Орундарга негизделген объекттерди аныктоо аныктоону белгиленген божомолдоо маселеси катары карайт, алдын ала аныкталган анкерлерсиз түздөн-түз чектөөчү кутучаларды чыгарат. Анкерге негизделген аныктоо бир нече масштабдагы жана аспекттик катыштагы алдын ала аныкталган кутучаларга таянат, андан кийин аларды өркүндөтөт. Экөө тең заманбап компьютердик көрүү системаларын иштетет, бирок объекттерди кантип локалдаштыруусу боюнча түп-тамырынан бери айырмаланат.
Кол менен жасалган анкер кутучаларына болгон муктаждыкты жокко чыгарып, объектилерди иретсиз топтомдор катары алдын ала айткан заманбап аныктоо парадигмасы.
Сүрөттөрдөгү объекттерди локалдаштыруу үчүн ар кандай өлчөмдөгү жана катыштагы алдын ала аныкталган анкер кутучаларын колдонгон салттуу аныктоо ыкмасы.
| Мүмкүнчүлүк | Орнотууга негизделген объектти аныктоо | Якорь негизиндеги объектти аныктоо |
|---|---|---|
| Негизги ыкма | Трансформаторлорду колдонуп, түз топтомдорду алдын ала айтуу | Алдын ала аныкталган якорлордун классификациясы жана регрессиясы |
| Анкер кутучалары талап кылынат | Жок | Ооба |
| Кийинки иштетүү | Минималдуу же такыр жок (NMSсиз) | Максималдуу эмес басуу талап кылынат |
| Машыгуунун туруктуулугу | Тарыхый жактан татаал, жаңы варианттарда жакшыртылган | Жалпысынан алганда, жакшы жөндөлгөн гиперпараметрлер менен туруктуу |
| Машыгуу убактысы | Узунураак, айрыкча DETRдин алгачкы моделдери үчүн | Адатта тезирээк конвергенция |
| Гиперпараметр сезгичтиги | Төмөн (дизайн тандоолору азыраак) | Жогорку (анкердик шкала, катыштар, IoU босоголору) |
| Өкүлчүлүктүү моделдер | DETR, деформациялануучу DETR, DINO, Co-DETR | Тезирээк R-CNN, RetinaNet, SSD, YOLOv3/v4/v5 |
| COCO мАП (типтүү) | Вариантка жараша 50-63% | Вариантка жараша 37-50% |
| Кайталанган божомолдор | Эки тараптуу дал келүү аркылуу алынып салынды | NMS аркылуу иштетилет |
Топтомдорго негизделген аныктоо моделден бир жолку өтүүдө белгиленген өлчөмдөгү божомолдор топтомун чыгарууну сурануу менен көйгөйдү түп-тамырынан бери кайра карап чыгат, мында ар бир элемент бир объектке туура келет. Бул кол менен иштелип чыккан компоненттерге болгон муктаждыкты жокко чыгарат. Ал эми, якорго негизделген аныктоо алдын ала аныкталган кутучалардын тыгыз торчосунан башталат жана моделден ар бирин классификациялоону жана тактоону суранат, бул концептуалдык жактан жөнөкөй, бирок көптөгөн дизайн чечимдерин киргизет.
Топтомдорго негизделген детекторлор, адатта, өзүнө көңүл буруу жана кайчылаш көңүл буруу механизмдери бар трансформатор архитектураларын колдонушат, бул моделге объекттик мамилелер жөнүндө глобалдык ой жүгүртүүгө мүмкүндүк берет. Якорьго негизделген ыкмалар негизинен аймактык сунуш тармактары же өзгөчөлүк пирамида тармактары бар конволюциялык магистралдарга таянат. CNNден трансформаторлорго архитектуралык өтүү ар кандай индуктивдик бир жактуулуктарды жана эсептөө мүнөздөмөлөрүн алып келет.
DETR сыяктуу алгачкы топтомдорго негизделген моделдер жай конвергенциясы менен белгилүү болгон, көбүнчө Faster R-CNNдин 50 доордогу көрсөткүчүнө дал келүү үчүн 500 доор талап кылынган. Кийинки Deformable DETR жана DINO боюнча иштер көңүл бурууну жакшыртуу механизмдери жана ызы-чууну басаңдатуу ыкмалары аркылуу машыгуу убактысын кескин кыскарткан. Якорьго негизделген моделдер жакшы түшүнүлгөн машыгуу рецепттеринен пайда алышат жана жалпысынан стандарттуу жөндөөлөр менен тезирээк конвергенцияланышат.
Якорь негизиндеги детекторлор өздөрүнүн жетилгендиги, кеңири куралдануусу жана алдын ала айтууга боло турган жүрүм-турумунан улам өндүрүш системаларында үстөмдүк кылууда. Орнотулган детекторлор изилдөөлөрдө жана кээ бир коммерциялык колдонмолордо кеңири колдонулуп келе жатат, анткени алардын баштан аяк мүнөзү жайылтуу түтүктөрүн жөнөкөйлөтөт. Орнотулган моделдерде NMSтин жоктугу, айрыкча, иштетүүдөн кийинки кечигүү маанилүү болгон реалдуу убакыттагы системалар үчүн баалуу.
COCO эталонунда, DINO жана Co-DETR сыяктуу заманбап топтомдорго негизделген детекторлор якорьго негизделген ыкмаларды ашып өтүп, 63% mAPтан ашты. Бирок, YOLOv8 жана EfficientDet сыяктуу якорьго негизделген моделдер, айрыкча, тыянак чыгаруу ылдамдыгын эске алганда, жогорку атаандаштыкка жөндөмдүү бойдон калууда. Тандоо көбүнчө тактык же эсептөө натыйжалуулугу артыкчылыктуубу же жокпу, ошого жараша болот.
Иш жүзүндө топтомдорго негизделген аныктоо анкерге негизделген аныктоону толугу менен алмаштырат.
Топтомдорго негизделген ыкмалар изилдөөгө олуттуу көңүл бурулганы менен, YOLO варианттары сыяктуу якордук детекторлор өндүрүш системаларында кеңири колдонулууда. Эки ыкма тең биргелешип колдонулат, тандоо белгилүү бир колдонуу учурларына, жабдыктардын чектөөлөрүнө жана тактык талаптарына жараша болот.
Орнотулган детекторлор эч кандай кийинки иштетүүнү талап кылбайт.
Топтомго негизделген ыкмалар машыгуу учурунда эки тараптуу дал келүү аркылуу максималдуу эмес басууну жок кылса да, кээ бир варианттар дагы эле жыйынтык чыгарууда жеңил чыпкалоону колдонушат. Негизги артыкчылыгы - кол менен жөндөлгөн NMS босогосун алып салуу, толугу менен кийинки иштетүү эмес.
Якорьго негизделген аныктоо эскирген жана эскирген.
Якорьго негизделген ыкмалар өнүгүп жатат жана атаандаштыкка жөндөмдүү бойдон калууда. YOLOv8, EfficientDet жана акыркы варианттар сыяктуу моделдер реалдуу убакыттагы сценарийлерде орнотулган ыкмалар толук дал келбеген эң сонун ылдамдык-тактык компромисстерине жетишет.
Орнотууга негизделген аныктоо ар дайым трансформаторлорду талап кылат.
Көпчүлүк топтомдорго негизделген детекторлор трансформатордук архитектураларды колдонушат, бирок топтомдорду алдын ала айтуу алкагынын өзү архитектурага агностикалык. Уникалдуу дайындоолор менен иреттелбеген топтомду алдын ала айтуунун негизги идеясын теориялык жактан башка архитектуралар менен ишке ашырууга болот, бирок трансформаторлор иш жүзүндө эң натыйжалуу экени далилденген.
Якорь кутучалары каалагандай болот жана моделдин иштешине анчалык таасир этпейт.
Якордун дизайны якорго негизделген детектордун иштешине олуттуу таасир этет. Оң/терс дайындоо үчүн масштабдар, аспект катыштары жана IoU босоголору боюнча тандоолор mAPты бир нече пайыздык пунктка өзгөртүшү мүмкүн. Начар якордун дизайны объектилердин байкалбай калышына алып келет, айрыкча адаттан тыш формалар же масштабдар үчүн.
Эгерде сизге кийинки иштетүүсүз толук кандуу түтүк керек болсо, изилдөө долбоорлорунун үстүндө иштеп жатсаңыз же глобалдык ой жүгүртүү үчүн трансформатордук архитектураларды колдонгуңуз келсе, топтомго негизделген объекттерди аныктоону тандаңыз. Эгерде сизге кеңири коомчулук колдоосуна, тезирээк окутууга жана ар кандай жайылтуу сценарийлеринде жакшы түшүнүктүү жүрүм-турумга ээ далилденген, өндүрүшкө даяр моделдер керек болсо, анкерге негизделген аныктоону тандаңыз.
CLIP киргизүүлөрү сүрөттөрдү жана текстти жалпы семантикалык мейкиндикте түшүнүү үчүн терең үйрөнүүнү колдонот, ал эми ачкыч сөздөргө негизделген сүрөттү издөө кол менен дайындалган тегдерди же айланасындагы текстти дал келтирүүгө негизделген. CLIP заманбап визуалдык издөө тапшырмалары үчүн алда канча чоң ийкемдүүлүктү жана тактыкты сунуштайт, ал эми ачкыч сөздөрдүн ыкмалары тар, жакшы тандалган контексттерде пайдалуу бойдон калууда.
DeepSeek V4 - бул кытайлык жасалма интеллект лабораториясынан чыккан ачык салмактагы чоң тил модели, ал эми GPT-4 классындагы моделдер OpenAIдин флагмандык жабык булактуу системаларына тиешелүү. Бул салыштыруу иштеп чыгуучуларга жана бизнеске акылдуулук менен тандоо жасоого жардам берүү үчүн алардын архитектурасын, мүмкүнчүлүктөрүн, баасын, жеткиликтүүлүгүн жана реалдуу дүйнөдөгү иштешин изилдейт.
Google издөө алгоритми миллиарддаган веб-баракчаларды машиналык окутууну жана жүздөгөн сигналдарды колдонуп рейтингге киргизет, ал эми жөнөкөйлөтүлгөн класстык моделдер жасалма интеллект концепцияларын үйрөтүүгө боло турган, жеткиликтүү алкактарга бөлөт. Бири өндүрүштө планетардык масштабда иштейт; экинчиси окуучулар үчүн жасалма интеллекттин чындыгында кандай иштээрин үйрөнүү үчүн педагогикалык көпүрө катары кызмат кылат.
Google Издөө – көпчүлүк адамдар күн сайын колдонгон кеңири веб индекстөө системасы, ал эми Knowledge Graph Search – бул түз жоопторду жана маалымат панелдерин колдогон Google'дун структураланган объект маалымат базасы. Алардын кандайча айырмаланарын түшүнүү эмне үчүн кээ бир сурамдар бай маалыматтарды кайтарарын, ал эми башкалары салттуу көк шилтемелерди кайтарарын түшүндүрүүгө жардам берет.
GPT стилиндеги архитектуралар бай контексттик түшүнүктү түзүү үчүн өзүнө көңүл бурган Трансформер декодер моделдерине таянат, ал эми Мамбага негизделген тил моделдери ырааттуулуктарды натыйжалуураак иштетүү үчүн структураланган абал мейкиндигин моделдөөнү колдонушат. Негизги компромисс - GPT стилиндеги системалардагы экспрессивдүүлүк жана ийкемдүүлүк, ал эми Мамбага негизделген моделдердеги масштабдуулук жана узак контексттик натыйжалуулук.
