Detekcia objektov a klasifikácia obrázkov sú základné úlohy počítačového videnia, ale slúžia zásadne odlišným účelom. Klasifikácia označuje celý obrázok jednou kategóriou, zatiaľ čo detekcia objektov lokalizuje a identifikuje viacero objektov v scéne. Výber medzi nimi závisí od toho, či potrebujete vedieť, čo sa na obrázku nachádza, alebo kde sú umiestnené konkrétne položky.
Identifikuje a lokalizuje viacero objektov v rámci obrázka pomocou ohraničujúcich rámčekov a označení tried.
Priradí celému obrázku jeden štítok alebo kategóriu na základe jeho dominantného vizuálneho obsahu.
| Funkcia | Detekcia objektov počítačovým videním | Úlohy klasifikácie obrázkov |
|---|---|---|
| Primárny výstup | Ohraničujúce rámčeky s označeniami tried a skóre spoľahlivosti | Jeden štítok triedy pre celý obrázok |
| Priestorové informácie | Poskytuje presnú polohu objektov pomocou súradníc | Neboli poskytnuté žiadne priestorové ani polohové informácie |
| Počet objektov | Dokáže detekovať viacero objektov súčasne | Identifikuje iba dominantný subjekt |
| Výpočtové náklady | Vyššie kvôli návrhom regiónov a viacerým predpovediam | Znížte s jedným prechodom dopredu na obrázok |
| Zložitosť modelu | Zložitejšie s komponentmi chrbtice, krku a hlavy | Jednoduchšia architektúra zameraná na extrakciu prvkov |
| Typický rozsah presnosti | mAP 40-65 na úrovni COCO benchmarku pre najmodernejšie modely | Špičková presnosť 85 – 91 % na ImageNet pre popredné modely |
| Požiadavky na tréningové údaje | Vyžaduje anotácie ohraničovacieho rámčeka, označovanie je drahšie | Vyžaduje iba popisky na úrovni obrázka, lacnejšie na anotáciu |
| Rýchlosť inferencie | Možný reálny čas (30 – 100+ FPS) s optimalizovanými modelmi | Veľmi rýchly, často 100+ FPS aj na skromnejšom hardvéri |
| Najlepší prípad použitia | Scény s viacerými objektmi, ktoré vyžadujú lokalizáciu | Obrázky jedného objektu vyžadujúce identifikáciu kategórie |
Základný rozdiel spočíva v tom, čo sa každá úloha snaží dosiahnuť. Klasifikácia obrázkov odpovedá na otázku „čo je na tomto obrázku?“ priradením jedného alebo viacerých označení celému obrázku. Detekcia objektov ide ďalej a odpovedá na otázku „čo je na tomto obrázku a kde presne sa to nachádza?“ pomocou ohraničujúcich rámčekov okolo každej detekovanej položky. Ak nahráte fotografiu ulice, klasifikátor ju môže označiť ako „mestská scéna“, zatiaľ čo detektor by nakreslil rámčeky okolo áut, chodcov, semaforov a značiek jednotlivo.
Klasifikačné modely zvyčajne fungujú podľa priamočiareho postupu: chrbticová sieť extrahuje prvky a klasifikátor hlási pravdepodobnosti. Modely detekcie objektov sú vo svojej podstate zložitejšie a zvyčajne pozostávajú z chrbtice pre extrakciu prvkov, krku pre fúziu prvkov a hlavice, ktorá predpovedá triedy aj súradnice ohraničujúceho rámčeka. Táto zvýšená zložitosť je dôvodom, prečo detekčné modely vyžadujú viac parametrov a výpočtových zdrojov na dosiahnutie porovnateľnej presnosti v príslušných benchmarkoch.
Súbory údajov na klasifikáciu obrázkov potrebujú iba popisky na úrovni obrázkov, čo ich robí lacnejšími a rýchlejšími na vytváranie vo veľkom meradle. Detekcia objektov vyžaduje anotácie ohraničujúcich rámčekov pre každú inštanciu objektu, čo je proces, ktorý môže trvať 10 až 100-krát dlhšie na obrázok v závislosti od zložitosti scény. Dokončenie súborov údajov ako COCO trvalo tisíce hodín anotácií, zatiaľ čo klasifikačné popisky ImageNet boli získané relatívne rýchlo prostredníctvom služieb ako Amazon Mechanical Turk.
Klasifikačné modely vo všeobecnosti bežia rýchlejšie a dosahujú vyššiu presnosť vo svojich benchmarkoch, pretože úloha je jednoduchšia. Najmodernejšie klasifikátory prekračujú 91 % presnosť top 1 na ImageNet, zatiaľ čo detektory top objektov dosahujú okolo 63 – 65 mAP na COCO. Detekčné modely však dosiahli pozoruhodný pokrok v rýchlosti, pričom jednostupňové detektory ako YOLO prekračujú túto medzeru a umožňujú aplikácie v reálnom čase. Voľba často závisí od toho, či potrebujete priestorovú presnosť alebo maximálnu priepustnosť.
Klasifikácia vyniká v situáciách, kde nezáleží na polohe, ako je filtrovanie nevhodného obsahu, diagnostikovanie chorôb z lekárskych vyšetrení alebo triedenie produktov podľa kategórie. Detekcia objektov je nevyhnutná, keď záleží na polohe, vrátane autonómneho riadenia (identifikácia chodcov a iných vozidiel), správy maloobchodných zásob, monitorovania voľne žijúcich živočíchov a robotickej manipulácie. Mnohé výrobné systémy v skutočnosti kombinujú oboje a používajú klasifikáciu na rýchle filtrovanie obrázkov pred spustením detekcie na relevantných snímok.
Detekcia objektov je len klasifikácia s ďalšími krokmi.
Zatiaľ čo klasifikácia je súčasťou detekcie, detekcia objektov pridáva lokalizačnú vetvu, ktorá predpovedá súradnice, čím sa stáva zásadne odlišnou úlohou. Architektúry, stratové funkcie a metriky hodnotenia sa výrazne líšia. Detekčné modely musia spracovať variabilný počet objektov na obrázok, s čím sa klasifikácia nikdy nestretne.
Vyššia presnosť klasifikácie znamená lepší výkon detekcie.
Model, ktorý vyniká v klasifikácii ImageNet, nemusí automaticky dosahovať dobré výsledky aj pri detekcii objektov. Detekcia vyžaduje, aby chrbtica zachovala priestorové informácie, a nie aby ich zhlukovala do jedného vektora, a preto existujú architektúry a tréningové stratégie špecifické pre detekciu.
Klasifikátor môžete ľahko premeniť na detektor.
Hoci techniky ako Grad-CAM dokážu zvýrazniť oblasti, na ktoré sa klasifikátor zameriava, tieto tepelné mapy nie sú presnými ohraničujúcimi rámčekmi. Vytvorenie skutočného detektora si vyžaduje pretrénovanie s anotáciami ohraničujúcich rámčekov a architektúrou špecifickou pre detekciu. Tieto dve úlohy nie sú zameniteľné.
Detekcia objektov v reálnych úlohách vždy prekonáva klasifikáciu.
Detekcia je pre mnohé aplikácie zbytočná. Ak potrebujete vedieť iba to, či obrázok obsahuje mačku, spustenie úplného detekčného modelu plytvá zdrojmi. Klasifikácia zostáva lepšou voľbou, keď je poloha irelevantná, a zbytočné používanie detekcie zvyšuje latenciu a náklady na infraštruktúru.
Moderné detektory objektov fungujú perfektne v akomkoľvek prostredí.
Detekčné modely majú problémy s prekrytím, malými objektmi, nezvyčajnými uhlami a posunom rozloženia. Najmodernejšie modely stále zlyhávajú v okrajových prípadoch, ktoré ľudia zvládajú bez námahy, a preto bezpečnostne kritické aplikácie, ako je autonómne riadenie, vyžadujú rozsiahlu validáciu a redundanciu.
Klasifikáciu obrázkov zvoľte, keď potrebujete rýchlo kategorizovať obrázky na základe ich celkového obsahu a nevyžadujete priestorové informácie, najmä v prostrediach s obmedzenými zdrojmi. Detekciu objektov zvoľte, keď vaša aplikácia vyžaduje vedieť, aké objekty sú prítomné a kde sa nachádzajú, pričom vyššie výpočtové náklady akceptujete ako nevyhnutný kompromis pre bohatší výstup.
A/B testovanie v modelových službách smeruje prevádzku medzi konkurenčnými verziami modelov na meranie reálneho výkonu, zatiaľ čo nasadenie jedného modelu poskytuje jeden model všetkým používateľom. Tímy si medzi nimi vyberajú na základe tolerancie rizika, objemu prevádzky a potreby štatistického overenia pred úplným nasadením.
A/B testovanie pri vydávaní obsahu zahŕňa zavádzanie variácií pre rôzne segmenty publika a meranie výkonnosti, zatiaľ čo jednorazové vydania obsahu ponúkajú jednu verziu všetkým naraz. Každý prístup vyhovuje iným cieľom, pričom A/B testovanie uprednostňuje optimalizáciu na základe dát a jednorazové vydania uprednostňujú rýchlosť a jednoduchosť.
Toto porovnanie analyzuje strategické voľby v strojovom učení medzi adaptáciou domény, ktorá prenáša znalosti z označeného zdrojového prostredia do iného cieľového prostredia, a školením v rámci domény, ktoré vytvára modely výlučne na základe údajov získaných z presného cieľového nastavenia nasadenia.
Toto podrobné porovnanie skúma architektonické rozdiely, prevádzkové limity a reálny výkon adaptívnych inteligenčných systémov v porovnaní so systémami automatizácie s pevným správaním. Pozrieme sa na to, ako systémy, ktoré sa neustále učia z nových environmentálnych údajov, fungujú v porovnaní s rigidnými, predvídateľnými rámcami založenými na pravidlách.
Adaptívne vyhľadávanie dynamicky upravuje spôsob a aké informácie systém načítava na základe dotazu, zatiaľ čo statické vyhľadávacie kanály sa riadia pevnými pravidlami bez ohľadu na kontext. Obe poháňajú moderné aplikácie umelej inteligencie, ale výrazne sa líšia vo flexibilite, nákladoch a presnosti. Výber medzi nimi závisí od zložitosti pracovnej záťaže a rozpočtu.
