Што е компјутерски вид во вештачката интелигенција?

Ако некогаш сте го отклучиле телефонот со лицето, сте скенирале сметка или сте се загледале во камера за самопослужување прашувајќи се дали го оценува вашето авокадо, сте се соочиле со компјутерскиот вид. Едноставно кажано, компјутерскиот вид во вештачката интелигенција е начинот на кој машините учат да гледаат и разбираат слики и видеа доволно добро за да донесуваат одлуки. Корисно? Апсолутно. Понекогаш изненадувачки? Исто така да. И повремено малку морничаво ако сме искрени. Во најдобар случај, ги претвора неуредните пиксели во практични дејства. Во најлош случај, нагаѓа и се ниша. Ајде да се задлабочиме - како што треба.

Статии што можеби ќе ве интересираат по оваа:

🔗 Што е пристрасност на вештачката интелигенција
Како се формира пристрасност во системите со вештачка интелигенција и начини за нејзино откривање и намалување.

🔗 Што е предикативна вештачка интелигенција?
Како предикативната вештачка интелигенција ги користи податоците за да ги предвиди трендовите и резултатите.

🔗 Што е тренер за вештачка интелигенција?
Одговорности, вештини и алатки што ги користат професионалците кои обучуваат вештачка интелигенција.

🔗 Што е Google Vertex AI
Преглед на унифицираната платформа за AI на Google за градење и распоредување модели.

Што е компјутерски вид во вештачката интелигенција, точно? 📸

Компјутерската визија во вештачката интелигенција е гранка на вештачката интелигенција што ги учи компјутерите да толкуваат и да размислуваат за визуелните податоци. Тоа е цевковод од сурови пиксели до структурирано значење: „ова е знак за стоп“, „тоа се пешаци“, „заварувањето е неисправно“, „вкупната фактура е тука“. Опфаќа задачи како класификација, детекција, сегментација, следење, проценка на длабочина, OCR и друго - споени заедно со модели за учење на шеми. Формалното поле опфаќа класична геометрија до модерно длабинско учење, со практични прирачници што можете да ги копирате и прилагодувате. [1]

Кратка анегдота: замислете линија за пакување со скромна камера од 720p. Лесен детектор ги забележува капачињата, а едноставен тракер потврдува дека се порамнети пет последователни слики пред да даде зелено светло за шишето. Не е фенси - но ефтино, брзо и го намалува преработувањето.

Што го прави компјутерскиот вид во вештачката интелигенција корисен? ✅ Што го прави компјутерскиот вид корисен во вештачката интелигенција?

• Тек од сигнал до акција : Визуелниот влез станува излез за дејствување. Помалку контролна табла, повеќе одлуки.

• Генерализација : Со вистинските податоци, еден модел обработува широк спектар на слики. Не совршено - понекогаш шокантно добро.

• Искористување на податоците : Камерите се евтини и се насекаде. Визијата го претвора тој океан од пиксели во увид.

• Брзина : Моделите можат да обработуваат рамки во реално време на скромен хардвер - или речиси реално време, во зависност од задачата и резолуцијата.

• Композиција : Синџир на едноставни чекори во сигурни системи: откривање → следење → контрола на квалитетот.

• Екосистем : Алатки, претходно обучени модели, реперни точки и поддршка од заедницата - еден раскошен пазар на код.

Да бидеме искрени, тајната состојка не е тајна: добри податоци, дисциплинирана евалуација, внимателно распоредување. Останатото е вежбање... и можеби кафе. ☕

Како компјутерскиот вид во вештачката интелигенција , во еден здрав процес 🧪

1. Снимање слики
   Камери, скенери, дронови, телефони. Внимателно изберете го типот на сензор, експозицијата, објективот и фреквенцијата на слики. Вметнување ѓубре итн.

2. Претпроцесирање
   Промена на големината, сечење, нормализација, отстранување на заматеност или намалување на шумот доколку е потребно. Понекогаш мало прилагодување на контрастот поместува планини. [4]

3. Ознаки и множества податоци
   Ограничувачки полиња, полигони, клучни точки, текстуални распони. Балансирани, репрезентативни ознаки - или вашиот модел учи нерамномерни навики.

4. Моделирање

   • Класификација : „Која категорија?“

   • Детекција : „Каде се предметите?“

   • Сегментација : „Кои пиксели на кое нешто припаѓаат?“

   • Клучни точки и пози : „Каде се местата за спојување или обележја?“

   • OCR : „Кој текст е на сликата?“

   • Длабочина и 3Д : „Колку е далеку сè?“
     Архитектурите се разликуваат, но доминираат конволуционите мрежи и моделите во трансформаторски стил. [1]

5. Обука -
   Разделување на податоци, прилагодување на хиперпараметри, регуларизирање, зголемување. Рано запирање пред да ја запомните позадината.

6. Евалуација
   Користете метрики соодветни на задачата како mAP, IoU, F1, CER/WER за OCR. Не бирајте намерно. Споредувајте фер. [3]

7. Распоредување
   Оптимизирање за целта: задачи во облак, инференција на уредот, рабни сервери. Следење на поместување. Преквалификација кога светот ќе се промени.

Длабоките мрежи катализираа квалитативен скок откако големите бази на податоци и пресметките достигнаа критична маса. Реперни точки како предизвикот ImageNet го направија тој напредок видлив - и неуморен. [2]

Основни задачи што всушност ќе ги користите (и кога) 🧩

• Класификација на слики : Една етикета по слика. Користете ја за брзи филтри, тријажа или порти за квалитет.

• Детекција на предмети : Кутии околу предметите. Спречување на загуби во малопродажба, откривање на возила, броење на диви животни.

• Сегментација на инстанца : Силуети со прецизност на пикселите по објект. Производствени дефекти, хируршки алатки, агротехнологија.

• Семантичка сегментација : Класа по пиксел без одвојување на инстанци. Урбани патни сцени, земјишна покривка.

• Детекција на клучни точки и пози : Зглобови, обележја, црти на лицето. Спортска аналитика, ергономија, AR.

• Следење : Следење на објектите со текот на времето. Логистика, сообраќај, безбедност.

• OCR и вештачка интелигенција на документи : Екстракција на текст и парсирање на распоред. Фактури, потврди, обрасци.

• Длабочина и 3D : Реконструкција од повеќекратни погледи или монокуларни знаци. Роботика, AR, мапирање.

• Визуелно објаснување : Резимирајте сцени на природен јазик. Пристапност, пребарување.

• Модели на визуелен јазик : Мултимодално расудување, визија збогатена со пребарување, заземјена контрола на квалитетот.

Мала атмосфера на куќиштето: во продавниците, детекторот ги означува недостасувачките фасади на полиците; тракерот спречува двојно броење додека персоналот се снабдува со залихи; едноставно правило ги насочува рамките со ниска доверба кон човечки преглед. Тоа е мал оркестар кој претежно останува во склад.

Табела за споредба: алатки за побрза испорака 🧰

Малку чудно намерно. Да, растојанието е чудно - знам.

Што го движи квалитетот во компјутерскиот вид во вештачката интелигенција 🔧

• Покриеност на податоци : Промени во осветлувањето, агли, позадини, рабови. Доколку е можно, вклучете го.

• Квалитет на етикетата : Неконзистентните полигони или нечистите полигони го саботираат mAP. Малку проверка на квалитетот е клучна.

• Паметни додатоци : Сечење, ротирање, намалување на осветленоста, додавање синтетички шум. Бидете реалистични, а не случаен хаос.

• Соодветност по избор на модел : Користете детекција таму каде што е потребна детекција - не принудувајте класификатор да погодува локации.

• Метрики што одговараат на влијанието : Ако лажните негативни резултати болат повеќе, оптимизирајте го потсетувањето. Ако лажните позитивни резултати болат повеќе, прво треба да се внимава на прецизноста.

• Тесна повратна јамка : Евидентирање на неуспеси, преетикетирање, преквалификација. Исплакнување, повторување. Малку здодевно - неверојатно ефикасно.

За детекција/сегментација, стандардот на заедницата е Просечна прецизност, просечена низ праговите на IoU - односно mAP во стилот на COCO . Знаењето како се пресметуваат IoU и AP@{0.5:0.95} ги спречува тврдењата на табелата на водачи да ве заслепуваат со децимални броеви. [3]

Случаи на употреба од реалниот свет кои не се хипотетички 🌍

• Малопродажба : Анализа на полиците, спречување на загуби, следење на редови, усогласеност со планограмот.

• Производство : откривање на површински дефекти, верификација на склопување, водење од робот.

• Здравствена заштита : радиолошка тријажа, инструментална детекција, сегментација на клетки.

• Мобилност : ADAS, сообраќајни камери, зафатеност на паркингот, следење на микромобилноста.

• Земјоделство : броење на култури, откривање на болести, подготвеност за жетва.

• Осигурување и финансии : Проценка на штета, KYC проверки, знамиња за измама.

• Градежништво и енергетика : Усогласеност со безбедносните прописи, откривање на протекување, следење на корозија.

• Содржина и пристапност : Автоматски титлови, модерација, визуелно пребарување.

Шема што ќе ја забележите: заменете го рачното скенирање со автоматска тријажа, а потоа ескалирајте на луѓе кога самодовербата ќе се намали. Не е гламурозно - но се зголемува.

Податоци, етикети и метрики што се важни 📊

• Класификација : Точност, F1 за нерамнотежа.

• Детекција : mAP низ праговите на IoU; проверка на AP по класа и кофи со големина. [3]

• Сегментација : mIoU, Dice; проверете ги и грешките на ниво на инстанца.

• Следење : MOTA, IDF1; квалитетот на реидентификација е тивкиот херој.

• OCR : Стапка на грешки при знаци (CER) и Стапка на грешки при зборови (WER); често доминираат грешките во распоредот.

• Регресивни задачи : Длабочината или положбата користат апсолутни/релативни грешки (честопати на логаритамски скали).

Документирајте го вашиот протокол за евалуација за да можат другите да го реплицираат. Не е секси - но ве одржува искрени.

Изградба наспроти купување - и каде да се изврши 🏗️

• Облак : Најлесно за стартување, одлично за групни работни оптоварувања. Внимавајте на излезните трошоци.

• Edge уреди : Помала латенција и подобра приватност. Ќе се грижите за квантизација, намалување и забрзувачи.

• Мобилен на уред : Неверојатно кога одговара. Оптимизирајте ги моделите и внимавајте на батеријата.

• Хибрид : Претходно филтрирање на работ, тешко кревање во облакот. Добар компромис.

Досадно сигурен стек: прототип со PyTorch, обука на стандарден детектор, извоз во ONNX, забрзување со OpenVINO/ONNX Runtime и користење на OpenCV за претходна обработка и геометрија (калибрација, хомографија, морфологија). [4]

Ризици, етика и тешките делови за кои треба да се зборува ⚖️

Визуелните системи можат да наследат пристрасности на множествата податоци или оперативни слепи точки. Независните евалуации (на пр., NIST FRVT) ги измерија демографските разлики во стапките на грешки при препознавање лица низ алгоритмите и условите. Тоа не е причина за паника, но е причина внимателно да се тестира, да се документираат ограничувањата и континуирано да се следи во производството. Ако распоредувате случаи на употреба поврзани со идентитетот или безбедноста, вклучете механизми за човечки преглед и жалби. Приватноста, согласноста и транспарентноста не се опционални додатоци. [5]

Брз патоказ што всушност можете да го следите 🗺️

1. Дефинирајте ја одлуката
   Каква акција треба да преземе системот откако ќе види слика? Ова ве спречува да ги оптимизирате метриките за суета.

2. Соберете збир на податоци од делови.
   Започнете со неколку стотици слики што ја одразуваат вашата реална околина. Внимателно етикетирајте - дури и ако тоа сте вие ​​и три лепливи ливчиња.

3. Изберете основен модел
   Изберете едноставен систем со претходно обучени тежини. Не бркајте егзотични архитектури засега. [1]

4. Обучете, евидентирајте, евалуирајте
   . Следете ги метриките, точките на конфузија и режимите на дефекти. Водете бележник за „чудни случаи“ - снег, отсјај, рефлексии, чудни фонтови.

5. Затегнете ја јамката.
   Додадете тврди негативи, поправете го поместувањето на етикетата, прилагодете ги аугментациите и повторно подесете ги праговите. Мали измени се собираат. [3]

6. Распоредете тенка верзија
   . Квантизирајте и експортирајте. Мерете латентност/проточна моќност во реалната средина, а не во играчка-бенчмарк.

7. Мониторинг и итерација.
   Собирање на грешки во работењето, преетикетирање, преобучување. Закажување периодични евалуации за да не се расипе вашиот модел.

Професионален совет: анотирајте мал сет на застојни елементи од вашиот најциничен соиграч. Ако не можат да направат дупки во него, веројатно сте подготвени.

Чести загатки што ќе сакате да ги избегнете 🧨

• Обука за чисти студиски слики, распоредување во реалниот свет со дожд на објективот.

• Оптимизирање за целокупен mAP кога навистина ви е грижа за една критична класа. [3]

• Игнорирање на класната нерамнотежа, а потоа прашување зошто ретките настани исчезнуваат.

• Прекумерно зголемување сè додека моделот не научи вештачки артефакти.

• Прескокнување на калибрацијата на камерата, а потоа борба против грешките во перспективата засекогаш. [4]

• Верување во бројките на табелата на рангирање без повторување на точната поставеност на евалуацијата. [2][3]

Извори што вреди да се обележат 🔗

Ако ви се допаѓаат примарни материјали и белешки од курсот, ова се златни за основи, пракса и репери. Погледнете го за референци за линкови: белешки за CS231n, трудот за предизвиците на ImageNet, документите за податоци/евалуација на COCO, документите за OpenCV и извештаите на NIST FRVT. [1][2][3][4][5]

Заклучни забелешки - или „Предолго, не прочитав“ 🍃

Компјутерската визија во вештачката интелигенција ги претвора пикселите во одлуки. Таа сјае кога ја поврзувате вистинската задача со вистинските податоци, ги мерите вистинските работи и итерирате со невообичаена дисциплина. Алатките се дарежливи, реперите се јавни, а патот од прототип до производство е изненадувачки краток ако се фокусирате на крајната одлука. Исправете ги вашите етикети, изберете метрики што одговараат на влијанието и дозволете им на моделите да ја завршат тешката работа. И ако помага метафората - замислете го тоа како учење на многу брз, но буквален практикант да забележи што е важно. Покажувате примери, ги корегирате грешките и постепено му верувате на вистинска работа. Не е совршено, но доволно блиску за да биде трансформативно. 🌟

Референци

1. CS231n: Длабоко учење за компјутерски вид (белешки од курсот) - Универзитет Стенфорд.
   прочитај повеќе

2. Предизвик за визуелно препознавање на големи размери на ImageNet (труд) - Русаковски и др.
   прочитај повеќе

3. COCO збир на податоци и евалуација - Официјална страница (дефиниции на задачи и mAP/IoU конвенции).
   прочитај повеќе

4. Документација за OpenCV (v4.x) - Модули за претходна обработка, калибрација, морфологија итн.
   прочитај повеќе

5. NIST FRVT Дел 3: Демографски ефекти (NISTIR 8280) - Независна евалуација на точноста на препознавањето лица низ демографските групи.
   прочитај повеќе

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас