Sistem neyi algılayabilir veya üretebilir?
Görev, uygulamanın ihtiyaç duyduğu çıktıya göre tanımlanır. Bir görüntünün farklı soruları yanıtlaması gerektiğinde birkaç görev birlikte kullanılabilir.
Sınıflandırma
Görüntüye veya kırpılmış bölgeye bir ya da daha fazla etiket atar.
etiket + güven puanı
Nesne algılama
Karedeki ilgili her nesneyi bulur ve sınıflandırır.
kutular + etiketler
Segmentasyon
Nesneye, yüzeye veya duruma ait pikselleri belirler.
maskeler + alan
İzleme
Aynı nesneyi video boyunca izler, hareketini veya durumunu kaydeder.
nesne kimliği + olaylar
OCR ve veri çıkarma
Belge, etiket, ekran veya sahnedeki metni okur ve alanlara eşler.
metin + alanlar
Görsel kalite kontrol
Kusur, eksik parça, beklenmeyen desen veya süreç sapması bulur.
bulgu + konum
Sonucu iş kararına dönüşen örnekler
Üretim kontrolü
Gerekli parçanın bulunup bulunmadığını kontrol eder, yüzey kusurunu bulur ve belirsiz vakaları operatöre gönderir.
Depo ve lojistik
Sabit kamera veya mobil görüntülerden etiket okur, ürün sayar, yükleme olayını veya hasarlı paketi belirler.
Belge işleme
Belge sayfalarını sınıflandırır, tablo veya alanları bulur, içeriği okur ve inceleme için sayfa koordinatlarını saklar.
Saha ve ekipman izleme
Periyodik görüntü veya videoda tanımlı durumları algılar; yalnızca süre ve güven kuralları sağlandığında olay oluşturur.
Test verisi gerçek ortama benzemelidir
Model temiz görüntülerde iyi sonuç alıp kurulumdan sonra başarısız olabilir. Değerlendirme verisi kameranın gördüğünü değiştiren koşulları kapsamalıdır.
Aydınlatma
Gündüz, gece, gölge, yansıma, parlama ve mevsimsel değişimler.
Kamera açısı
Kamera yüksekliği, açı, mesafe, lens, kırpma ve çözünürlük.
Sahne
Nesnelerin birbirini kapatması, görsel kalabalık, benzer nesneler, hareket bulanıklığı ve arka plan değişimleri.
Vaka dağılımı
Yaygın vakalar, az görülen hatalar, yeni türler ve hedef olayın hiç görülmediği dönemler.
Donanım
Kamera sıkıştırması, kare hızı, bağlantı, işlem gücü ve kurulum sınırları.
Gizlilik ve sorumluluk
Gizlilik alanları, saklama ve erişim kuralları, inceleme sorumluluğu ve hukuka uygun kullanım.
Görüntüler, etiketleme ve model seçimi
Model seçilmeden önce mevcut kameralar ve örnek görüntüler incelenir. Bu inceleme, görüntü kalitesinin görevi destekleyip desteklemediğini ve veride hangi koşulların eksik olduğunu gösterir.
Etiketleme kuralları neyin nesne, kusur, sınır veya olay sayıldığını açıkça tanımlar. Belirsiz kuralları veri kümesinin tamamı hazırlanmadan bulmak için bir örnek birden fazla kişi tarafından etiketlenir.
Önceden eğitilmiş bir model veya yönetilen computer vision API'si gereksinimleri karşılıyorsa kullanılır. Hedef, ortam veya hata toleransı genel modellerin güvenilir çalışamayacağı kadar özelse özel eğitim anlamlıdır.
Doğruluk iş kararına bağlanır
Doğru eşik, tahminden sonra ne olduğuna bağlıdır. Güvenlik olayını kaçırmakla fazladan bir ürünü incelemeye göndermek aynı maliyete sahip değildir.
- Algılama kalitesi
- Kesinlik, duyarlılık, konum doğruluğu, sınıf karışıklığı ve koşula göre performans.
- Karar eşiği
- Olayı oluşturan, bastıran veya yönlendiren güven seviyesi ve süre kuralları.
- Sistem performansı
- Uçtan uca gecikme, kare hızı, çalışma süresi, bant genişliği ve donanım kullanımı.
- Saha incelemesi
- Kontrollü bir saha denemesi; kaçırılan vakaları, yanlış uyarıları, kamera değişimlerini ve kullanıcı geri bildirimlerini kaydeder.
Çıkarım nerede çalışabilir?
Bulut
Bağlantı kararlıysa, merkezi ölçekleme veya yönetilen donanım gerekiyorsa uygundur.
Özel altyapı
Görüntüleri ve çıkarımı şirket kontrolündeki ağ veya bulut hesabında tutar.
Uç cihaz
Gecikme, bant genişliği, çevrimdışı çalışma veya veri minimizasyonu önemliyse görüntüyü kamera yakınında işler.
Hibrit
Anlık algılamayı uçta çalıştırır; seçilen olayları veya meta veriyi merkezi inceleme ve saklama için gönderir.
Teslim edilenler
- •Görev ve kamera uygunluk değerlendirmesi
- •Etiketleme rehberi ve sürümlenmiş veri kümeleri
- •Model veya computer vision API entegrasyonu
- •Değerlendirme seti, eşikler ve test raporu
- •Kararlaştırılan ortam için inference servisi
- •Uygulama entegrasyonu ve inceleme akışı
- •İzleme, yeniden eğitim koşulları ve işletim dokümantasyonu
Bilgisayarlı görü geliştirme soruları
Mevcut kameralar kullanılabilir mi?
Çoğu zaman evet, ancak örnek görüntülerin incelenmesi gerekir. Çözünürlük, lens, yerleşim, aydınlatma, sıkıştırma ve kare hızı; hedefin gereken ayrıntı düzeyinde görünmesini sağlamalıdır.
Kendi görüntülerimizi etiketlememiz gerekir mi?
Önceden eğitilmiş bir model veya hazır API, yaygın nesneleri ya da OCR görevini karşılayabilir. Şirkete özel kusur, ürün, sahne veya olaylar ise genellikle temsili ve etiketli örnekler gerektirir. İlk pilot çalışma, ek verinin ne kadar yararlı olacağını gösterir.
Gerçek zamanlı çalışabilir mi?
Model, donanım, çözünürlük, kare hızı ve uygulama gecikmesi birlikte tasarlanırsa evet. Bazı görevler her kareyi, bazıları belirli aralıklarla seçilen kareleri veya yalnızca tetiklenen olayları işler.
Yanlış uyarılar nasıl yönetilir?
Eşikler, kaçırılan olayların ve gereksiz algılamaların maliyetine göre ayarlanır. Güven puanı düşük vakalar gruplanabilir, olay devam edene kadar bekletilebilir veya otomatik işlem yerine insan incelemesine gönderilebilir.
Görüntüler sahada kalabilir mi?
Evet. Inference uç cihazda veya özel sunucuda çalışabilir; yalnızca seçilen olaylar ya da yapılandırılmış sonuçlar saklanabilir. Tasarım, donanım ile kayıt ve denetim gereksinimlerine bağlıdır.