Detekcja obiektów: co to jest, jak działa i jak się ją ocenia

Podstawy LLMModele i inferencjaOpublikowano Autor: Simon Budziak

Detekcja obiektów znajduje każdy obiekt na obrazie lub klatce wideo i oznacza go ramką z etykietą. To podstawowe zadanie wizji komputerowej. W odróżnieniu od klasyfikacji obrazów, która daje jedną etykietę dla całego zdjęcia, odpowiada zarówno na pytanie, co tam jest, jak i gdzie.

Jak działa detekcja obiektów?

Model uczenia głębokiego, zwykle splotowa lub transformerowa sieć neuronowa, patrzy na obraz i zwraca kandydujące ramki. Każda ramka niesie klasę, na przykład paleta lub osoba, oraz pewność od 0 do 1. Wielu kandydatów nakłada się na ten sam obiekt, więc krok zwany non-maximum suppression zachowuje ramkę o najwyższej pewności i odrzuca bliskie duplikaty. Następnie próg odrzuca słabe przypuszczenia. Model trenuje się na obrazach, na których ludzie narysowali ramki, więc jakość zależy od adnotacji danych.

Dominują dwie rodziny. Detektory dwuetapowe najpierw proponują regiony, a potem je klasyfikują i bywają dokładniejsze. Detektory jednoetapowe, takie jak YOLO, przewidują ramki i klasy w jednym przebiegu i bywają szybsze, co ma znaczenie przy wideo na żywo.

Jak ocenia się detekcję obiektów?

Przewidziana ramka jest poprawna, gdy jej iloraz przecięcia i sumy (intersection over union, IoU) z ramką prawdziwą przekracza próg. IoU to pole nakładania się podzielone przez łączne pole obu ramek.

Przykład: prawdziwa ramka obejmuje 100 pikseli, przewidziana też 100, a 60 z nich się pokrywa. Suma to 140 pikseli, więc IoU wynosi 60 / 140, około 0,43, czyli pudło przy typowym progu 0,5. Przesuń predykcję tak, by pokrywało się 80 pikseli, a IoU wyniesie 80 / 120, około 0,67, czyli trafienie.

We wszystkich klasach zespoły podają średnią średnią precyzję (mean average precision, mAP), czyli średnią po klasach z pola pod krzywą precyzji i czułości każdej klasy. Zawsze pytaj, przy jakim progu IoU zmierzono podane mAP, bo wynik przy 0,5 jest łatwiejszy do osiągnięcia niż uśredniony po bardziej wymagających progach.

Czym detekcja obiektów różni się od klasyfikacji i segmentacji?

Zadanie Wynik Przykładowe pytanie
Klasyfikacja Jedna etykieta na obraz Czy ta część jest wadliwa?
Detekcja obiektów Ramka i etykieta na obiekt Gdzie są wady i ile ich jest?
Segmentacja Maska pikseli na obiekt Jaki jest dokładny kontur wady?

Wybierz detekcję, gdy potrzebujesz liczby lub położenia, ale nie dokładnych kształtów. Jest tańsza w etykietowaniu niż segmentacja i robi więcej niż klasyfikacja.

Gdzie detekcja obiektów jest używana w biznesie?

Typowe zadania to liczenie towaru na półkach, wykrywanie braku sprzętu ochronnego na budowie, odczytywanie części na taśmie i oznaczanie uszkodzeń na zdjęciach ze zgłoszeń szkód. To rdzeń wielu systemów wizji komputerowej. Dokładność na własnych obrazach liczy się bardziej niż wynik z testu porównawczego: oświetlenie, kąt kamery i różnorodność obiektów zmieniają rezultaty, więc przetestuj próbkę ze swojego miejsca, zanim się zobowiążesz.

To hasło przygotowano z pomocą AI.

Najczęściej zadawane pytania

Jak działa detekcja obiektów?

Sieć neuronowa proponuje ramki i dla każdej przewiduje klasę oraz wynik pewności. Nakładające się duplikaty są usuwane, zwykle metodą non-maximum suppression, a ramki poniżej progu pewności odrzucane.

Czy YOLO to detekcja obiektów?

YOLO, czyli You Only Look Once, to rodzina modeli detekcji obiektów, które przewidują wszystkie ramki w jednym przebiegu, co czyni je dość szybkimi dla wideo na żywo. To jedno z kilku podejść, a nie nazwa samego zadania.

Podsumuj tę stronę w

Przeszkol zespół, aby sam to zbudował