадач. Настоящая работа посвящена разработке единой нейронной сети, которая параллельно: • определяет координаты центров икринок и их количество, • регрессирует диаметр каждой икринки, • сегментирует форму каждой икринки на уровне пикселей