Çfarë është Vizioni Kompjuterik në IA?

Nëse ndonjëherë e keni zhbllokuar telefonin me fytyrën tuaj, keni skanuar një faturë ose keni shikuar një kamerë automatike duke menduar nëse po gjykon avokadon tuaj, atëherë keni hasur në vizionin kompjuterik. Thënë thjesht, Vizioni Kompjuterik në IA është mënyra se si makinat mësojnë të shohin dhe kuptojnë imazhet dhe videot mjaftueshëm mirë për të marrë vendime. I dobishëm? Absolutisht. Ndonjëherë i habitshëm? Gjithashtu po. Dhe herë pas here paksa i frikshëm nëse jemi të sinqertë. Në rastin më të mirë, ai i kthen pikselët e çrregullt në veprime praktike. Në rastin më të keq, ai hamendëson dhe lëkundet. Le të gërmojmë - siç duhet.

Artikuj që mund t'ju pëlqejnë të lexoni pas këtij:

🔗 Çfarë është paragjykimi i IA-së?
Si formohet paragjykimi në sistemet e IA-së dhe mënyrat për ta zbuluar dhe zvogëluar atë.

🔗 Çfarë është IA parashikuese?
Si i përdor IA parashikuese të dhënat për të parashikuar trendet dhe rezultatet.

🔗 Çfarë është një trajner i IA-së?
Përgjegjësitë, aftësitë dhe mjetet e përdorura nga profesionistët që trajnojnë IA-në.

🔗 Çfarë është Google Vertex AI?
Përmbledhje e platformës së unifikuar të IA-së të Google për ndërtimin dhe vendosjen e modeleve.

Çfarë është saktësisht Shikimi Kompjuterik në IA? 📸

Vizioni Kompjuterik në IA është dega e inteligjencës artificiale që u mëson kompjuterëve të interpretojnë dhe arsyetojnë rreth të dhënave vizuale. Është rrjedha nga pikselët e papërpunuar në kuptimin e strukturuar: "kjo është një shenjë ndalimi", "ata janë këmbësorë", "bashkimi është i dëmtuar", "totali i faturës është këtu". Ai mbulon detyra si klasifikimi, zbulimi, segmentimi, gjurmimi, vlerësimi i thellësisë, OCR dhe më shumë - të qepura së bashku nga modelet e të mësuarit të modeleve. Fusha formale përfshin gjeometrinë klasike deri te të mësuarit e thellë modern, me manuale praktike që mund t'i kopjoni dhe përshtatni. [1]

Anekdotë e shkurtër: imagjinoni një linjë paketimi me një kamerë modeste 720p. Një detektor i lehtë dallon kapakët dhe një gjurmues i thjeshtë konfirmon se ato janë të rreshtuara për pesë kuadro të njëpasnjëshme përpara se të japë dritën jeshile për shishen. Jo shumë e shtrenjtë, por e lirë, e shpejtë dhe zvogëlon ripërpunimin.

Çfarë e bën të dobishëm Vizionin Kompjuterik në IA? ✅

• Fluksi i sinjalit në veprim : Të dhënat vizuale bëhen të dhëna dalëse të zbatueshme. Më pak panel kontrolli, më shumë vendimmarrje.

• Përgjithësim : Me të dhënat e duhura, një model trajton një larmi të madhe imazhesh. Jo në mënyrë të përsosur - ndonjëherë çuditërisht mirë.

• Shfrytëzimi i të dhënave : Kamerat janë të lira dhe kudo. Vizioni e shndërron atë oqean pikselësh në njohuri.

• Shpejtësia : Modelet mund të përpunojnë korniza në kohë reale në harduer modest - ose pothuajse në kohë reale, varësisht nga detyra dhe rezolucioni.

• Kompozueshmëria : Lidhni hapa të thjeshtë në sisteme të besueshme: zbulimi → gjurmimi → kontrolli i cilësisë.

• Ekosistemi : Mjete, modele të para-trajnuara, standarde dhe mbështetje nga komuniteti - një pazar i gjerë kodi.

Le të jemi të sinqertë, sekreti nuk është sekret: të dhëna të mira, vlerësim i disiplinuar, vendosje e kujdesshme. Pjesa tjetër është praktikë... dhe ndoshta kafe. ☕

Si Vizioni Kompjuterik në IA , në një kanal të vetëm të shëndoshë 🧪

1. Marrja e imazheve
   me kamera, skanerë, dronë, telefona. Zgjidhni me kujdes llojin e sensorit, ekspozimin, lentet dhe shpejtësinë e kuadrove. Mbeturinat brenda, etj.

2. Parapërpunimi
   Ndryshoni madhësinë, prisni, normalizoni, hiqni turbullimin ose hiqni zhurmën nëse është e nevojshme. Ndonjëherë një ndryshim i vogël i kontrastit lëviz malet. [4]

3. Etiketa dhe grupe të dhënash
   Kuti kufizuese, poligone, pika kyçe, hapësira teksti. Etiketa të balancuara dhe përfaqësuese - ose modeli juaj mëson zakone të pabarabarta.

4. Modelim

   • Klasifikimi : “Cila kategori?”

   • Zbulimi : "Ku janë objektet?"

   • Segmentimi : "Cilat piksel i përkasin cilës gjëje?"

   • Pikat kryesore dhe poza : "Ku janë nyjet ose pikat e referimit?"

   • OCR : "Çfarë teksti ka në imazh?"

   • Thellësia dhe 3D : “Sa larg është gjithçka?”
     Arkitekturat ndryshojnë, por dominojnë rrjetat konvolucionale dhe modelet në stilin e transformatorit. [1]

5. Stërvitje.
   Ndarja e të dhënave, akordimi i hiperparametrave, rregullimi, rritja. Ndalimi i hershëm përpara se të mësoni përmendësh sfondin.

6. Vlerësimi
   Përdorni metrika të përshtatshme për detyrën si mAP, IoU, F1, CER/WER për OCR. Mos zgjidhni me kujdes. Krahasoni në mënyrë të drejtë. [3]

7. Vendosja
   Optimizoni për objektivin: punë grumbullimi në cloud, nxjerrja e përfundimeve në pajisje, serverat në skaj. Monitoroni zhvendosjen. Ritrajnohuni kur bota ndryshon.

Rrjetet e thella katalizuan një kërcim cilësor pasi grupe të mëdha të dhënash dhe llogaritjesh arritën masën kritike. Standarde si sfida ImageNet e bënë këtë përparim të dukshëm - dhe të pandërprerë. [2]

Detyrat kryesore që do t'i përdorni në të vërtetë (dhe kur) 🧩

• Klasifikimi i imazhit : Një etiketë për imazh. Përdoret për filtra të shpejtë, triazh ose porta cilësie.

• Zbulimi i objekteve : Kuti rreth gjërave. Parandalimi i humbjeve në shitje me pakicë, zbulimi i automjeteve, numërimi i kafshëve të egra.

• Segmentimi i instancës : Silueta me saktësi pikselësh për objekt. Defekte prodhimi, mjete kirurgjikale, agroteknologji.

• Segmentimi semantik : Klasa për piksel pa ndarë instancat. Skena rrugore urbane, mbulesa e tokës.

• Zbulimi dhe poza e pikave kyçe : Kyçe, pika referimi, tipare të fytyrës. Analitika sportive, ergonomia, AR.

• Gjurmimi : Ndiq objektet me kalimin e kohës. Logjistika, trafiku, siguria.

• OCR dhe AI ​​i dokumenteve : Nxjerrja e tekstit dhe analizimi i paraqitjes. Fatura, dëftesa, formularë.

• Thellësia dhe 3D : Rindërtimi nga pamje të shumëfishta ose sinjale monokulare. Robotikë, AR, hartografi.

• Titra vizuale : Përmbledhni skenat në gjuhë natyrore. Aksesueshmëri, kërkim.

• Modelet vizion-gjuhë : Arsyetimi multimodal, vizioni i shtuar me rikthim, sigurimi i cilësisë së bazuar.

Atmosferë e vogël: në dyqane, një detektor sinjalizon mungesën e sipërfaqeve të rafteve; një gjurmues parandalon numërimin e dyfishtë ndërsa stafi rimbush stokun; një rregull i thjeshtë i drejton kornizat me besim të ulët në shqyrtim njerëzor. Është një orkestër e vogël që kryesisht qëndron në harmoni.

Tabela krahasuese: mjete për dërgesë më të shpejtë 🧰

Paksa e çuditshme me qëllim. Po, hapësira është e çuditshme - e di.

Çfarë e nxit cilësinë në Shikimin Kompjuterik në IA 🔧

• Mbulimi i të dhënave : Ndryshimet e ndriçimit, këndet, sfondet, rastet e skajeve. Nëse mund të ndodhë, përfshijeni.

• Cilësia e etiketës : Kutitë e paqëndrueshme ose poligonet e pakujdesshme sabotojnë mAP-in. Pak kontroll i cilësisë bën shumë për të.

• Shtesa inteligjente : Prit, rrotullo, ndryshon shkëlqimin, shton zhurmë sintetike. Ji realist, jo kaos i rastësishëm.

• Përshtatja e përzgjedhjes së modelit : Përdorni zbulimin aty ku nevojitet zbulimi - mos e detyroni një klasifikues të hamendësojë vendndodhjet.

• Metrika që përputhen me ndikimin : Nëse rezultatet negative të rreme dëmtojnë më shumë, optimizoni kujtesën. Nëse pozitivet e rreme dëmtojnë më shumë, saktësia është e para.

• Cikli i ngushtë i reagimeve : Regjistrimi i dështimeve, rietiketimi, rikualifikimi. Shpëlajeni, përsëriteni. Paksa i mërzitshëm - jashtëzakonisht efektiv.

Për zbulimin/segmentimin, standardi i komunitetit është Preciziteti Average i mesatarizuar në të gjithë pragjet e IoU-së - i njohur edhe si mAP në stilin COCO . Njohja e mënyrës se si llogariten IoU dhe AP@{0.5:0.95} i pengon pretendimet në tabelën e renditjes t'ju verbojnë me numra dhjetorë. [3]

Raste përdorimi në botën reale që nuk janë hipotetike 🌍

• Shitje me pakicë : Analiza e rafteve, parandalimi i humbjeve, monitorimi i radhëve, përputhshmëria me planogramin.

• Prodhimi : Zbulimi i defekteve sipërfaqësore, verifikimi i montimit, udhëzimi nga roboti.

• Kujdesi shëndetësor : Triazh radiologjik, zbulim me instrumente, segmentim qelizor.

• Lëvizshmëria : ADAS, kamera trafiku, zënia e vendeve të parkimit, gjurmimi i mikrolëvizshmërisë.

• Bujqësia : Numërimi i të korrave, zbulimi i sëmundjeve, gatishmëria për korrje.

• Sigurime dhe Financa : Vlerësim dëmesh, kontrolle KYC, flag-e mashtrimi.

• Ndërtim dhe Energji : Pajtueshmëri me sigurinë, zbulim i rrjedhjeve, monitorim i korrozionit.

• Përmbajtja dhe Aksesueshmëria : Titra automatike, moderim, kërkim vizual.

Model që do ta vini re: zëvendësoni skanimin manual me triazh automatik, pastaj përshkallëzoni te njerëzit kur besimi bie. Jo joshës - por shkallëzohet.

Të dhënat, etiketat dhe metrikat që kanë rëndësi 📊

• Klasifikimi : Saktësia, F1 për çekuilibrin.

• Zbulimi : mAP përgjatë pragjeve të IoU; inspektoni AP për klasë dhe kova të madhësisë. [3]

• Segmentimi : mIoU, Dice; kontrolloni edhe gabimet në nivel instancë.

• Gjurmimi : MOTA, IDF1; cilësia e riidentifikimit është heroi i heshtur.

• OCR : Shkalla e Gabimeve të Karaktereve (CER) dhe Shkalla e Gabimeve të Fjalëve (WER); dështimet e paraqitjes shpesh dominojnë.

• Detyrat e regresionit : Thellësia ose poza përdorin gabime absolute/relative (shpesh në shkallë logaritmike).

Dokumentoni protokollin tuaj të vlerësimit në mënyrë që të tjerët ta përsërisin atë. Nuk është aspak seksi, por ju mban të ndershëm.

Ndërto kundrejt blerjes - dhe ku ta përdorësh 🏗️

• Cloud : Më e lehtë për t’u nisur, e shkëlqyer për ngarkesa pune në grup. Kushtojini vëmendje kostove dalëse.

• Pajisjet Edge : Latenci më e ulët dhe privatësi më e mirë. Do t'ju interesojnë kuantizimi, shkurtimi dhe përshpejtuesit.

• Në pajisjen celulare : I mrekullueshëm kur përshtatet. Optimizoni modelet dhe shikoni baterinë.

• Hibrid : Para-filtër në skaj, ngarkesë e rëndë në re. Një kompromis i mirë.

Një grumbull i besueshëm dhe i mërzitshëm: prototip me PyTorch, trajnim i një detektori standard, eksportim në ONNX, përshpejtim me OpenVINO/ONNX Runtime dhe përdorim i OpenCV për parapërpunim dhe gjeometri (kalibrim, homografi, morfologji). [4]

Rreziqet, etika dhe pjesët e vështira për t'u folur ⚖️

Sistemet e shikimit mund të trashëgojnë paragjykime të të dhënave ose pika të verbëra operacionale. Vlerësimet e pavarura (p.sh., NIST FRVT) kanë matur ndryshimet demografike në shkallët e gabimeve të njohjes së fytyrës në të gjitha algoritmet dhe kushtet. Kjo nuk është një arsye për panik, por është një arsye për të testuar me kujdes, për të dokumentuar kufizimet dhe për të monitoruar vazhdimisht në prodhim. Nëse vendosni raste përdorimi që lidhen me identitetin ose sigurinë, përfshini mekanizmat e rishikimit dhe apelimit njerëzor. Privatësia, pëlqimi dhe transparenca nuk janë shtesa opsionale. [5]

Një udhërrëfyes i shpejtë që mund ta ndiqni 🗺️

1. Përcaktoni vendimin
   Çfarë veprimi duhet të ndërmarrë sistemi pasi të shohë një imazh? Kjo ju pengon të optimizoni metrikat e kota.

2. Mbledh një grup të dhënash të shkurtra.
   Fillo me disa qindra imazhe që pasqyrojnë mjedisin tënd real. Etiketo me kujdes - edhe nëse je ti dhe tre shënime ngjitëse.

3. Zgjidhni një model bazë.
   Zgjidhni një shtyllë kurrizore të thjeshtë me pesha të parapërgatitura. Mos u përpiqni ende të ndiqni arkitekturat ekzotike. [1]

4. Trajnoni, regjistroni, vlerësoni
   metrikat, pikat e konfuzionit dhe mënyrat e dështimit. Mbani një fletore të "rasteve të çuditshme" - borë, shkëlqim verbues, reflektime, shkronja të çuditshme.

5. Shtrëngoni lakun.
   Shtoni negativa të forta, rregulloni zhvendosjen e etiketës, rregulloni shtesat dhe riakordoni pragjet. Ndryshime të vogla shtohen. [3]

6. Vendos një version të hollë.
   Kuantizo dhe eksporto. Mat vonesën/përdorimin e të dhënave në mjedisin real, jo në një pikë referimi lodër.

7. Monitoroni dhe përsëritni.
   Mbledhni gabimet, rietiketoni, ritrajnoni. Planifikoni vlerësime periodike në mënyrë që modeli juaj të mos fosilizohet.

Këshillë profesionale: shënoni një grup të vogël të kundërshtarëve nga shoku juaj më cinik i ekipit. Nëse ata nuk mund të hapin vrima në të, ndoshta jeni gati.

Gabime të zakonshme që duhet t'i shmangni 🧨

• Trajnim për imazhe të pastra në studio, duke u vendosur në botën reale me shiun në lente.

• Optimizimi për mAP të përgjithshëm kur ju intereson vërtet një klasë kritike. [3]

• Duke injoruar çekuilibrin e klasave dhe pastaj duke u pyetur pse zhduken ngjarjet e rralla.

• Mbi-shtimi derisa modeli të mësojë artefakte artificiale.

• Duke anashkaluar kalibrimin e kamerës dhe më pas duke luftuar gabimet e perspektivës përgjithmonë. [4]

• Duke besuar numrat e tabelës së renditjes pa përsëritur konfigurimin e saktë të vlerësimit. [2][3]

Burime që ia vlen t'i ruani në faqeshënues 🔗

Nëse ju pëlqejnë materialet parësore dhe shënimet e kursit, këto janë të shkëlqyera për bazat, praktikën dhe pikat e referimit. Shihni e Referencave për lidhje: shënimet e CS231n, dokumentin sfidues të ImageNet, dokumentet e vlerësimit/të të dhënave COCO, dokumentet e OpenCV dhe raportet e NIST FRVT. [1][2][3][4][5]

Vërejtje përfundimtare - ose "Shumë e gjatë, nuk e lexova" 🍃

Vizioni Kompjuterik në IA i shndërron pikselët në vendime. Ai shkëlqen kur çiftëzon detyrën e duhur me të dhënat e duhura, mat gjërat e duhura dhe përsërit me disiplinë të pazakontë. Mjetet janë bujare, standardet janë publike dhe rruga nga prototipi në prodhim është çuditërisht e shkurtër nëse përqendrohesh në vendimin përfundimtar. Rregullo etiketat e tua, zgjidh metrika që përputhen me ndikimin dhe lëri modelet të bëjnë punën e rëndë. Dhe nëse një metaforë ndihmon - mendo për të sikur të mësosh një praktikant shumë të shpejtë, por të drejtpërdrejtë, të dallojë atë që ka rëndësi. Ti tregon shembuj, korrigjon gabimet dhe gradualisht i beson asaj punë të vërtetë. Jo perfekte, por mjaftueshëm afër për të qenë transformuese. 🌟

Referencat

1. CS231n: Mësim i Thellë për Shikimin Kompjuterik (shënime kursi) - Universiteti Stanford.
   lexoni më shumë

2. Sfida e Njohjes Vizuale në Shkallë të Madhe të ImageNet (punim) - Russakovsky et al.
   lexoni më shumë

3. i të dhënave dhe vlerësimi i COCO - Faqja zyrtare (përkufizimet e detyrave dhe konventat mAP/IoU).
   lexoni më shumë

4. Dokumentacioni i OpenCV (v4.x) - Modulet për parapërpunim, kalibrim, morfologji, etj.
   lexoni më shumë

5. NIST FRVT Pjesa 3: Efektet Demografike (NISTIR 8280) - Vlerësim i pavarur i saktësisë së njohjes së fytyrës në të gjitha demografitë.
   lexoni më shumë

Gjeni IA-në më të fundit në Dyqanin Zyrtar të Asistentëve të IA-së

Rreth Nesh