Словарь ИИ
Что такое компьютерное зрение
Коротко
Компьютерное зрение (computer vision) это область ИИ, в которой программы понимают изображения и видео: находят объекты, читают текст, считают и измеряют.
Основы ИИ · computer vision
Михаил МозгПроверено: 1 минута чтения
Ребенку
Ты смотришь в окно и сразу видишь: вон кошка на заборе, вон желтая машина. Для компьютера картинка сначала просто тысячи цветных точек, как мозаика. Его учат собирать из точек смысл: где у кошки уши, где у машины колеса. Когда он научится, сможет сам сказать, что на фото, и даже сосчитать всех голубей в парке.
Простыми словами
Камера дает компьютеру только сетку пикселей, у каждого свой цвет. Чтобы понять, что на снимке, нейросеть учат на огромном числе подписанных фотографий. Она находит в пикселях края, потом формы, потом целые предметы. Дальше задачи разные: сказать, что изображено, обвести рамкой каждого человека, отделить дорогу от тротуара, прочитать номер машины или текст на чеке. Так работают телефон, который разблокируется по лицу, и шлагбаум, который пропускает машину по номеру.
Для бизнеса
На производстве такие системы ищут брак на конвейере и следят, надеты ли каски. В рознице считают посетителей и пустые полки, в логистике читают штрихкоды и номера вагонов, в бухгалтерии распознают сканы накладных. Стоимость складывается из камер и освещения, разметки снимков, вычислителей на месте или в облаке и доработки под ваши условия. Модель, обученная на чужих фото, на вашем складе с другим светом часто ошибается, поэтому нужны свои примеры, включая редкие дефекты. Если камеры снимают людей, действуют правила о персональных данных и биометрии. Решение разумно проверить на одном участке, прежде чем покупать оборудование на весь цех.
Для специалиста
Компьютерное зрение (computer vision) объединяет классификацию изображений (image classification), детекцию объектов (object detection), сегментацию (semantic и instance segmentation), оптическое распознавание символов (OCR), трекинг и оценку позы. Перелом в качестве связан со сверточными сетями (convolutional neural networks): AlexNet (Krizhevsky, Sutskever, Hinton, NIPS 2012) обучили примерно на 1,3 млн изображений ImageNet с 1000 классами, после чего глубокие модели вытеснили ручные признаки. YOLO (Redmon и др., 2015) свел детекцию к одной регрессии рамок и классов за проход по всему кадру и работал около 45 кадров в секунду. Vision Transformer (Dosovitskiy и др., 2020) показал, что трансформер на последовательности фрагментов изображения (patches) при большом предобучении не уступает сверточным сетям. Сегодня зрительные модели часто встраивают в мультимодальные системы вместе с текстом. Метрики: точность (accuracy), mAP для детекции, IoU для сегментации.
Пример
Завод ставит камеру над линией упаковки. Модель замечает мятые коробки и криво наклеенные этикетки и подает сигнал оператору, а журнал дефектов по сменам каждое утро приходит начальнику цеха.
Связанные термины
Вопросы и ответы
Где применяют компьютерное зрение?
Что нужно, чтобы запустить компьютерное зрение в компании?
Источники
- Krizhevsky, Sutskever, Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NIPS 2012papers.nips.cc
- Redmon et al., You Only Look Once: Unified, Real-Time Object Detection, 2015arxiv.org
- Dosovitskiy et al., An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale, 2020arxiv.org
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений