คู่มือ AI แบบเห็นภาพ
การตรวจจับวัตถุ
การตรวจจับวัตถุจะระบุและค้นหาอินสแตนซ์ของวัตถุในรูปภาพ โดยทั่วไปจะส่งคืนป้ายกำกับหมวดหมู่และกล่องขอบเขต
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
มันแตกต่างจากการจัดหมวดหมู่รูปภาพซึ่งสามารถกำหนดป้ายกำกับโดยไม่ต้องระบุตำแหน่งของวัตถุ และการแบ่งส่วนซึ่งอธิบายขอบเขตระดับพิกเซล
ประเด็นสำคัญ
- กำหนดคำอธิบายประกอบอินสแตนซ์ที่สอดคล้องกัน
- รายงานการจับคู่และการตั้งค่าเกณฑ์
- ทดสอบวัตถุขนาดเล็ก ที่ซ่อนอยู่ และแออัด
เจาะลึก
ชุดข้อมูลการตรวจจับจำเป็นต้องมีป้ายกำกับและคำอธิบายประกอบตำแหน่งที่สอดคล้องกัน กำหนดวิธีจัดการกับออบเจ็กต์ที่ซ่อนอยู่บางส่วน อินสแตนซ์ขนาดเล็กมาก และหมวดหมู่ที่ไม่ชัดเจน กล่องที่ไม่สอดคล้องกันหรือละเว้นวัตถุอาจทำให้ทั้งการฝึกอบรมและการประเมินผลสับสน ผลลัพธ์ของแบบจำลองมักจะประกอบด้วยคะแนนและสถานที่สำหรับผู้สมัครแต่ละคน การประมวลผลภายหลังอาจลบการคาดการณ์ที่ซ้ำซ้อนหรือใช้เกณฑ์ การตั้งค่าเหล่านั้นส่งผลต่อความสมดุลระหว่างวัตถุที่พลาดและการตรวจจับที่ผิดพลาด และควรบันทึกพร้อมกับผลลัพธ์ ประเมินการแปลและความถูกต้องของหมวดหมู่ร่วมกัน การตัดกันเหนือสหภาพจะวัดการทับซ้อนระหว่างขอบเขตที่คาดการณ์กับขอบเขตอ้างอิง ความแม่นยำและการเรียกคืนยังขึ้นอยู่กับกฎการจับคู่ เกณฑ์คะแนน และขนาดออบเจ็กต์ที่รวมอยู่ด้วย ทดสอบสภาพการจับภาพจริง รวมถึงภาพเบลอ การเปลี่ยนแปลงแสง การบดบัง และฉากที่มีผู้คนหนาแน่น อุปกรณ์ตรวจจับอาจปรากฏชัดเจนบนวัตถุขนาดใหญ่ที่แยกออกจากกัน ในขณะที่วัตถุขนาดเล็กหรือบางส่วนที่ซ่อนอยู่ซึ่งมีความสำคัญในการใช้งานหายไป กำหนดวิธีการตรวจสอบการตรวจจับที่ไม่แน่นอนก่อนที่จะกระตุ้นให้เกิดการดำเนินการที่ตามมา
04ตัวอย่างการทำงาน
กล่องคอมพิวเตอร์ทับซ้อนกัน
ใช้กล่องขนาด 10 x 10 ที่ประดิษฐ์ขึ้นสองกล่อง ส่วนที่สองเลื่อนไป 5 หน่วยในแนวนอน เพื่อให้ซ้อนทับกันในพื้นที่ขนาด 5 x 10
พื้นที่ทางแยกคือ 50 และสหภาพคือ 100+100−50 = 150 พื้นที่ทางแยกส่วนคือ 50/150 หรือประมาณ 0.33
ภายใต้เกณฑ์การจับคู่ 0.5 ช่องต่างๆ จะไม่นับเป็นการจับคู่การแปลที่เพียงพอ แม้ว่าจะมองเห็นการซ้อนทับกันอย่างมากก็ตาม
มันแสดงให้เห็นอะไร
เรขาคณิตที่สร้างขึ้นจะอธิบายองค์ประกอบการประเมินหนึ่งองค์ประกอบ ไม่ใช่เกณฑ์มาตรฐานของเครื่องตรวจจับ
การใช้งานจริงในโลกแห่งความเป็นจริง
นับผลิตภัณฑ์ที่มองเห็นได้ชัดเจนบนชั้นวางในขณะที่ตรวจวัดการตรวจพบที่พลาดและซ้ำกัน
ค้นหาขอบเขตเอกสารก่อนขั้นตอนการแยกข้อความแยกต่างหาก
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
- สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
- ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
ระวัง
- สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
- ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
- ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
ขั้นตอนต่อไป
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
ที่มาและอ่านเพิ่มเติม
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the Object Detection quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
การตรวจจับวัตถุเหมือนกับการนับหรือไม่
การตรวจจับสามารถรองรับการนับได้ แต่กรณีที่พลาดและกล่องที่ซ้ำกันจะส่งผลต่อการนับครั้งสุดท้าย ประเมินงานปลายน้ำนั้นอย่างชัดเจน
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้