Zbulimi i objekteve të bazuara në bashkësi e trajton zbulimin si një problem parashikimi të bashkësisë, duke nxjerrë drejtpërdrejt kuti kufizuese pa spiranca të paracaktuara. Zbulimi i bazuar në spiranca mbështetet në kuti të paracaktuara në shkallë dhe raporte aspektesh të shumëfishta, dhe më pas i rafinon ato. Të dyja qasjet fuqizojnë sistemet moderne të shikimit kompjuterik, por ndryshojnë thelbësisht në mënyrën se si i lokalizojnë objektet.
Një paradigmë moderne zbulimi që parashikon objektet si grupe të pakontrolluara, duke eliminuar nevojën për kuti ankorimi të punuara me dorë.
Një qasje tradicionale e zbulimit që përdor kuti ankorimi të paracaktuara me madhësi dhe raporte të ndryshme për të lokalizuar objektet në imazhe.
| Veçori | Zbulimi i objekteve të bazuara në grup | Zbulimi i objekteve të bazuara në spirancë |
|---|---|---|
| Qasja thelbësore | Parashikimi i drejtpërdrejtë i grupit duke përdorur transformatorë | Klasifikimi dhe regresioni i ankorave të paracaktuara |
| Kutitë e ankorimit të nevojshme | Jo | Po |
| Përpunimi pasues | Minimal ose aspak (pa NMS) | Kërkohet shtypje jo maksimale |
| Stabiliteti i Trajnimit | Historikisht sfidues, i përmirësuar në variante më të reja | Përgjithësisht i qëndrueshëm me hiperparametra të akorduar mirë |
| Koha e Trajnimit | Më gjatë, veçanërisht për modelet e hershme DETR | Konvergjencë tipike më e shpejtë |
| Ndjeshmëria e Hiperparametrave | Më i ulët (më pak zgjedhje dizajni) | Më të larta (shkallët ankoruese, raportet, pragjet e IoU) |
| Modele Përfaqësuese | DETR, DETR i deformueshëm, DINO, Co-DETR | R-CNN, RetinaNet, SSD, YOLOv3/v4/v5 më i shpejtë |
| COCO mAP (tipike) | 50-63% në varësi të variantit | 37-50% në varësi të variantit |
| Parashikime të dyfishta | Eliminuar nëpërmjet përputhjes dypalëshe | Trajtohet nëpërmjet NMS |
Zbulimi i bazuar në bashkësi e rimendon në thelb problemin duke i kërkuar modelit të nxjerrë një bashkësi parashikimesh me madhësi fikse në një kalim të vetëm, ku secili element korrespondon me një objekt. Kjo eliminon nevojën për komponentë të projektuar me dorë. Zbulimi i bazuar në spirancë, në të kundërt, fillon me një rrjetë të dendur kutish të paracaktuara dhe i kërkon modelit të klasifikojë dhe përsosë secilën prej tyre, gjë që është konceptualisht më e thjeshtë, por prezanton shumë vendime dizajni.
Detektorët e bazuar në bashkësi zakonisht përdorin arkitektura transformatorësh me mekanizma vetëvëmendjeje dhe vëmendjeje të kryqëzuar, duke i lejuar modelit të arsyetojë globalisht rreth marrëdhënieve të objekteve. Metodat e bazuara në spirancë mbështeten kryesisht në shtyllat kurrizore konvolucionale me rrjete propozimi rajonal ose rrjete piramidale karakteristikash. Zhvendosja arkitekturore nga CNN-të në transformatorë sjell paragjykime induktive dhe karakteristika llogaritëse të ndryshme.
Modelet e hershme të bazuara në bashkësi si DETR ishin të njohura për konvergjencën e ngadaltë, duke kërkuar shpesh 500 epoka për t'u përputhur me performancën e Faster R-CNN në 50 epoka. Puna pasuese në Deformable DETR dhe DINO e uli ndjeshëm kohën e trajnimit përmes mekanizmave më të mirë të vëmendjes dhe teknikave të heqjes së zhurmës. Modelet e bazuara në spirancë përfitojnë nga receta trajnimi të kuptuara mirë dhe në përgjithësi konvergojnë më shpejt me cilësimet standarde.
Detektorët e bazuar në spirancë mbeten dominues në sistemet e prodhimit për shkak të pjekurisë së tyre, mjeteve të gjera dhe sjelljes së parashikueshme. Detektorët e bazuar në grup po fitojnë terren në kërkim dhe në disa aplikime komerciale ku natyra e tyre nga fillimi në fund thjeshton kanalet e vendosjes. Mungesa e NMS në modelet e bazuara në grup është veçanërisht e vlefshme për sistemet në kohë reale ku vonesa e përpunimit pas përpunimit ka rëndësi.
Në standardin COCO, detektorët modernë të bazuar në grup si DINO dhe Co-DETR i kanë tejkaluar metodat e bazuara në spirancë, duke arritur mbi 63% mAP. Megjithatë, modelet e bazuara në spirancë si YOLOv8 dhe EfficientDet mbeten shumë konkurruese, veçanërisht kur merret në konsideratë shpejtësia e nxjerrjes së përfundimeve. Zgjedhja shpesh varet nga fakti nëse saktësia apo efikasiteti llogaritës është përparësia.
Zbulimi i bazuar në bashkësi zëvendëson plotësisht në praktikë zbulimin e bazuar në spirancë.
Ndërsa metodat e bazuara në grupe kanë fituar vëmendje të konsiderueshme kërkimore, detektorët e bazuar në spirancë si variantet YOLO mbeten të përhapura gjerësisht në sistemet e prodhimit. Të dyja qasjet bashkëjetojnë, me zgjedhjen që varet nga rastet specifike të përdorimit, kufizimet e harduerit dhe kërkesat e saktësisë.
Detektorët e bazuar në grup nuk kanë nevojë fare përpunim pas përpunimit.
Ndërsa metodat e bazuara në bashkësi eliminojnë shtypjen jo-maksimale përmes përputhjes dypalëshe gjatë trajnimit, disa variante ende aplikojnë filtrim të lehtë në nxjerrjen e përfundimeve. Avantazhi kryesor është heqja e pragut të NMS të akorduar me dorë, jo e gjithë përpunimit pasues tërësisht.
Zbulimi i bazuar në spirancë është i vjetëruar dhe i papërdorshëm.
Metodat e bazuara në spiranca vazhdojnë të evoluojnë dhe mbeten shumë konkurruese. Modele si YOLOv8, EfficientDet dhe variantet e fundit arrijnë kompromise të shkëlqyera shpejtësie-saktësie që metodat e bazuara në sete nuk i kanë përmbushur plotësisht në skenarë në kohë reale.
Zbulimi i bazuar në grup kërkon gjithmonë transformatorë.
Shumica e detektorëve të bazuar në bashkësi përdorin arkitektura transformatorësh, por vetë kuadri i parashikimit të bashkësive është agnostik ndaj arkitekturës. Ideja thelbësore e parashikimit të një bashkësie të parenditur me caktime unike teorikisht mund të zbatohet me arkitektura të tjera, megjithëse transformatorët kanë rezultuar më efektivë në praktikë.
Kutitë e ankorimit janë arbitrare dhe nuk ndikojnë shumë në performancën e modelit.
Dizajni i spirancës ndikon ndjeshëm në performancën e detektorit të bazuar në spirancë. Zgjedhjet në lidhje me shkallët, raportet e aspektit dhe pragjet IoU për caktimin pozitiv/negativ mund ta ndryshojnë mAP me disa pikë përqindjeje. Dizajni i dobët i spirancës çon në objekte të humbura, veçanërisht për forma ose shkallë të pazakonta.
Zgjidhni zbulimin e objekteve të bazuar në grup kur ju nevojitet një tubacion nga fillimi në fund pa përpunim pasues, po punoni në projekte kërkimore ose dëshironi të shfrytëzoni arkitekturat e transformatorëve për arsyetim global. Zgjidhni zbulimin e bazuar në spirancë kur ju nevojiten modele të provuara, të gatshme për prodhim me mbështetje të gjerë nga komuniteti, trajnim më të shpejtë dhe sjellje të kuptuar mirë në skenarë të ndryshëm të vendosjes.
Agregimi i preferencave kombinon preferenca të shumta individuale në vendime kolektive, ndërsa modelimi i parashikimit individual parashikon sjelljen personale duke përdorur të mësuarit automatik në të dhënat e një përdoruesi të vetëm. Të dyja shërbejnë për qëllime të dallueshme në sistemet e inteligjencës artificiale, nga motorët e rekomandimeve deri te platformat demokratike të votimit.
Ky krahasim arkitektonik vë në kontrast inxhinierinë deterministe të Agjentëve të Bazuar në Rregulla me natyrën adaptive të të dhënave të Agjentëve të Bazuar në Mësim, duke vlerësuar zbatueshmërinë e tyre në botën reale, kufijtë e shkallëzimit dhe performancën në kushte pasigurie.
Ky udhëzues i detajuar shqyrton ndryshimet strukturore dhe operacionale midis agjentëve autonomë dhe sistemeve të automatizimit të skriptuar. Ndërsa mjetet e skriptuara ofrojnë parashikueshmëri të pakrahasueshme për rrjedha pune të ngurta dhe përsëritëse, agjentët inteligjentë modernë shfrytëzojnë arsyetimin kognitiv për të lundruar në mënyrë të pavarur në të dhëna të ndryshueshme, pengesa teknike të papritura dhe peizazhe të dhënash shumë komplekse dhe të pastrukturuara.
Agjentët autonomë të IA-së veprojnë në mënyrë të pavarur duke planifikuar, arsyetuar dhe ekzekutuar detyra shumë-hapëshe me ndërhyrje minimale njerëzore, ndërsa sistemet e IA-së të bazuara në shpejtësi u përgjigjen udhëzimeve individuale të përdoruesit, një ndërveprim në të njëjtën kohë. Dallimi kryesor qëndron në agjenci: agjentët ndjekin qëllimet nëpër seanca, ndërsa sistemet e shpejtësisë presin për drejtim.
Agjentët bisedorë përqendrohen në dialogun natyror dhe ndërveprimet e bazuara në tekst, ndërsa agjentët që përdorin mjete zgjerojnë aftësitë e IA-së duke thirrur funksione dhe API të jashtme. Të dy përfaqësojnë qasje të dallueshme ndaj sistemeve autonome të IA-së, me modelet bisedore që shkëlqejnë në komunikim dhe agjentët që përdorin mjete të specializuar në ekzekutimin e detyrave në botën reale.
