Bilgisayarlı görü geliştirme
Bilgisayarlı görü sistemi pikselleri başka bir uygulamanın kullanabileceği bir sonuca çevirir. Bu bir etiket ya da sayı, nesnenin konumu veya sınırı, bir ölçüm, belgeden okunan bir alan ya da bir uyarı olabilir.
Model doğruluğu, sistemin canlı ortamda işe yarayıp yaramayacağını belirleyen etkenlerden yalnızca biridir. Test veri kümesinin dışında kamera, ışık ve hareket modelin gördüğü görüntüyü değiştirir. Modelin bu görüntüyle ne yapacağını ise etiketleme kuralları, karar eşikleri, inceleme adımları ve çalıştığı donanım belirler.
Neler geliştiriyoruz?
Görevi, uygulamanın ihtiyaç duyduğu çıktı belirler; aynı görüntü birkaç görevde birden kullanılabilir.
Sınıflandırma
Görüntüye veya kırpılmış bir bölgeye bir ya da daha fazla etiket atar. Belge sayfalarını türlerine göre ayırmak tipik bir kullanımdır.
etiket + güven puanı
Nesne algılama
Karedeki ilgili her nesneyi bulup sınıflandırır. Depoda ürün saymak ya da hasarlı paketleri ayırmak için kullanılabilir.
kutular + etiketler
Segmentasyon
Bir nesneye, yüzeye veya duruma ait pikselleri belirler.
maskeler + alan
Nesne takibi
Aynı nesneyi video boyunca takip eder, hareketini veya durumunu kaydeder. Bir yükleme işlemi ya da sahada tanımlı bir durum bu şekilde izlenebilir.
nesne kimliği + olaylar
OCR ve veri çıkarma
Belge, etiket, ekran veya sahnedeki metni okur ve alanlara eşler; inceleme için sayfa koordinatlarını saklar.
metin + alanlar
Görsel kalite kontrol
Üretim hattında kusur, eksik parça veya süreç sapması bulur. Emin olamadığı vakaları operatöre gönderir.
bulgu + konum
Hangi durumlarda uygun?
Özel model eğitmeye değer
Hedef, ortam ya da kabul edilebilir hata payı, genel modellerin güvenilir çalışamayacağı kadar kendine özgüdür.
Hazır bir model yetebilir
Önceden eğitilmiş bir model veya hazır bir görüntü API'si gereksinimleri karşılıyorsa yeni bir model eğitmek yerine onu kullanıyoruz.
Multimodal daha uygun olabilir
Görsel sonucun bir kılavuzla, şartnameyle ya da sesli bir notla karşılaştırılması gerekiyorsa iş görüntüyle sınırlı kalmaz ve multimodal bir çalışmaya dönüşür.
Bir proje nasıl ilerler?
-
Kameralara ve görüntülere bakmak
Model seçmeden önce örnek görüntüleri inceliyor, görüntü kalitesinin görev için yeterli olup olmadığını ve eldeki veride hangi koşulların eksik kaldığını görüyoruz.
-
Etiketleme kurallarını belirlemek
Etiketleme rehberi neyin nesne, kusur, sınır veya olay sayılacağını tanımlar. Önce aynı örnekleri birden fazla kişiye etiketletiyoruz. Etiketler uyuşmuyorsa kural belirsiz demektir. Veri kümesinin tamamı etiketlenmeden önce kuralı düzeltiyoruz.
-
Eşikleri hatanın bedeline göre belirlemek
Bir güvenlik olayını kaçırmanın maliyeti, fazladan bir ürünü incelemeye göndermenin maliyetiyle aynı değildir. Uyarının ne zaman üretileceğini, bastırılacağını ya da kime yönlendirileceğini belirleyen güven puanı ve süre kurallarını buna göre belirliyoruz. Belirsiz vakalar bir kişiye de yönlendirilebilir.
-
Sahada denemek
Yakından izlenen bir saha denemesinde kaçırılan vakaları ve yanlış uyarıları kaydediyor, kamera değişikliklerini not ediyor, operatörlerin görüşlerini topluyoruz. Bir karenin sonuca dönüşmesi için geçen süreyi ve donanım yükünü de ölçüyoruz.
Test verisi sahanızdaki koşulları yansıtmalı
Temiz görüntülerde iyi sonuç veren bir model, kurulumdan sonra başarısız olabilir. Değerlendirme verisi aşağıdaki koşulları kapsar. Sonuçları her saha ve koşul için ayrı raporluyoruz.
Aydınlatma
Gündüz, gece, gölge, yansıma, parlama ve mevsimsel değişimler.
Kamera ve kadraj
Kamera yüksekliği, açı, mesafe, lens, kırpma ve çözünürlük.
Sahne
Birbirini kapatan nesneler, dağınık sahneler, birbirine benzeyen nesneler, hareket bulanıklığı ve değişen arka plan.
Vaka dağılımı
Yaygın vakalar, nadir hatalar, yeni türler ve hiçbir olayın olmadığı uzun dönemler.
Donanım
Kamera sıkıştırması, kare hızı, bağlantı, işlem gücü ve kurulum sınırları.
Gizlilik ve sorumluluk
Gizlilik maskeleri, saklama ve erişim kuralları, inceleme sorumluluğu ve hukuka uygun kullanım.
Neler teslim edilir?
- Görev ve kamera uygunluk değerlendirmesi
- Etiketleme rehberi ve sürümlenmiş veri kümeleri
- Kararlaştırılan ortamda çalışan model veya görüntü API'si entegrasyonu
- Değerlendirme seti, eşikler, yeniden eğitim koşulları ve test raporu
- Ekibinize teslim edilen kod ve dokümantasyon
Sık sorulan sorular
Bilgisayarlı görü için mevcut kameralarımızı kullanabilir miyiz?
Çoğu zaman evet. Başlangıçtaki görüntü incelemesi, kameraların aranan şeyi yeterince net gösterip göstermediğini ortaya koyar.
Kendi görüntülerimizi etiketlememiz gerekir mi?
Çoğu durumda evet. Hazır modeller yaygın nesneleri tanır ama kendi ürünleriniz veya kusurlarınız için etiketli örnek gerekir. Ne kadar ek örnek toplamaya değeceğini ilk pilot gösterir.
Bilgisayarlı görü gerçek zamanlı çalışabilir mi?
Model ve donanım buna göre seçilirse çalışabilir. Her görevde her kareyi işlemek gerekmez. Bazı görevlerde yalnızca bir olay olduğunda bakmak yeter.
Kamera görüntüleri nerede işlenir?
Sahaya göre değişir. Bulutta, kendi altyapınızda ya da gecikme, bant genişliği veya çevrimdışı çalışma önemliyse kameranın yanındaki bir cihazda işlenebilir. Görüntüler tesisinizde kalabilir, merkezi inceleme için yalnızca seçilen olaylar gönderilir.
Teknik kaynaklar
Bu alandaki ürünlerimiz
Birlikte çalışalım
Üzerinde çalıştığınız konuyu birkaç satırla anlatın, size geri dönelim.
İlgili hizmetler
Tüm hizmetlerBlogdan
Tüm yazılar
Yapay zeka değerlendirme metriklerinin üretimde gözden kaçırdıkları
Bir model değerlendirmede yüksek puan alabilir, ancak metrik yanlış soruyu yanıtlıyorsa üretimde yine de başarısız olabilir.
Yazıyı okuyun
Kanıtlanmış bir yapay zeka yöntemi sizin verinizde de işe yarar mı?
Bir yapay zeka yöntemi başka bir yerde kanıtlanmış olsa bile sizin veriniz, iş akışınız ve kısıtlarınız altında hâlâ sınanmamış olabilir.
Yazıyı okuyun
Sentetik veri ne zaman kullanılmalı?
Gerçek veri azsa, hassassa veya henüz yoksa sentetik veri işe yarayabilir. Peki hangi durumlarda kullanmaya değer? Sonuçları iyileştirdiği nasıl anlaşılır?
Yazıyı okuyun