Faragiri

همهٔ زبان‌ها

آموزش بینایی ماشین یادگیری ماشین

هزینه سه پله بینایی ماشین را روش تعیین نمی‌کند، برچسب تعیین می‌کند. و آشکارسازی که تیر را دیده، آبان را نمی‌بیند.

۵بخش
۴دقیقه خواندن
۳عمق

سه سوال متفاوت می‌شود از یک عکس پرسید و هزینه‌شان با هم فرق دارد، ولی آنچه هزینه را تعیین می‌کند روش نیست، برچسب است. پله‌ها بر اساس هزینه برچسب‌زنی چیده شده‌اند، نه بر اساس سختی روش، و زیر هر سه‌شان یک خانواده مدل نشسته است.

نگار رستمی برای شمارش پرندگان مهاجر تالاب انزلی با پهپاد فیلم می‌گیرد. هر پرواز چند هزار فریم می‌دهد و بیشترشان آب خالی‌اند. سه سوال داشت و فقط تا پله دوم بالا رفت.

سه پله، و قیمت برچسب هرکدام

پله اول این است که در این فریم پرنده‌ای هست یا نه، و یک برچسب برای هر عکس می‌خواهد. کاری که می‌کند ارزان و بزرگ است: نه هزار فریم آب را کنار می‌گذارد پیش از آنکه کسی نگاهشان کند. پله دوم چندتا و کجا است و یک کادر برای هر پرنده می‌خواهد. خود شمارش همین‌جاست و بعدازظهرها هم همین‌جا خرج می‌شوند.

یک پایش

سه سوال، و اینکه یاد دادن هرکدام چه می‌گیرد

پله‌های نامدار، نه گام. هیچ‌کس مجبور نیست از پله سوالش بالاتر برود، و صورت‌حساب برچسب‌زنی همان چیزی است که بیشتر آدم‌ها را از امتحان کردن بازمی‌دارد.

  1. ۰۳روی پلاک چه نوشتهفقط روی تصویر نزدیک، و فقط بعد از صاف شدن برشهر نویسه
  2. ۰۲چندتا، و کجاخود شمارش، و بعدازظهرها همین‌جا خرج می‌شوندیک کادر برای هر پرنده
  3. ۰۱در این فریم پرنده‌ای هستنه‌هزار فریم آب را پیش از آنکه کسی نگاهشان کند کنار می‌گذاردیک برچسب برای هر عکس

پله‌ها بر اساس هزینه برچسب چیده شده‌اند، نه بر اساس سختی روش. زیر هر سه یک خانواده مدل نشسته و سومی بیشتر از همه شکست می‌خورد.

پله سوم این است که روی پلاک پای پرنده چه نوشته، و برچسبش هر نویسه است. این پله فقط روی تصویرهای نزدیک کار می‌کند و فقط بعد از اینکه برش صاف شده باشد، و بیشتر از دو پله دیگر شکست می‌خورد. کسی مجبور نیست از پله سوالش بالاتر برود، و همان چیزی است که بیشتر آدم‌ها را از شروع کردن بازمی‌دارد: صورت‌حساب برچسب‌زنی را می‌بینند و فکر می‌کنند مال پله اول است.

یک آشکارساز، پیش و پس از آبان

عدد کلی یک آشکارساز چیزی نمی‌گوید، چون پرواز واقعی در پنج شرط متفاوت انجام می‌شود. نگار ده پرنده را با دست در فریم‌های نمونه شمرد و هر شرط را جداگانه سنجید. آشکارسازی که فقط روی فریم‌های تیر آموزش دیده بود، در ظهر صاف نه‌تا از ده‌تا را پیدا می‌کرد، در آفتاب کم شش‌تا، روی سطح خیس پنج‌تا، وقتی پرنده‌ها روی هم بودند سه‌تا، و از زاویه چهارتا.

ده پرنده، شمرده با دست

همان آشکارساز، پیش و پس از اضافه شدن آبان

حلقه بیرونی ده پرنده از دهتاست. هر محور شرطی است که پرواز واقعاً در آن انجام می‌شود، سنجیده در برابر یک شمارش دستی.

پرنده پیداشده، از دهتای موجود، شمرده با دست

  • ظهر صاف
  • آفتاب کم
  • سطح خیس
  • پرنده‌های روی هم
  • پهپاد با زاویه
  • آموزش‌دیده روی فریم‌های تیر
  • با اضافه شدن آبان و آذر

محور پرنده‌های روی هم تقریباً تکان نمی‌خورد و نخواهد خورد. دو پرنده چسبیده در یک عکس یک شکل‌اند، و آن عدد جایش کنار شمارش منتشرشده است نه داخل آن.

بعد از اضافه شدن فریم‌های آبان و آذر، همان محورها شدند نه، هشت، هفت، پنج و هفت. ظهر صاف تکان نخورد چون جایی برای بهتر شدن نداشت؛ چیزی که عوض شد شرط‌هایی بود که در تیر اصلاً وجود نداشتند. عکس گرفتن در شرطی که مدل قرار است در آن کار کند، بیشتر از هر تنظیمی جواب می‌دهد.

و محوری که تکان نمی‌خورد

محور پرنده‌های روی هم از سه به پنج رفت و همان‌جا می‌ماند. دو پرنده که به هم چسبیده‌اند در یک عکس یک شکل‌اند، و هیچ مقدار داده این را عوض نمی‌کند. کاری که با چنین محوری می‌شود کرد این است که عددش را کنار شمارش منتشرشده بگذارید نه داخلش: بگویید شمارش در ازدحام کم‌برآورد است و مقدارش را بنویسید. عددی که حدش را نمی‌گوید، عددی است که یک نفر بعداً به آن استناد می‌کند.

ایست: مدل بهتر می‌خواهند، داده تازه لازم دارند

کار اینجا می‌ایستد. وقتی آشکارساز در آبان بد کار می‌کند، اولین کاری که می‌شود مدل بزرگ‌تر یا معماری تازه است، چون این‌ها قابل جست‌وجو کردن‌اند و برچسب زدن نیست. آنچه واقعاً کم بود، فریم آبان بود. آزمونش هم ساده است: پیش از هر تغییری، صد فریم از همان شرطی که بد کار می‌کند بردارید و ببینید مدل روی همان‌ها چه می‌کند. اگر آنجا بد است و جای دیگر خوب، مسئله داده است نه معماری.

ایست میانه راه

پیش از عوض کردن مدل، صد فریم از همان شرط بد را بسنجید

مدل بزرگ‌تر قابل جست‌وجو است و برچسب زدن نیست؛ به همین خاطر وقتی آشکارساز در آبان افت می‌کند، سراغ معماری تازه می‌روند.

مدل روی صد فریم برداشته‌شده از همان شرط ناموفق چطور عمل می‌کند؟
  • فقط روی همان شرط بد است و در بقیه شرایط خوب
    مسئله داده است، نه معماریفریم‌های همان فصل و زاویه در آموزش نبوده‌اند
    • جمع‌آوری و برچسب‌زنی فریم از شرط تازه
    • توقف تغییر معماری پیش از افزودن داده جدید
  • در شرایط قبلی و جدید هر دو افت دارد
    مسئله مدل یا تنظیم استایراد سراسری است و به فریم آبان محدود نمی‌شود
    • بازبینی برچسب‌ها و کادرهای موجود
    • بررسی ساختار آشکارساز و تنظیم آموزش

این آزمون کوتاه مشخص می‌کند هزینه بعدی باید صرف برچسب‌زنی فریم تازه شود یا تغییر خود مدل.

با چه چیزی این سه پله ساخته می‌شوند

Ultralytics YOLO از ۲۰۲۶ جای نوشتن یک آشکارساز از صفر را گرفته است: پله دوم را با یک پرونده تنظیمات و یک پوشه عکس آموزش می‌دهد و روی رایانه خودتان اجرا می‌شود. رایگان و متن‌باز است، و پروانه‌اش برای استفاده تجاری شرط دارد، پس پیش از فروختن چیزی رویش پروانه را بخوانید.

ابزارهای ساخت سه پله

CVAT کادر و برش را آماده می‌کند، YOLO آشکارساز را می‌سازد

دو ابزار متن‌باز و رایگان (۲۰۲۶) که کار پله دوم و سوم را بدون نوشتن از صفر یا ثبت دستی مختصات در اکسل پیش می‌برند.

  • CVAT برای کادر و برش
  • Ultralytics YOLO برای آموزش
  • CVAT برای کادر و برشکادرها روی خود فریم کشیده می‌شوند و برش پله سوم همان‌جا صاف می‌شود؛ خروجی دقیقاً قالب آماده مدل است
  • Ultralytics YOLO برای آموزشپله دوم را با یک پرونده تنظیمات و پوشه عکس روی رایانه خودتان آموزش می‌دهد؛ پیش از استفاده تجاری پروانه را بخوانید

هر دو روی رایانه شخصی اجرا می‌شوند، اما رسیدن پله سوم به نتیجه به همان صاف‌سازی برش در ابزار اول وابسته است.

برای کادر کشیدن، CVAT از ۲۰۲۶ جای کشیدن کادر در یک ویرایشگر تصویر و نوشتن مختصات در اکسل را گرفته: کادرها روی خود فریم کشیده می‌شوند و خروجی همان قالبی است که مدل می‌خواهد. نسخه متن‌بازش را روی رایانه خودتان رایگان اجرا می‌کنید. برای پله سوم هم همان‌جا می‌شود برش را صاف کرد، که تنها راه به نتیجه رسیدن آن پله است.

سه سوال، سه صفحه

پله اول دسته‌بندی تصویر است، و همان چیزی که نه هزار فریم آب را کنار گذاشت. تشخیص اشیا پله دوم است، جایی که شمارش واقعی انجام می‌شود و بعدازظهرها خرج می‌شوند. و تشخیص نویسه پله سوم است، که برای متن فارسی حرف‌های خودش را دارد. هر سه زیر مدل‌هایی که از داده یاد گرفته می‌شوند، نه با دست نوشته می‌نشینند.

نقشه موضوعی

سه سوال بر پایه یک خانواده مدل و حد گزارش‌دهی

هر سه پله روی مدل‌هایی سوارند که از داده یاد می‌گیرند، و هرکدام یک صفحه و کاربرد مستقل در این شاخه دارند.

سه مسئله بینایی ماشین روی یک پایه یادگیری
  • دسته‌بندی تصویر (پله اول)یک برچسب برای کل فریم؛ کنار گذاشتن نه‌هزار فریم آب خالی
  • تشخیص اشیا (پله دوم)کادر برای هر پرنده و شمارش واقعی؛ نیازمند ثبت کم‌برآوردی ازدحام
  • تشخیص نویسه (پله سوم)خواندن پلاک پای پرنده با چالش‌های خاص متن فارسی

مدل‌هایی که از داده یاد گرفته می‌شوند، نه با دست نوشته؛ همراه با ثبت حد ازدحام در گزارش

اگر حد خطای ازدحام کنار شمارش رسمی نوشته نشود، مقایسه آمار امسال و سال بعد دو چیز متفاوت را کنار هم می‌گذارد.

سه همسایه دارد. حلقه‌ای که این آشکارساز را آموزش می‌دهد در لایه‌های وزن، و آنچه آموزش تنظیمش می‌کند باز شده و همان درس درباره فاصله دیده و ندیده اینجا هم صادق است. اینکه اصلاً برچسب دارید یا نه، پیش از همه اینها در سه نوع یادگیری، و اینکه کدام به مسئله شما می‌خورد تعیین می‌شود. و همان مدل روی صدا صورت دیگری دارد که مدل‌هایی روی کلمه و صدا موضوعش است.

سوال بعدی این است: وقتی شمارش این آشکارساز مبنای یک گزارش رسمی شود، حد ازدحام چطور در آن گزارش نوشته می‌شود. اگر ننویسندش، شمارش سال بعد با شمارش امسال مقایسه می‌شود انگار هر دو یک چیز را شمرده‌اند.

کنار این

بالای این