Gyakorolja a 8. ábrát a látáshoz

Facebook 10 Mesterséges látás valós időben?

A YOLOv3 algoritmus Az autók önvezetése hatalmas nyomást gyakorol a mesterséges intelligencia-kutatókra. Meg kell oldaniuk a számítógépes látást egyszerre akár kamerával, ráadásul valós időben, késleltetés nélkül.

1.3.1. Vizuális érzékelés, észlelés

Bármilyen jó ötletet szívesen vesznek. A YOLO egy jó ötlet.

Akár van LIDAR az autón, akár nincs, kamerával így is, úgy is fel kell ismerni, meg kell tudni mondani, hogy a tőlünk x méterre lévő függőleges folt az út szélén egy szemeteskuka, vagy egy ember, aki álldogál, de mindjárt lelép a járdáról. Nem véletlen, hogy az önvezető autókban először az Nvidia Drive PX 2 gyakorolja a 8.

• Luhanszki vízió
• Mesterséges látás valós időben? A YOLOv3 algoritmus - HWSW

ábrát a látáshoz, tavasz óta pedig a "túl lassú" Nvidia AI helyett a Tesla által házon belül fejlesztett, hússzor gyorsabb saját neuronprocesszoros hardvere dolgozik az autókban. Ez az irdatlan teljesítmény azért kell, mert egyrészt a számítógépes látást mesterséges neuronhálózatokkal Deep Neural Net, DNN végezzük, és ezek eléggé lassúak bár grafikus kártyával gyorsíthatók, lásd fentmásrészt az objektumkeresésnek az a hagyományos módja, hogy egy nagyobb képet egy kisebb ablakkal végigpásztázunk, és minden "kisablakot" odaadunk a neuronhálónak feldolgozásra - ezer kisablak ezer felismerési ciklust jelent.

A függvények ábrázolása, függvény grafikonja

Majd néhány nagyobb ablakkal is végigmegyünk a képen, hátha a felismerendő objektum nagyobb, mint a pici ablakunk. Könnyű belátni, hogy ez a megközelítés nem teljesen ugyanaz, mint amit az élőlények csinálnak. Nekünk nincs kisablakunk, sem ciklusunk.

Kérdőíves és csuklóaktigráfiás vizsgálatok valószínűsítik, hogy ezek a problémák a kamasz és felnőtt korba is átnyúlnak, de még senki nem vizsgálta ezt a korcsoportot alaposabban, poliszomnográfiás módszerekkel. Célunk, hogy a WSZ alvásmintázat és a perceptuális valamint motoros tanulási teljesítmény lásd.

Ha elénk tárul egy kép, egyszerre mindent látunk rajta. Óriásit léphetne előre a számítógépes látás technológiája, ha ki lehetne iktatni a kisablakos-ciklusos nyekergést a képeken. Hogy mit értünk tömegjeleneten?

1.2. Az érzékelés és az észlelés fejlesztésével kapcsolatos játékok/feladatok gyűjteménye

Érdemes megnézni a YOLO hivatalos honlapján a beágyazott videót amelyből a fenti kép is származikhogy mi mindent ismer fel, milyen terepen lehet bevetni. A V3 összesen kilencezer! Kezdjük azzal, hogyan látunk mi, élőlények - hiszen ezt kell leutánoznunk. Egyszerű, mint a pofon: ha egyszerre, egy időben mindegyikhez odajut az infó, akkor egyszerre, egyidőben mindegyik el tudja végezni a feladatát.

1.3.2. Auditív észlelés

Párhuzamosság, ugyebár. A YOLO ezt csak emulálni gyakorolja a 8. ábrát a látáshoz, de elég ügyes módon teszi.

1. Alaplátás táblázat
2. Látás, ami miatt romlik

Igaz, nem százmillió, hanem csak 13 x 13, azaz kimeneti neuronnal dolgozik, ami rémesen kevésnek tűnhet, de valójában így vaddisznó látás pompásan elvégzi a feladatát. Miért pont 13 x 13?

Yolo V3 teljesítményteszt NetAcademia

Nos, a szerzők csak azt árulják el, miért páratlan szám. Lentebb egy ábra a dokumentációból.

Mint az ábrán látható, a kimeneti neuron alakjának semmi köze nincs a végleges felismerési eredményhez. Mindegyik kisablak önállóan képes a objektumtípus felismerésére, és mindegyikük ügyes keretrajzoló is egyben: maguk a neuronok dobják ki maguból a bounding boxot is, nincs külön detektálási lépés.

Miért érdemes belevágnod az online Kubernetes képzésünkbe? Nyilván az a neuron kap nagyobb prioritást a bal alsó kutya felismeréséhez, amelyik középpontosan közelebb van hozzá, de elvileg és gyakorlatilag is mindegyik neuron mindent lát.

DR. SZEM EGÉSZSÉGKÖZPONT

Úgy kell őket lekorlátozni, hogy a tőlük távolabbi régiókra ne tegyenek javaslatot. Ezekből aztán a legvalószínűbbeket tartjuk meg, a többi megy a kukába.

Hogy milyen teljesítménnyel fut ez a villámgyorsnak kinevezett jószág egy nem túl friss, de azért memóriában erős konfiguráción, azaz Intel Core i5-ös processzoron, 32 GB RAM-mal, arról készítettem egy videót. Egy képkocka feldolgozása két másodpercbe telik, tehát ezen a gépen a sebessége fél képkocka másodpercenként, ami még i9-es CPU esetén sem lenne több, mint 4 fps ez utóbbit nem mértem meg.