Ikusmen Artifizialaren Objektuen Detekzioa vs. Irudien Sailkapen Zereginak
Objektuen detekzioa eta irudien sailkapena biak dira ikusmen artifizialaren zeregin nagusiak, baina funtsean helburu desberdinak dituzte. Sailkapenak irudi osoa kategoria bakar batekin etiketatzen du, eta objektuen detekzioak, berriz, eszena bateko hainbat objektu kokatu eta identifikatzen ditu. Bien artean aukeratzea irudian zer dagoen edo elementu zehatzak non dauden kokatuta jakin behar duzunaren araberakoa da.
Nabarmendunak
Objektuen detekzioak kokapen espaziala eskaintzen du mugatzaile-kutxen bidez, sailkapenak, berriz, irudi bakoitzeko etiketa bakarra sortzen du.
Sailkapen ereduak askoz azkarragoak dira eta detekzio ereduek baino konputazio potentzia gutxiago behar dute.
Detekzioak muga-koadroko anotazio garestiak behar ditu, sailkapenak, berriz, irudi-mailako etiketak bakarrik behar ditu.
Bi zereginek oinarrizko arkitekturak partekatzen dituzte, ResNet bizkarrezurrak bezala, baina detekzioak eskualdeen iragarpen buruak gehitzen ditu lokalizaziorako.
Zer da Artifizialki Ikusmenezko Objektuen Detekzioa?
Irudi bateko hainbat objektu identifikatzen eta lokalizatzen ditu mugatzaile-koadroak eta klase-etiketak erabiliz.
Objektuen detekzioak sailkapena eta lokalizazioa konbinatzen ditu, zein objektu dauden eta non agertzen diren pixel koordenatuetan iragartuz.
Arkitektura ezagunen artean YOLO, Faster R-CNN, SSD eta DETR daude, bakoitzak abiadura eta zehaztasuna modu ezberdinean orekatzen dituelarik.
Pascal VOC eta COCO datu-multzoak oinarrizko erreferentziak izan dira, COCOk 330.000 irudi baino gehiago eta 2,5 milioi etiketatutako instantzia dituelarik.
Detektagailu modernoek bideoa denbora errealean prozesatu dezakete, YOLOv8 eta YOLOv9-k 100 FPS-tik gorako inferentzia-abiadurak lortzen baitituzte hardware egokian.
Aplikazioek ibilgailu autonomoak, zaintza sistemak, irudi medikoak, txikizkako analisiak eta nekazaritzako monitorizazioa hartzen dituzte barne.
Zer da Irudien sailkapen-zereginak?
Irudi osoari etiketa edo kategoria bakarra esleitzen dio, bere eduki bisual nagusian oinarrituta.
Irudien sailkapenak irudi osoarentzako etiketa bat edo gehiago sortzen ditu, objektuak espazialki non dauden adierazi gabe.
ImageNet datu-multzoak, 20.000 kategoriatan 14 milioi irudi etiketatu baino gehiagorekin, ikaskuntza sakonaren iraultza katalizatu zuen 2012an, AlexNet-ek ILSVRC lehiaketa irabazi zuenean.
Oinarrizko arkitekturak hauek dira: ResNet, VGG, Inception, EfficientNet eta Vision Transformers (ViT).
Sailkapen ereduak detekzio ereduak baino azkarrago exekutatzen dira normalean, irudi bakoitzeko aurreranzko pasada bakarra behar baitute eskualde proposamenik gabe.
Erabilera kasu ohikoenen artean daude edukien moderazioa, X izpien bidezko diagnostiko medikoa, fabrikazioko kalitate kontrola eta ekologian espezieen identifikazioa.
Konparazio Taula
Ezaugarria
Artifizialki Ikusmenezko Objektuen Detekzioa
Irudien sailkapen-zereginak
Irteera nagusia
Klase-etiketekin eta konfiantza-puntuazioekin mugatzen diren kutxak
Irudi osoarentzako klase-etiketa bakarra
Informazio espaziala
Objektuen kokapen zehatzak ematen ditu koordenatuak erabiliz
Ez da informazio espazial edo posizionalrik eman
Objektu kopurua
Hainbat objektu aldi berean detektatu ditzake
Subjektu nagusia bakarrik identifikatzen du
Konputazio-kostua
Eskualdeko proposamenengatik eta hainbat iragarpenengatik handiagoa
Irudi bakoitzeko aurreranzko pase bakarrarekin beherago
Ereduaren konplexutasuna
Bizkarrezurra, lepoa eta buruaren osagaiekin konplexuagoa
Ezaugarrien erauzketan oinarritutako arkitektura sinpleagoa
Muga-koadroko oharpenak behar ditu, etiketatzea garestiagoa da
Irudi mailako etiketak bakarrik behar ditu, merkeagoa da oharrak jartzea
Ondorioen abiadura
Denbora errealean posible da (30-100+ FPS) modelo optimizatuekin
Oso azkarra, askotan 100+ FPS hardware xumearekin ere
Erabilera Kasu Onena
Lokalizazioa behar duten hainbat objektu dituzten eszenak
Kategoria identifikatzea behar duten gai bakarreko irudiak
Xehetasunak alderatzea
Helburu nagusia eta emaitza
Oinarrizko bereizketa zeregin bakoitzak lortu nahi duen horretan datza. Irudien sailkapenak "zer dago irudi honetan?" galderari erantzuten dio irudi osoari etiketa bat edo gehiago esleituz. Objektuen detekzioak are gehiago egiten du "zer dago irudi honetan eta non dago zehazki?" galderari erantzunez, detektatutako elementu bakoitzaren inguruan muga-koadroak erabiliz. Kaleko argazki bat igotzen baduzu, sailkatzaile batek "hiri-eszena" etiketa eman diezaioke, eta detektagailu batek, berriz, autoen, oinezkoen, semaforoen eta seinaleen inguruan koadroak marraztuko lituzke banan-banan.
Arkitektura eta Modelo Diseinua
Sailkapen ereduek kanalizazio zuzen bat jarraitzen dute normalean: bizkarrezur-sare batek ezaugarriak erauzten ditu, eta sailkatzaile-buru batek probabilitateak sortzen ditu. Objektuak detektatzeko ereduak berez konplexuagoak dira, normalean ezaugarriak erauzteko bizkarrezurra, ezaugarrien fusioa egiteko lepoa eta klaseak eta muga-kutxaren koordenatuak iragartzen dituen buru bat dituzte. Konplexutasun gehigarri hori dela eta, detekzio-ereduek parametro eta baliabide konputazional gehiago behar dituzte beren erreferentzia-puntuetan zehaztasun konparagarria lortzeko.
Prestakuntza datuak eta oharrak
Irudien sailkapen datu-multzoek irudi-mailako etiketak baino ez dituzte behar, eta horrek merkeagoak eta azkarragoak egiten ditu eskala handian ekoizteko. Objektuen detekziorako, objektu-instantzia bakoitzerako muga-koadroko anotazioak behar dira, eta prozesu horrek 10 eta 100 aldiz gehiago iraun dezake irudi bakoitzeko, eszenaren konplexutasunaren arabera. COCO bezalako datu-multzoek milaka anotazio-ordu behar izan zituzten osatzeko, eta ImageNet-en sailkapen-etiketak, berriz, nahiko azkar bildu ziren Amazon Mechanical Turk bezalako zerbitzuen bidez.
Errendimenduaren eta Abiaduraren arteko Konpromisoak
Sailkapen ereduak, oro har, azkarrago exekutatzen dira eta zehaztasun handiagoa lortzen dute beren erreferentziazkoetan, zeregina errazagoa delako. Punta-puntako sailkatzaileek % 91 gainditzen dute top-1 zehaztasuna ImageNet-en, eta objektuen detektagailu nagusiek, berriz, 63-65 mAP inguru lortzen dituzte COCO-n. Hala ere, detekzio ereduek aurrerapen nabarmenak egin dituzte abiaduran, YOLO bezalako etapa bakarreko detektagailuek denbora errealeko aplikazioak ahalbidetzeko aldea ixten baitute. Aukera askotan zehaztasun espaziala edo gehienezko errendimendua behar duzunaren araberakoa da.
Mundu errealeko aplikazioak
Sailkapena bikaina da kokapenak axola ez duen egoeretan, hala nola eduki desegokia iragaztean, eskaneatu medikoetatik gaixotasunak diagnostikatzean edo produktuak kategoriaren arabera sailkatzean. Objektuen detekzioa ezinbestekoa da posizioa garrantzitsua denean, besteak beste, gidatze autonomoan (oinezkoak eta beste ibilgailu batzuk identifikatzean), txikizkako inbentarioen kudeaketan, faunaren monitorizazioan eta manipulazio robotikoan. Ekoizpen-sistema askok biak konbinatzen dituzte, sailkapena erabiliz irudiak azkar iragazteko detekzioa exekutatu aurretik.
Abantailak eta Erabiltzailearen interfazea
Artifizialki Ikusmenezko Objektuen Detekzioa
Abantailak
+Objektuen kokapenak ematen ditu
+Hainbat objektu kudeatzen ditu
+Espazio-irteera aberatsa
+Denbora errealeko erabilera kasuak ahalbidetzen ditu
+Aplikazio polifazetikoak
Erabiltzailearen interfazea
−Konputazio-kostu handiagoa
−Oharpen garestiak behar dira
−Konplexuagoa entrenatzeko.
−Erreferentziako zehaztasun txikiagoa
Irudien sailkapen-zereginak
Abantailak
+Inferentzia abiadura handia
+Arkitektura sinpleagoa
+Oharrak jartzea merkeagoa
+Erreferentziazko zehaztasun handia
+Erraza zabaltzen
Erabiltzailearen interfazea
−Ez dago informazio espazialik
−Etiketa bakarreko muga
−Hainbat objektu galtzen ditu
−Eszenaren ulermen mugatua
Ohiko uste okerrak
Mitologia
Objektuen detekzioa sailkapena besterik ez da, urrats gehigarriekin.
Errealitatea
Sailkapena detekzioan osagai bat den arren, objektuen detekzioak koordenatuak iragartzen dituen lokalizazio-adar bat gehitzen du, funtsean zeregin desberdina bihurtuz. Arkitekturak, galera-funtzioak eta ebaluazio-metrikak nabarmen desberdinak dira. Detekzio-ereduek irudi bakoitzeko objektu kopuru aldakorrak kudeatu behar dituzte, eta sailkapenak inoiz ez ditu horiek aurkitzen.
Mitologia
Sailkapen zehaztasun handiagoak detekzio errendimendu hobea esan nahi du.
Errealitatea
ImageNet sailkapenean bikaina den eredu batek ez du automatikoki ondo funtzionatzen objektuak detektatzen. Detekziorako, bizkarrezurrak informazio espaziala gordetzea eskatzen du, bektore bakar batean bildu beharrean, eta horregatik daude detekziorako arkitektura eta entrenamendu estrategia espezifikoak.
Mitologia
Sailkatzaile bat detektagailu bihur dezakezu erraz.
Errealitatea
Grad-CAM bezalako teknikek sailkatzaile batek fokatzen dituen eskualdeak nabarmendu ditzaketen arren, bero-mapa hauek ez dira muga-koadro zehatzak. Benetako detektagailu bat eraikitzeko, muga-koadroen anotazioekin eta detekzio-arkitektura espezifiko batekin berriro entrenatu behar da. Bi zereginak ez dira elkarren ordezkoak.
Mitologia
Objektuen detekzioak sailkapena baino emaitza hobeak lortzen ditu beti benetako munduko zereginetan.
Errealitatea
Detekzioa gehiegizkoa da aplikazio askotan. Irudi batek katu bat duen ala ez jakin behar baduzu bakarrik, detekzio-eredu osoa exekutatzeak baliabideak xahutzen ditu. Sailkapena aukera hobea da kokapena garrantzitsua ez denean, eta detekzioa alferrik erabiltzeak latentzia eta azpiegitura-kostuak handitzen ditu.
Mitologia
Objektu-detektagailu modernoek edozein ingurunetan funtzionatzen dute ezin hobeto.
Errealitatea
Detekzio-ereduek arazoak dituzte oklusioarekin, objektu txikiekin, angelu ezohikoekin eta banaketa-aldaketarekin. Punta-puntako ereduek oraindik huts egiten dute gizakiek ahaleginik gabe kudeatzen dituzten ertzeko kasuetan, eta horregatik, gidatze autonomoa bezalako segurtasun-kritiko aplikazioek balidazio eta erredundantzia zabala behar dute.
Sarritan Egindako Galderak
Zein da objektuen detekzio eta irudien sailkapenaren arteko desberdintasun nagusia?
Irudien sailkapenak etiketa bakarra esleitzen dio irudi osoari, "zer da hau?" erantzunez. Objektuen detekzioa are gehiago doa, objektuak mugatzaile-koadroekin ere kokatuz, "zer da hau eta non dago?" erantzunez. Desberdintasun nagusia informazio espaziala da: sailkapenak objektuak non dauden alde batera uzten du, detekzioak, berriz, identifikatutako elementu bakoitzaren koordenatu zehatzak ematen ditu.
Zein zeregin da zailagoa IArentzat egiteko?
Objektuen detekzioa, oro har, zailagoa dela uste da, sailkapena eta lokalizazioa aldi berean ebaztea eskatzen duelako. Ereduak objektu kopuru aldakorrak aurreikusi behar ditu, gainjarritako kutxak kudeatu eta zehaztasun espaziala mantendu. Sailkapenak eduki nagusia zehaztu besterik ez du egin behar, eta horrek ikaskuntza-arazo sinpleagoa bihurtzen du, erreferentzia estandarretan zehaztasun handiagoa lor daitekeena.
Objektuen detekzioa erabil al dezakezu irudiak sailkatzeko?
Bai, baina ez da eraginkorra. Objektu-detektagailu bat exekutatu dezakezu eta detektatutako klaseak sailkapen-etiketa gisa erabil ditzakezu, baina horrek kalkuluak alferrik galtzen ditu, detekzioa garestiagoa baita. Sailkatzaile dedikatu bat azkarragoa eta zehatzagoa izango da sailkapen-zeregin hutsetarako. Detekzioa merezi du soilik muga-koadroen kokapenak behar dituzunean.
Zeintzuk dira zeregin bakoitza entrenatzeko datu-multzo onenak?
Sailkapenari dagokionez, ImageNet da urrezko estandarra, milaka kategoriatan banatutako 14 milioi irudirekin. CIFAR-10 eta CIFAR-100 ezagunak dira eskala txikiko esperimentuetarako. Objektuak detektatzeko, COCO (Common Objects in Context) da erreferentzia erabiliena, 330.000 irudi eta 80 objektu kategoria dituelarik. Pascal VOC ikaskuntzarako eta prototipoak egiteko askotan erabiltzen den beste datu-multzo klasiko bat da.
Zein modelorekin hasi beharko lukete hasiberriek?
Sailkapenerako, hasi ResNet-50 edo EfficientNet-B0-rekin, zehaztasun-konplexutasun erlazio onak eta dokumentazio zabala eskaintzen baitute. Objektuak detektatzeko, YOLOv5 edo YOLOv8 hasiberrientzako egokiak dira, API sinpleak, komunitate aktiboak eta aurrez entrenatutako pisuak dituztelako. R-CNN azkarragoa zehatzagoa da, baina konfiguratzeko zailagoa da hasiberrientzat.
Zenbat entrenamendu datu behar dituzu zeregin bakoitzerako?
Sailkapenak ehunka eta milaka irudi ingururekin funtziona dezake klase bakoitzeko, aurrez entrenatutako ereduetatik transferentzia-ikaskuntza erabiliz. Objektuen detekziorako, normalean, datu gehiago behar dira, askotan gutxienez milaka irudi anotatu, ereduak objektuak ezagutzen eta muga-koadroak zehatz-mehatz aurreikusten ikasi behar duelako. Plano gutxiko detekzioa ikerketa-eremu aktiboa izaten jarraitzen du.
YOLO sailkapen edo detekzio eredu bat da?
YOLO (You Only Look Once, behin bakarrik begiratu behar duzu) objektuak detektatzeko eredu bat da, ez sailkatzaile bat. Muga-kutxak eta klase-probabilitateak aldi berean aurreikusten ditu aurreranzko pasada bakarrean, eta horrek denbora errealeko detektagailurik azkarrenetako bat bihurtzen du. YOLO arkitekturen sailkapen-aldaerak daude, baina jatorrizko eta ezagunenak detektatzeko diseinatuta daude.
Zer hardware behar duzu modelo hauek exekutatzeko?
Sailkapen ereduak eroso exekutatu daitezke CPUetan inferentziarako, eta gailu mugikorrek ere eraginkortasunez kudea ditzakete. Objektuen detekzioak baliabide gehiago behar ditu, batez ere denbora errealeko aplikazioetarako. GPU moderno bat gomendatzen da bi zereginak entrenatzeko, baina YOLOv8-nano bezalako detektagailu optimizatuetarako inferentziak Raspberry Pi eta telefono mugikorrak bezalako ertzeko gailuetan exekutatu daiteke.
Nola ebaluatzen duzu ereduaren errendimendua zeregin bakoitzerako?
Sailkapenak neurri hauek erabiltzen ditu: lehenengo 1. zehaztasuna, lehenengo 5. zehaztasuna, zehaztasuna, berreskurapena eta F1 puntuazioa. Objektuen detekzioak batez besteko zehaztasuna (mAP) erabiltzen du, hainbat IoU atalaseetan kalkulatua, hala nola mAP@0.5 edo mAP@0.5:0.95 (COCO neurria). Detekzio-ebaluazioa konplexuagoa da, sailkapenaren zuzentasuna eta lokalizazioaren zehaztasuna kontuan hartu behar baititu.
Transformadoreak bi zereginetarako erabil daitezke?
Bai, Vision Transformers (ViT) eta haien aldaerak ondo funtzionatzen dute bai sailkapenean bai detekzioan. DETR (Detection Transformer) aitzindari izan zen objektuen detekzioan transformadoreak aplikatu zituen eredua. Swin Transformer bezalako ereduak bi zereginetarako bizkarrezurra dira, eta askotan emaitza aurreratuak lortzen dituzte entrenamendu-datu nahikoa dagoenean.
Epaia
Aukeratu irudien sailkapena irudiak azkar sailkatu behar dituzunean haien eduki orokorraren arabera eta informazio espaziala behar ez duzunean, batez ere baliabide mugatuko inguruneetan. Aukeratu objektuen detekzioa zure aplikazioak zein objektu dauden eta non agertzen diren jakitea eskatzen duenean, konputazio-kostu handiagoa onartuz irteera aberatsagoa lortzeko beharrezko konpentsazio gisa.
