ШІ та машинне навчання
Що таке комп’ютерний зір?
Комп’ютерний зір (computer vision) — це галузь штучного інтелекту, яка вчить комп’ютери «бачити»: отримувати корисну інформацію із зображень і відео. Для комп’ютера картинка — це таблиця чисел-пікселів, і завдання полягає в тому, щоб знайти в ній зміст.
Основні задачі: класифікація зображень (що на фото), детекція об’єктів (де саме розташовані предмети), сегментація (точні контури кожного об’єкта), розпізнавання облич, розпізнавання тексту (OCR), відстеження об’єктів у відео, оцінка пози людини.
Сучасний комп’ютерний зір базується на глибокому навчанні: згорткових нейронних мережах і трансформерах для зображень. Мультимодальні моделі поєднують зір і мову — вони можуть описати фото словами, відповісти на запитання про скриншот чи прочитати таблицю з документа.
Де застосовується
Комп’ютерний зір використовують у безпілотних автомобілях і системах допомоги водієві, медицині для аналізу рентгенівських знімків і МРТ, на виробництві для контролю якості, у ритейлі для обліку товарів, у системах безпеки, сканерах документів і мобільних застосунках із фільтрами й пошуком за фото.
Популярні інструменти: бібліотека OpenCV для обробки зображень, PyTorch і TensorFlow для навчання моделей, YOLO для швидкої детекції об’єктів, а також API мультимодальних моделей для розуміння зображень.
Приклад
Пошук об’єктів на фото готовою моделлю YOLO.
from ultralytics import YOLO
model = YOLO("yolov8n.pt") # pre-trained detection model
results = model("classroom.jpg")
for box in results[0].boxes:
name = model.names[int(box.cls)]
print(name, round(float(box.conf), 2)) # person 0.94, laptop 0.88 ...
results[0].save("classroom_detected.jpg")
Часті запитання
Чим детекція відрізняється від класифікації?
Класифікація відповідає, що зображено на фото в цілому. Детекція знаходить кожен об’єкт окремо й показує його розташування рамкою.
Чи потрібно багато даних для власної моделі?
Для навчання з нуля — так, тисячі прикладів. Але зазвичай беруть уже навчену модель і донавчають її на кількох сотнях власних зображень — це називають перенесенням навчання.
Що таке OCR?
Optical Character Recognition — розпізнавання тексту на зображеннях і сканах. Його використовують для оцифрування документів, читання чеків, номерних знаків і перекладу тексту з фото.
Навчання програмуванню в OWU
Опануйте професію в IT на практичних курсах із менторами та реальними проєктами.
Обрати курс