Pengesanan objek dan pengelasan imej kedua-duanya merupakan tugas teras penglihatan komputer, tetapi ia mempunyai tujuan yang berbeza secara asasnya. Pengelasan melabelkan keseluruhan imej dengan satu kategori, manakala pengesanan objek mencari dan mengenal pasti berbilang objek dalam sesuatu pemandangan. Memilih antara kedua-duanya bergantung kepada sama ada anda perlu tahu apa yang ada dalam imej atau di mana item tertentu diletakkan.
Mengenal pasti dan menyetempatkan berbilang objek dalam imej menggunakan kotak sempadan dan label kelas.
Menetapkan satu label atau kategori kepada keseluruhan imej berdasarkan kandungan visual dominannya.
| Ciri-ciri | Pengesanan Objek Penglihatan Komputer | Tugasan Pengelasan Imej |
|---|---|---|
| Output Utama | Kotak sempadan dengan label kelas dan skor keyakinan | Label kelas tunggal untuk keseluruhan imej |
| Maklumat Ruang | Menyediakan lokasi objek yang tepat menggunakan koordinat | Tiada maklumat ruang atau kedudukan yang diberikan |
| Bilangan Objek | Boleh mengesan pelbagai objek secara serentak | Mengenal pasti subjek dominan sahaja |
| Kos Pengiraan | Lebih tinggi disebabkan oleh cadangan rantau dan pelbagai ramalan | Lebih rendah dengan satu hantaran ke hadapan bagi setiap imej |
| Kerumitan Model | Lebih kompleks dengan komponen tulang belakang, leher dan kepala | Seni bina yang lebih ringkas tertumpu pada pengekstrakan ciri |
| Julat Ketepatan Lazim | mAP 40-65 pada penanda aras COCO untuk model canggih | Ketepatan 1 teratas 85-91% pada ImageNet untuk model terkemuka |
| Keperluan Data Latihan | Memerlukan anotasi kotak sempadan, lebih mahal untuk dilabelkan | Hanya memerlukan label peringkat imej, lebih murah untuk memberi anotasi |
| Kelajuan Inferens | Masa nyata mungkin (30-100+ FPS) dengan model yang dioptimumkan | Sangat pantas, selalunya 100+ FPS walaupun pada perkakasan sederhana |
| Kes Penggunaan Terbaik | Adegan dengan berbilang objek yang memerlukan penyetempatan | Imej subjek tunggal yang memerlukan pengenalpastian kategori |
Perbezaan asas terletak pada apa yang ingin dicapai oleh setiap tugasan. Pengelasan imej menjawab soalan "apa yang ada dalam imej ini?" dengan memberikan satu atau lebih label kepada keseluruhan gambar. Pengesanan objek lebih lanjut dengan menjawab "apa yang ada dalam imej ini dan di manakah sebenarnya ia berada?" menggunakan kotak sempadan di sekeliling setiap item yang dikesan. Jika anda memuat naik foto jalanan, pengelas mungkin melabelkannya sebagai "pemandangan bandar," manakala pengesan akan melukis kotak di sekeliling kereta, pejalan kaki, lampu isyarat dan papan tanda secara individu.
Model pengelasan cenderung mengikuti saluran paip yang mudah: rangkaian tulang belakang mengekstrak ciri, dan kepala pengelas mengeluarkan kebarangkalian. Model pengesanan objek secara semula jadi lebih kompleks, biasanya terdiri daripada tulang belakang untuk pengekstrakan ciri, leher untuk gabungan ciri dan kepala yang meramalkan kedua-dua kelas dan koordinat kotak sempadan. Kerumitan tambahan ini adalah sebab mengapa model pengesanan memerlukan lebih banyak parameter dan sumber pengiraan untuk mencapai ketepatan yang setanding pada penanda aras masing-masing.
Set data pengelasan imej hanya memerlukan label peringkat imej, yang menjadikannya lebih murah dan lebih pantas untuk dihasilkan pada skala. Pengesanan objek memerlukan anotasi kotak sempadan untuk setiap contoh objek, satu proses yang boleh mengambil masa 10 hingga 100 kali lebih lama bagi setiap imej bergantung pada kerumitan pemandangan. Set data seperti COCO mengambil masa beribu-ribu jam anotasi untuk disiapkan, manakala label pengelasan ImageNet disumber ramai dengan agak cepat melalui perkhidmatan seperti Amazon Mechanical Turk.
Model pengelasan biasanya berjalan lebih pantas dan mencapai ketepatan yang lebih tinggi pada penanda arasnya kerana tugasnya lebih mudah. Pengelas canggih melebihi 91% ketepatan top-1 pada ImageNet, manakala pengesan objek atas mencapai sekitar 63-65 mAP pada COCO. Walau bagaimanapun, model pengesanan telah mencapai kemajuan yang luar biasa dari segi kelajuan, dengan pengesan peringkat tunggal seperti YOLO menutup jurang untuk membolehkan aplikasi masa nyata. Pilihannya selalunya bergantung kepada sama ada anda memerlukan ketepatan ruang atau daya pemprosesan maksimum.
Pengelasan menonjol dalam senario di mana lokasi tidak penting, seperti menapis kandungan yang tidak sesuai, mendiagnosis penyakit daripada imbasan perubatan atau menyusun produk mengikut kategori. Pengesanan objek adalah penting apabila kedudukan penting, termasuk pemanduan autonomi (mengenal pasti pejalan kaki dan kenderaan lain), pengurusan inventori runcit, pemantauan hidupan liar dan manipulasi robot. Banyak sistem pengeluaran sebenarnya menggabungkan kedua-duanya, menggunakan pengelasan untuk menapis imej dengan cepat sebelum menjalankan pengesanan pada imej yang berkaitan.
Pengesanan objek hanyalah pengelasan dengan langkah tambahan.
Walaupun pengelasan merupakan komponen pengesanan, pengesanan objek menambah cabang penyetempatan yang meramalkan koordinat, menjadikannya tugas yang sangat berbeza. Seni bina, fungsi kehilangan dan metrik penilaian berbeza dengan ketara. Model pengesanan mesti mengendalikan bilangan objek yang berubah-ubah bagi setiap imej, yang tidak pernah ditemui oleh pengelasan.
Ketepatan pengelasan yang lebih tinggi bermakna prestasi pengesanan yang lebih baik.
Model yang cemerlang dalam klasifikasi ImageNet tidak berfungsi dengan baik secara automatik dalam pengesanan objek. Pengesanan memerlukan tulang belakang untuk memelihara maklumat ruang dan bukannya merumpunkannya menjadi satu vektor, itulah sebabnya seni bina dan strategi latihan khusus pengesanan wujud.
Anda boleh menukar pengelas kepada pengesan dengan mudah.
Walaupun teknik seperti Grad-CAM boleh menyerlahkan kawasan yang difokuskan oleh pengelas, peta haba ini bukanlah kotak sempadan yang tepat. Membina pengesan sebenar memerlukan latihan semula dengan anotasi kotak sempadan dan seni bina khusus pengesanan. Kedua-dua tugas ini tidak boleh ditukar ganti.
Pengesanan objek sentiasa mengatasi pengelasan dalam tugasan dunia sebenar.
Pengesanan adalah keterlaluan untuk banyak aplikasi. Jika anda hanya perlu tahu sama ada imej mengandungi kucing, menjalankan model pengesanan penuh akan membazirkan sumber. Pengelasan kekal sebagai pilihan yang lebih baik apabila lokasi tidak relevan, dan penggunaan pengesanan secara tidak perlu meningkatkan kos latensi dan infrastruktur.
Pengesan objek moden berfungsi dengan sempurna dalam apa jua persekitaran.
Model pengesanan bergelut dengan oklusi, objek kecil, sudut luar biasa dan anjakan taburan. Model canggih masih gagal pada kes pinggir yang dikendalikan oleh manusia dengan mudah, itulah sebabnya aplikasi kritikal keselamatan seperti pemanduan autonomi memerlukan pengesahan dan redundansi yang meluas.
Pilih pengelasan imej apabila anda perlu mengkategorikan imej dengan cepat berdasarkan kandungan keseluruhannya dan tidak memerlukan maklumat spatial, terutamanya dalam persekitaran yang terhad sumber. Pilih pengesanan objek apabila aplikasi anda memerlukan pengetahuan tentang objek yang ada dan di mana ia muncul, dengan menerima kos pengiraan yang lebih tinggi sebagai pertukaran yang diperlukan untuk output yang lebih kaya.
Adaptasi bahasa dalam AI memberi tumpuan kepada pengajaran model untuk mengendalikan bahasa tertentu melalui penalaan halus dan pembelajaran pemindahan, manakala sistem AI agnostik bahasa bertujuan untuk memproses sebarang bahasa tanpa latihan khusus bahasa. Kedua-dua pendekatan menangani cabaran berbilang bahasa tetapi berbeza secara asasnya dalam seni bina, data latihan dan penggunaan dunia sebenar.
Perbandingan ini menganalisis pilihan strategik dalam pembelajaran mesin antara Adaptasi Domain, yang memindahkan pengetahuan daripada persekitaran sumber berlabel kepada persekitaran sasaran yang berbeza, dan Latihan Dalam Domain, yang membina model sepenuhnya pada data yang dituai daripada tetapan penggunaan sasaran yang tepat.
Pengagregatan keutamaan menggabungkan pelbagai keutamaan individu ke dalam keputusan kolektif, manakala pemodelan ramalan individu meramalkan tingkah laku peribadi menggunakan pembelajaran mesin pada data pengguna tunggal. Kedua-duanya mempunyai tujuan yang berbeza dalam sistem AI, daripada enjin cadangan kepada platform pengundian demokratik.
Pecahan seni bina ini menganalisis paradigma berbeza bagi sistem kecerdasan buatan berpandukan matlamat dan berpandukan input. Walaupun seni bina berpandukan input cemerlang dalam pemprosesan reaktif dan pengecaman corak serta-merta, sistem berpandukan matlamat mempunyai rangka kerja kognitif lanjutan yang diperlukan untuk penaakulan berbilang langkah, perancangan adaptif dan penyelesaian masalah autonomi.
Perbandingan ini menerangkan perbezaan utama antara kecerdasan buatan dan automasi, dengan memberi tumpuan kepada cara ia berfungsi, masalah yang diselesaikannya, kebolehsuaiannya, kerumitan, kos, dan kes penggunaan perniagaan dalam dunia sebenar.
