Най-важните факти накратко
- Нова функция: Една година след пускането на пазара, wenglor разширява облачната AI Lab, включвайки разпознаване на обекти.
- Повече информация за всяко изображение: Моделът научава кои обекти присъстват, колко са и къде се намират.
- Лесно за започване: Инструментът за етикетиране вече работи с ограничителни кутии, но остава близо до обичайните работни модели.
- По-бързо етикетиране: AI асистентът за етикетиране предлага ограничителни кутии чрез текстова подсказка или маркиран пример и също така маркира цели набори от данни на изображения на партиди.
- Работен процес от край до край: Анотацията, обучението и валидирането се извършват в облака, докато оценката в операционна дейност се извършва локално.
- Данните като фактор за успех: Последователни анотации и реалистични обучителни изображения определят представянето на модела.
Какво е разпознаване на обекти в машинното зрение?
Разпознаването на обекти е една от по-натоварените задачи в индустриалната обработка на изображения. То локализира отделни обекти в изображението и ги приписва на определен клас. Освен въпроса „Какво може да се види?“, то предоставя и отговори на „Колко често?“ и „Къде точно?“.
За потребители с малко опит с AI, тази задача обикновено е свързана с много тренировъчни усилия досега. Точно тук идва разпознаването на обекти в AI Lab : То прави сложните задачи по броене решими без задълбочена AI експертиза.
Класификация или разпознаване на обекти: Каква е разликата?
| Процедура | Резултат | Типичен въпрос | Подходящ за |
|---|---|---|---|
| Многокласова класификация | Точно един клас на изображение | „Продуктът завършен ли е или непълен?“ | Добри/лоши решения |
| Многоетикетна класификация | Множество класове на изображение | „Какви черти присъстват на снимката?“ | Оценете няколко свойства едновременно |
| Разпознаване на обекти | Клас и позиция на всеки отделен обект | „Колко обекта има къде?“ | Проверки за присъствие, броене и пълнота |
Как работи етикетирането с ограничителни кутии в AI Lab?
За разпознаване на обекти wenglor е разширил инструмента за етикетиране, като включва ограничителни кутии. Потребителите рисуват ограничителна рамка около всеки съответен обект и му присвояват клас. Например, при замразена пица, всяко парче салам получава собствен кадър с клас „Salami“ – самата пица не получава кутия в това приложение.
Данните за истинност на земята, генерирани по този начин, съдържат класа и позицията в изображението за всеки маркиран обект. Те служат като референтна точка за модела по време на обучението.
Стъпка по стъпка към модела
Процесът остава близък до познатите класификационни функции:
- Дефинирайте класове – например „салам“.
- Маркирайте обекти – маркирайте всеки екземпляр в обучителните изображения с ограничителна кутия, ако желаете, с подкрепата на AI асистента за етикетиране.
- Обучете модела си – изчислително интензивен, но изцяло в облака.
- Прегледайте резултатите – валидирайте с независими тестови данни.
Какво е важно в анотацията?
Допълнителното усилие в сравнение с класификацията се дължи основно на обектно-специфичната анотация. Ако седем филии салам лежат върху пица, потребителите записват всички седем инстанции според същите правила. Равномерно настроените рамки осигуряват последователна обучителна информация – и следователно надежден модел.
Как изображенията могат да се етикетират по-бързо за разпознаване на обекти?
Колкото повече обекти показва изображението, толкова по-времеемко отнема ръчното рисуване във всеки отделен кадър. Тук идва на помощ AI асистентът за етикетиране в AI Lab: той автоматично предлага подходящи обекти, а потребителите директно възприемат предложените ограничителни кутии. Това спестява време и осигурява равномерно разположение на рамките – важна основа за прецизни и стабилни AI модели.
- Автоматично разпознаване на обекти: Магьосникът намира подходящи обекти чрез текстови подсказки или маркирани примери. В примера с пица подсказката „salami slice“ е достатъчна.
- Копиране на предложения директно: Предложените ограничителни кутии могат да бъдат прехвърлени директно към анотацията.
- Пакетно етикетиране: Функцията маркира отделни изображения или цели набори от данни на изображения с един проход.
- Спестете време, осигурете качество: Спестяването на време в сравнение с ръчното рисуване е значително, а качеството на етикетите остава постоянно.
Техническата оценка на данните остава задача на потребителите: асистентът ускорява етикетирането, а решението за правилата за анотация остава при тях.
Лесни за влизане, здрави модели
Една от целите беше централна за процеса на разработка: Разпознаването на обекти трябва да бъде отворено и за потребители, които преди са работили с прости edge решения и имат малко опит с по-сложни AI инструменти. То трябва да бъде също толкова бързо за използване, колкото и установените функции на AI Lab.
Лесната употреба върви ръка за ръка с високото качество на резултатите. AI Lab е специално проектирана да създава стабилни и здрави модели, които работят надеждно дори при реални, променящи се производствени условия. Стартирането е бързо и първите надеждни резултати често са налични след кратко време.
Какви обучителни данни се нуждаят от надежден модел?
Потребителският интерфейс улеснява анотирането – техническата оценка на данните остава задача на потребителя. Колкото по-реалистично обучаващите изображения представят следващото приложение, толкова по-устойчив е моделът.
Контролен списък за добри тренировъчни данни:
Различни позиции на обектите
Различни ситуации с осветлението
Промяна на произхода
Допустими варианти на компоненти
Типични модели на грешки
Частично замъглени или отразяващи обекти
Последователно поставяне на ограничителни кутии
Също толкова важно е чистото разделяне на обучението, валидирането и финалния тест. Независим тестов набор, който покрива очакваната вариация, е значим – резултатите върху вече обучени изображения позволяват само ограничено твърдение за по-късната употреба.
| Практичен съвет: Тествайте добри части, лоши части и релевантни крайни случаи, типични за серийна употреба с независими тестови данни. |
Тренировки в облака, бягане на умна камера
Анотацията, обучението и валидирането се извършват в AI Lab в облака. Отделна локална обучителна инфраструктура е излишна. След обучението weHub прехвърля модела в uniVision. След това той работи на Smart Camera B60 или на контролер за машинно зрение от серията MVC.
По време на работа оценката се извършва изцяло локално – независимо дали имате връзка с AI Lab или Интернет. Венглор нарича този цялостен процес от заснемане на изображения до внедряване AI Loop.
Практичен пример: Проверка на пълнотата на замразена пица
Как може да се използва допълнителната информация за местоположението се показва чрез проверка за пълнота на замразена пица. В целевото състояние седем филийки салам лежат на желаните позиции.
Обучение
Всяко видимо парче салам е анотирано като отделен инстанция в инструмента за етикетиране.
Учредяването
Умната камера B60 взима пицата. Местният модел разпознава филийките салам, приписва ги на класа „салам“ и ги намира с помощта на ограничителна кутия.
Решение за изпит
Тестовото приложение определя броя на дисковете и сравнява позициите им с определени тестови зони.
Ако, например, системата засече шест вместо седем филии салам, тя директно свързва изображението на камерата с ясен числов резултат.
Проверете номера и позицията заедно
За много контроли на качеството само броят е достатъчен. Ако се забележат и неправилно позиционирани резени салам, приложението сравнява координатите на обекта с допустимите диапазони. Конвенционалната ограничителна кутия описва позицията и размера на обекта; ориентацията или ротационната позиция изискват допълнителна оценка.
Заключение: От модел към надеждно решение за тест
AI Lab разширява разпознаването на обекти, включвайки приложения, в които броят и позицията на отделните обекти са от решаващо значение. Цялостният работен процес комбинира управление на данни и обучение на модели в облака с локално изпълнение в продукцията – и така значително намалява техническата бариера за влизане. AI асистентът за етикетиране също ускорява анотацията. Последователните анотации и валидирането на приложението остават ключът към надеждното внедряване на серии.
| Прочетете още: Как да направим прехода от обработка на изображения, базирана на правила, към индустриален изкуствен интелект? · На фокус: AI в обработката на изображения |
Често задавани въпроси относно разпознаването на обекти в лабораторията по изкуствен интелект
Класификацията присвоява един или повече класове на цялото изображение. Разпознаването на обекти също така локализира всеки отделен обект чрез ограничителна кутия – и така осигурява номера и позицията.
Особено при проверки за присъствие, броене и пълнота, като проверка дали всички части от топинга са на желаните позиции на замразената пица.
Задълбочените знания за AI са излишни. Потребителският интерфейс е базиран на познатите модели на AI Lab, така че дори начинаещи могат бързо да започнат да етикетират.
Магьосникът разпознава подходящи обекти въз основа на текстови подсказки или маркирани примери и предлага ограничителни кутии, които могат да се прилагат директно. Пакетното етикетиране може да се използва за редактиране на отделни изображения или цели набори от данни. Това спестява време в сравнение с ръчното рисуване и поддържа последователно качество на етикетите.
След обучение в облака, weHub прехвърля модела в uniVision. След това той работи на Smart Camera B60 или на контролер за машинно зрение от серията MVC – напълно локално, независимо от интернет връзката.
Обикновена ограничителна кутия описва позицията и размера. За ориентация или ротационна позиция е необходима допълнителна оценка.
С обучителни изображения, които показват реални условия (позиции, осветление, фонове, варианти, модели на грешки), равномерно поставени ограничителни кутии и независим тестов набор от данни.
