YOLO valós idejű észlelés
A YOLO (You Only Look Once) az objektumészlelési modellek családja, amely egyetlen neurális hálózati átmenettel megtalálja és felcímkézi a képen lévő minden objektumot, elég gyorsan az élő videóhoz.
Áttekintés
Sebessége valós idejű látást nyitott meg mindenen, a drónoktól a saját pénztárakig.
Mély merülés
A YOLO előtt az olyan detektorok, mint az R-CNN, több ezer alkalommal futtattak osztályozót a képterületeken, ami lassú volt. A Joseph Redmon által 2015-ben bevezetett YOLO az észlelést egyetlen regressziós problémaként fogalmazta meg: osszuk fel a képet egy rácsra, és minden cellához egyetlen előremenetben jósoljuk meg a határolókereteket, az objektum pontszámát és az osztályvalószínűségeket. Ez a „nézd meg egyszer” kialakítás drámaian gyorsabbá tette, mint a kétfokozatú detektorok, miközben pontos maradt. A család gyorsan fejlődött számos verzión keresztül (YOLOv2-től YOLOv8-ig és tovább), horgonydobozokkal, jobb gerincekkel és horgonymentes fejekkel. A modern változatok jóval több mint 100 képkocka/másodperc sebességgel futnak egy GPU-n, így a YOLO az alapértelmezett választás, amikor a késleltetés legalább annyira számít, mint a pontosság.
Technikai betekintés
A YOLO egy képet S by S rácsra bont. Minden cella előrejelzi a határolókeretek rögzített halmazát (x, y, szélesség, magasság), megbízhatósági pontszámmal és osztályvalószínűséggel, mindezt egy lépésben. Az átfedő ismétlődő dobozokat a nem maximális elnyomás csökkenti, ami megtartja a legmagasabb megbízhatóságú mezőt, és eldobja a többit egy IoU-küszöb felett. A veszteség együttesen optimalizálja a doboz koordinátáit, az objektumot és az osztályozást, így az egész detektorsorozat a végétől a végéig.
Stratégiai hatás
Sebesség és méretarány
A vizuális AI képes automatizálni az ellenőrzési, észlelési és címkézési feladatokat nagy léptékben.
Építési lehetőségek
A kreatív csapatok gyorsabban prototípusokat készíthetnek a koncepciókból, kevesebb kézi átdolgozással.
Csapat és munkafolyamat
A műveletek olyan kép- és videojeleket használhatnak, amelyeket korábban nehéz volt feldolgozni.
A YOLO valós idejű észlelés jövője
A YOLO továbbra is az élvonalbeli bevezetés felé mozdul, a telefonokon, mikrokontrollereken és beágyazott kamerákon felhőkapcsolat nélkül futó kisebb kvantált modellekkel. Az újabb kiadások kevert transzformátorelemeket és horgonymentes kialakításokat kínálnak a pontosság érdekében a sebesség feláldozása nélkül. Szorosabb integrációra számíthat a nyomon követéssel és szegmentálással, a nyitott szókincs észlelésével, amely a rögzített címkék helyett a szöveges felszólításokból ismeri fel az objektumokat, és folyamatos figyelmet kell fordítani az olcsó, alacsony fogyasztású hardvereken való hatékony működésre.
Valós megvalósítás
Az önpénztári rendszerek és a pénztáros nélküli üzletek észlelik a tételeket, amikor a vásárlók felveszik azokat
Drónok és mezőgazdasági robotok valós időben észlelik a növényeket, a gyomokat vagy az állatokat
Forgalmi és térfigyelő kamerák, amelyek megszámolják a járműveket és észlelik a gyalogosokat az intelligens város elemzéséhez
Gyártósorok jelzik a hibás alkatrészeket egy gyorsan mozgó szállítószalagon
Kockázatok és védőkorlátok
A képhez fűződő jogok és a beleegyezés jogi kockázatot jelenthet, ha a származás nem egyértelmű.
A modell teljesítménye a világítástól, a demográfiai adatoktól és a környezettől függően változhat.
A hamis pozitívumok észrevétlenek maradhatnak, hacsak nem figyelik a megbízhatósági küszöböket.
Végrehajtási ütemterv
Határozza meg a pontosság, a visszahívás és a hibaköltségek elfogadási kritériumait.
Tesztelje a valós gyártási feltételeknek megfelelő adatokkal.
Adjon hozzá emberi felülvizsgálatot az alacsony megbízhatóságú vagy nagy hatású előrejelzésekhez.
A modell elsodródásának nyomon követése és újbóli érvényesítése a kamera vagy az adatkészlet módosítása után.
Folytassa a felfedezést
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the YOLO Real-Time Detection quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Következő útmutató
Valós idejű hangügynökök
Gyakran ismételt kérdések
Mi az a YOLO valós idejű észlelés?
A YOLO (You Only Look Once) az objektumészlelési modellek családja, amely egyetlen neurális hálózati átmenettel megtalálja és felcímkézi a képen lévő minden objektumot, elég gyorsan az élő videóhoz. A sebessége lehetővé tette a valós idejű látást a drónoktól az önpénztári kioszkokig.
Mit jelent ebben az összefüggésben a YOLO mozaikszó?
A YOLO a „You Only Look Once” rövidítése, ami azt jelzi, hogy egyetlen neurális hálózat összes objektumát érzékeli, amely áthalad a képen.
Mi volt az a kulcsfontosságú innováció, amely a YOLO-t gyorsabbá tette, mint a korábbi detektorok, például az R-CNN?
A YOLO újrakeretezte az észlelést, mint egy regressziós problémát egy képrács felett, felváltva a kétlépcsős detektorok lassú régiónkénti besorolását.
Milyen technika távolítja el a duplikált, egymást átfedő határolókereteket a YOLO kimenetében?
A nem maximális elnyomás megtartja a legmagasabb megbízhatóságú mezőt, és eldobja az átfedő dobozokat a kereszteződés feletti küszöbérték felett.
Az eredeti YOLO-tervben hogyan osztják fel a bemeneti képet az előrejelzéshez?
A YOLO a képet S by S rácsra bontja, és minden cella felelős a benne lévő objektumok dobozainak és osztályvalószínűségének előrejelzéséért.
Melyik mennyiséget jósolják meg az egyes rácscellák a határoló doboz koordinátái mellett?
Minden cella előrejelzi a doboz koordinátáit, az objektum megbízhatósági pontszámát és az osztályvalószínűségeket, mindezt együttesen egyetlen előrelépésben.