Kopu objektu noteikšana traktē noteikšanu kā kopas prognozēšanas problēmu, tieši izvadot ierobežojošos lodziņus bez iepriekš definētiem enkuriem. Enkuru noteikšana balstās uz iepriekš definētiem lodziņiem dažādos mērogos un malu attiecībās, pēc tam tos precizē. Abas pieejas nodrošina modernas datorredzes sistēmas, taču tās būtiski atšķiras ar to, kā tās lokalizē objektus.
Mūsdienīga noteikšanas paradigma, kas paredz objektus kā nesakārtotus kopumus, novēršot nepieciešamību pēc ar rokām izgatavotām enkura kastēm.
Tradicionāla noteikšanas pieeja, kas izmanto iepriekš definētus dažāda izmēra un proporciju enkura lodziņus, lai lokalizētu objektus attēlos.
| Funkcija | Uz kopām balstīta objektu noteikšana | Uz enkuriem balstīta objektu noteikšana |
|---|---|---|
| Galvenā pieeja | Tieša kopas prognozēšana, izmantojot transformatorus | Iepriekš definētu enkuru klasifikācija un regresija |
| Nepieciešamas enkuru kastes | Nē | Jā |
| Pēcapstrāde | Minimāls vai nav (bez NMS) | Nepieciešama nemaksimāla slāpēšana |
| Treniņu stabilitāte | Vēsturiski izaicinošs, uzlabots jaunākos variantos | Parasti stabils ar labi noregulētiem hiperparametriem |
| Apmācības laiks | Ilgāks, īpaši agrīnajiem DETR modeļiem | Parasti ātrāka konverģence |
| Hiperparametru jutība | Zemāks (mazāk dizaina izvēles) | Augstāks (enkura mērogi, koeficienti, IoU sliekšņi) |
| Reprezentatīvie modeļi | DETR, deformējams DETR, DINO, Co-DETR | Ātrāks R-CNN, RetinaNet, SSD, YOLOv3/v4/v5 |
| COCO mAP (tipisks) | 50–63 % atkarībā no varianta | 37–50 % atkarībā no varianta |
| Dublētas prognozes | Izslēgts, izmantojot divpusēju saskaņošanu | Apstrādāts, izmantojot NMS |
Kopu noteikšana fundamentāli pārdomā problēmu, lūdzot modelim vienā piegājienā izvadīt fiksēta izmēra prognožu kopu, kur katrs elements atbilst vienam objektam. Tas novērš nepieciešamību pēc manuāli izstrādātiem komponentiem. Turpretī enkuru noteikšana sākas ar blīvu iepriekš definētu lodziņu režģi un lūdz modelim klasificēt un precizēt katru no tiem, kas konceptuāli ir vienkāršāk, bet ievieš daudzus dizaina lēmumus.
Uz kopām balstīti detektori parasti izmanto transformatoru arhitektūras ar pašuzmanības un savstarpējas uzmanības mehānismiem, ļaujot modelim globāli spriest par objektu attiecībām. Uz enkuriem balstītas metodes galvenokārt balstās uz konvolucionāliem mugurkauliem ar reģionu piedāvājumu tīkliem vai iezīmju piramīdas tīkliem. Arhitektūras pāreja no CNN uz transformatoriem rada dažādas induktīvās novirzes un skaitļošanas raksturlielumus.
Agrīnie uz kopām balstīti modeļi, piemēram, DETR, bija pazīstami ar lēnu konverģenci, bieži vien pieprasot 500 epohas, lai sasniegtu ātrāka R-CNN veiktspēju 50 epohās. Turpmākais darbs pie Deformable DETR un DINO ievērojami samazināja apmācības laiku, pateicoties labākiem uzmanības mehānismiem un trokšņu slāpēšanas metodēm. Uz enkuriem balstīti modeļi gūst labumu no labi saprotamām apmācības receptēm un parasti konverģē ātrāk ar standarta iestatījumiem.
Enkuru detektori joprojām dominē ražošanas sistēmās, pateicoties to briedumam, plašajam instrumentu klāstam un paredzamai uzvedībai. Kopu detektori gūst popularitāti pētniecībā un dažos komerciālos pielietojumos, kur to pilna cikla raksturs vienkāršo izvietošanas procesus. NMS neesamība kopu modeļos ir īpaši vērtīga reāllaika sistēmām, kurās ir svarīga pēcapstrādes latentums.
COCO etalonā mūsdienīgi uz kopām balstīti detektori, piemēram, DINO un Co-DETR, ir pārspējuši uz enkuriem balstītas metodes, sasniedzot vairāk nekā 63% mAP. Tomēr uz enkuriem balstīti modeļi, piemēram, YOLOv8 un EfficientDet, joprojām ir ļoti konkurētspējīgi, īpaši ņemot vērā secinājumu ātrumu. Izvēle bieži vien ir atkarīga no tā, vai prioritāte ir precizitāte vai skaitļošanas efektivitāte.
Praksē uz kopu balstīta noteikšana pilnībā aizstāj uz enkuru balstītu noteikšanu.
Lai gan uz kopām balstītas metodes ir piesaistījušas ievērojamu pētniecisko uzmanību, uz enkuriem balstīti detektori, piemēram, YOLO varianti, joprojām plaši tiek izmantoti ražošanas sistēmās. Abas pieejas pastāv līdzās, un izvēle ir atkarīga no konkrētiem lietošanas gadījumiem, aparatūras ierobežojumiem un precizitātes prasībām.
Kopu detektoriem vispār nav nepieciešama pēcapstrāde.
Lai gan uz kopām balstītas metodes apmācības laikā, izmantojot divpusēju saskaņošanu, novērš nemaksimālu nomākšanu, daži varianti joprojām izmanto vieglu filtrēšanu secinājumu veikšanas laikā. Galvenā priekšrocība ir manuāli noregulētā NMS sliekšņa noņemšana, nevis visa pēcapstrāde pilnībā.
Uz enkuriem balstīta noteikšana ir novecojusi un nepilnvērtīga.
Uz enkuriem balstītas metodes turpina attīstīties un joprojām ir ļoti konkurētspējīgas. Tādi modeļi kā YOLOv8, EfficientDet un jaunākie varianti sasniedz izcilus ātruma un precizitātes kompromisus, ko uz kopām balstītas metodes reāllaika scenārijos nav pilnībā nodrošinājušas.
Uz komplektiem balstītai noteikšanai vienmēr ir nepieciešami transformatori.
Lielākā daļa uz kopām balstītu detektoru izmanto transformatoru arhitektūras, taču pats kopu prognozēšanas ietvars ir arhitektūrai neitrāls. Pamatideja par nesakārtotas kopas ar unikāliem piešķīrumiem prognozēšanu teorētiski var tikt ieviesta ar citām arhitektūrām, lai gan praksē visefektīvākie ir izrādījušies transformatori.
Enkuru kastes ir patvaļīgas un īpaši neietekmē modeļa veiktspēju.
Enkura konstrukcija būtiski ietekmē uz enkura balstīta detektora veiktspēju. Izvēles attiecībā uz mērogiem, malu attiecībām un IoU robežvērtībām pozitīvai/negatīvai piešķiršanai var mainīt mAP par vairākiem procentpunktiem. Slikta enkura konstrukcija noved pie nepamanītiem objektiem, īpaši neparastas formas vai mērogu gadījumā.
Izvēlieties uz kopām balstītu objektu noteikšanu, ja jums ir nepieciešams pilnīgs cauruļvads bez pēcapstrādes, strādājat pie pētniecības projektiem vai vēlaties izmantot transformatoru arhitektūras globālai spriešanai. Izvēlieties uz enkuriem balstītu noteikšanu, ja jums ir nepieciešami pārbaudīti, ražošanai gatavi modeļi ar plašu kopienas atbalstu, ātrāku apmācību un labi izprotamu uzvedību dažādos izvietošanas scenārijos.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
