זיהוי אובייקטים מבוסס-קבוצות מתייחס לזיהוי כבעיית חיזוי קבוצות, ומפיק ישירות תיבות גבול ללא עוגנים מוגדרים מראש. זיהוי מבוסס-עוגנים מסתמך על תיבות מוגדרות מראש בקני מידה ויחסי גובה-רוחב מרובים, ולאחר מכן משפר אותן. שתי הגישות מפעילות מערכות ראייה ממוחשבת מודרניות, אך נבדלות באופן מהותי באופן שבו הן ממפותלות אובייקטים.
פרדיגמת גילוי מודרנית שחוזה עצמים כקבוצות לא מסודרות, ומבטלת את הצורך בתיבות עוגן בעבודת יד.
גישת זיהוי מסורתית המשתמשת בתיבות עיגון מוגדרות מראש בגדלים ויחסים שונים כדי לאתר אובייקטים בתמונות.
| תכונה | זיהוי אובייקטים מבוסס-קבוצה | זיהוי עצמים מבוסס עוגן |
|---|---|---|
| גישת הליבה | חיזוי קבוצות ישיר באמצעות שנאים | סיווג ורגרסיה של עוגנים מוגדרים מראש |
| קופסאות עוגן נדרשות | לֹא | כֵּן |
| עיבוד לאחר מכן | מינימלי או ללא (ללא NMS) | נדרש דיכוי לא מקסימלי |
| יציבות אימון | מאתגר מבחינה היסטורית, משופר בגרסאות חדשות יותר | יציב בדרך כלל עם היפר-פרמטרים מכוונים היטב |
| זמן אימון | ארוך יותר, במיוחד עבור דגמי DETR מוקדמים | בדרך כלל התכנסות מהירה יותר |
| רגישות היפרפרמטרית | נמוך יותר (פחות אפשרויות עיצוב) | גבוה יותר (קני מידה של עוגן, יחסים, ספי IoU) |
| מודלים מייצגים | DETR, DETR ניתן לעיוות, DINO, Co-DETR | R-CNN מהיר יותר, RetinaNet, SSD, YOLOv3/v4/v5 |
| מפת קוקוס (טיפוסית) | 50-63% תלוי בגרסה | 37-50% תלוי בגרסה |
| תחזיות כפולות | בוטל באמצעות התאמה דו-צדדית | מטופל באמצעות NMS |
זיהוי מבוסס-קבוצות חושב מחדש על הבעיה באופן מהותי על ידי בקשה מהמודל להפיק קבוצה בגודל קבוע של תחזיות במעבר אחד, שבו כל אלמנט מתאים לאובייקט אחד. זה מבטל את הצורך ברכיבים שתוכננו ידנית. זיהוי מבוסס-עוגנים, לעומת זאת, מתחיל ברשת צפופה של תיבות מוגדרות מראש ומבקש מהמודל לסווג ולעדן כל אחת מהן, דבר שהוא פשוט יותר מבחינה רעיונית אך מציג החלטות עיצוביות רבות.
גלאים מבוססי-קבוצות משתמשים בדרך כלל בארכיטקטורות שנאים עם מנגנוני קשב עצמי וקשב צולב, מה שמאפשר למודל לחשוב באופן גלובלי על יחסי אובייקטים. שיטות מבוססות עוגן מסתמכות בעיקר על עמוד שדרה קונבולוציוני עם רשתות הצעות אזור או רשתות פירמידת תכונות. המעבר הארכיטקטוני מרשתות CNN לשנאים מביא הטיות אינדוקטיביות ומאפייני חישוב שונים.
מודלים מוקדמים מבוססי-קבוצות כמו DETR היו ידועים לשמצה בהתכנסות איטית, ולעתים קרובות דרשו 500 עידנים כדי להתאים לביצועים של Faster R-CNN ב-50 עידנים. עבודה מאוחרת יותר על DETR Deformable ו-DINO הפחיתה באופן דרמטי את זמן האימון באמצעות מנגנוני קשב טובים יותר וטכניקות ביטול רעשים. מודלים מבוססי עוגן נהנים ממתכוני אימון מובנים היטב ובדרך כלל מתכנסים מהר יותר עם הגדרות סטנדרטיות.
גלאים מבוססי עוגן נותרו דומיננטיים במערכות ייצור בשל בגרותם, כלי העבודה הנרחבים וההתנהגות הצפויה שלהם. גלאים מבוססי סטים צוברים תאוצה במחקר ובכמה יישומים מסחריים שבהם אופיים המקיף מקצה לקצה מפשט את צינורות הפריסה. היעדר NMS במודלים מבוססי סטים הוא בעל ערך במיוחד עבור מערכות בזמן אמת שבהן השהיית עיבוד לאחר מכן חשובה.
במדד COCO, גלאים מודרניים מבוססי-קבוצות כמו DINO ו-Co-DETR עקפו שיטות מבוססות-עיגון, והגיעו ליותר מ-63% mAP. עם זאת, מודלים מבוססי-עיגון כמו YOLOv8 ו-EfficientDet נותרו תחרותיים ביותר, במיוחד כשחושבים על מהירות הסקה. הבחירה תלויה לעתים קרובות בשאלה האם הדיוק או יעילות החישוב הם בראש סדר העדיפויות.
זיהוי מבוסס-קבוצות מחליף לחלוטין זיהוי מבוסס-עוגנים בפועל.
בעוד ששיטות מבוססות-קבוצות זכו לתשומת לב מחקרית משמעותית, גלאים מבוססי עוגן כמו גרסאות YOLO נותרו נפוצים במערכות ייצור. שתי הגישות קיימות יחד, כאשר הבחירה תלויה במקרי שימוש ספציפיים, אילוצי חומרה ודרישות דיוק.
גלאים מבוססי-סט אינם זקוקים כלל לעיבוד לאחר מכן.
בעוד ששיטות מבוססות-קבוצות מבטלות דיכוי שאינו מקסימלי באמצעות התאמה דו-חלקית במהלך האימון, חלק מהגרסאות עדיין מיישמות סינון קל משקל בהסקה. היתרון המרכזי הוא הסרת סף ה-NMS המכוון ידנית, ולא כל עיבוד לאחר מכן לחלוטין.
זיהוי מבוסס עוגן הוא מיושן ומיושן.
שיטות מבוססות עוגנים ממשיכות להתפתח ונשארות תחרותיות ביותר. מודלים כמו YOLOv8, EfficientDet וגרסאות חדשות משיגים פשרות מצוינות של מהירות-דיוק ששיטות מבוססות סט לא הצליחו להשיג במלואן בתרחישים בזמן אמת.
זיהוי מבוסס-קבוצות תמיד דורש שנאים.
רוב הגלאים מבוססי-קבוצות אכן משתמשים בארכיטקטורות של שנאים, אך מסגרת חיזוי הקבוצות עצמה אינה תלויה בארכיטקטורה. הרעיון המרכזי של חיזוי קבוצה לא מסודרת עם הקצאות ייחודיות ניתן ליישם תיאורטית עם ארכיטקטורות אחרות, אם כי שנאים הוכיחו את עצמם כיעילים ביותר בפועל.
תיבות עיגון הן שרירותיות ואינן משפיעות הרבה על ביצועי המודל.
תכנון עוגן משפיע באופן משמעותי על ביצועי גלאי מבוסס עוגן. בחירות לגבי קני מידה, יחסי גובה-רוחב וספי IoU להקצאה חיובית/שלילית יכולות לשנות את mAP בכמה נקודות אחוז. תכנון עוגן לקוי מוביל להחמצת אובייקטים, במיוחד עבור צורות או קני מידה יוצאי דופן.
בחרו בזיהוי אובייקטים מבוסס-קבוצות כאשר אתם זקוקים לקו צינור מקצה לקצה ללא עיבוד לאחר מכן, עובדים על פרויקטי מחקר, או רוצים למנף ארכיטקטורות טרנספורמטור לצורך חשיבה גלובלית. בחרו בזיהוי מבוסס-עוגנים כאשר אתם זקוקים למודלים מוכחים ומוכנים לייצור עם תמיכה קהילתית נרחבת, הדרכה מהירה יותר והתנהגות מובנת היטב בתרחישי פריסה מגוונים.
RAG ו-LLMs מכוונים עדינים שניהם משפרים את איכות הפלט של בינה מלאכותית אך פועלים בדרכים שונות באופן מהותי. RAG מושך מידע חיצוני בזמן השאילתה, בעוד שכיוונון עדין אופה ידע חדש ישירות לתוך משקלי המודל. הבחירה ביניהם תלויה בתדירות שינוי הנתונים שלך ובסוג הדיוק שאתה צריך.
RAG עם הקשר חזותי מעשיר מודלים של שפה על ידי אחזור תמונות, תרשימים ודיאגרמות לצד טקסט, בעוד ש-RAG טקסטואלי בלבד מסתמך אך ורק על קטעים כתובים. RAG חזותי מצטיין במשימות רב-מודאליות כמו הבנת מסמכים ומענה חזותי לשאלות, בעוד ש-RAG טקסטואלי בלבד נותר פשוט, מהיר וזול יותר לפריסה.
RAG רב-מודאלי מעבד טקסט, תמונות, אודיו ווידאו יחד לאחזור עשיר יותר, בעוד ש-RAG טקסט-בלבד מתמקד אך ורק בתוכן כתוב. הבחירה תלויה בשאלה האם הנתונים ומקרי השימוש שלכם חורגים מעבר למסמכי טקסט רגיל.
"אבולוציה של בינה מלאכותית מונחית מחקר" מתמקדת בשיפורים קבועים ומצטברים בשיטות אימון, קנה מידה של נתונים וטכניקות אופטימיזציה בתוך פרדיגמות בינה מלאכותית קיימות, בעוד ש"שיבוש ארכיטקטורה" מציג שינויים מהותיים באופן שבו מודלים מתוכננים ומחשבים מידע. יחד, הם מעצבים את התקדמות הבינה המלאכותית באמצעות חידוד הדרגתי ושינויים מבניים פורצי דרך מדי פעם.
השוואה זו בוחנת את הפשרות המרכזיות בין מערכות בינה מלאכותית אוטונומיות לחלוטין לבין מסגרות הדורשות פיקוח אנושי, ומדגישה כיצד ארגונים מאזנים בין מהירות עיבוד גולמי לבין אחריות אתית, הפחתת סיכונים וטיפול במקרי קצה בלתי צפויים בסביבות אמיתיות.
