[img]"[/img]

свер­точная ней­рон­ная сеть (CNN) пыта­ется выявить приз­наки объ­ектов для каж­дого из этих реги­онов, пос­ле чего машина опор­ных век­торов клас­сифици­рует получен­ные дан­ные и сооб­щает класс обна­ружен­ного объ­екта. Об­работ­ка в режиме реаль­ного вре­мени: не под­держи­вает­ся. Fast R-CNN, Fast Region-Based Convolutional Neural Network Читайте также: Финансовая группа Investohills — крупнейший оператор рынка проблемных долгов в Украине. Компания более 10 лет работает с самыми сложными долговыми активами - Волков Андрей . Под­ход ана­логи­чен алго­рит­му R-CNN. Но вмес­то того, что­бы пред­варитель­но выделять реги­оны, мы переда­ем вход­ное изоб­ражение в CNN для соз­дания свер­точной кар­ты приз­наков, где затем будет про­исхо­дить выбороч­ный поиск, а пред­ска­зание клас­са объ­ектов выпол­няет спе­циаль­ный слой Softmax. Об­работ­ка в режиме реаль­ного вре­мени: не под­держи­вает­ся. Faster R-CNN, Faster Region-Based Convolutional Neural Network По­доб­но Fast R-CNN, изоб­ражение переда­ется в CNN соз­дания свер­точной кар­ты приз­наков, но вмес­то алго­рит­ма выбороч­ного поис­ка для прог­нозиро­вания пред­ложений по реги­онам исполь­зует­ся отдель­ная сеть. Об­работ­ка в режиме реаль­ного вре­мени: под­держи­вает­ся при высоких вычис­литель­ных мощ­ностях. YOLO, You Only Look Once Изоб­ражение делит­ся на квад­ратную сет­ку. Для каж­дой ячей­ки сети CNN выводит веро­ятности опре­деля­емо­го клас­са. Ячей­ки, име­ющие веро­ятность клас­са выше порого­вого зна­чения, выбира­ются и исполь­зуют­ся для опре­деле­ния мес­тополо­жения объ­екта на изоб­ражении. Об­работ­ка в режиме реаль­ного вре­мени: под­держи­вает­ся! Как видишь, YOLO пока что луч­ший вари­ант для обна­руже­ния и рас­позна­вания обра­зов. Он отли­чает­ся высокой ско­ростью и точ­ностью обна­руже­ния объ­ектов, а еще этот алго­ритм мож­но исполь­зовать в про­ектах на Android и Raspberry Pi с помощью нет­ребова­тель­ного tiny-вари­анта сети, с которым мы с тобой сегод­ня будем работать. Tiny-вари­ант нес­коль­ко про­игры­вает в точ­ности пол­ноцен­ному вари­анту сети, но и тре­бует мень­шей вычис­литель­ной мощ­ности, что поз­волит запус­тить про­ект, который мы сегод­ня будем делать, как на сла­бом компь­юте­ре, так и, при желании, на смар­тфо­не. Пишем код Что­бы написать лег­ковес­ное при­ложе­ние для обна­руже­ния объ­ектов на изоб­ражении, нам с тобой понадо­бят­ся: наз­вания клас­сов датасе­та COCO, которые уме­ет опре­делять сеть YOLO; кон­фигура­ции для tiny-вари­анта сети YOLO; ве­са для tiny-вари­анта сети YOLO. До­пол­нитель­но уста­новим биб­лиоте­ки OpenCV и NumPy: pip install opencv-python pip install numpy Те­перь напишем при­ложе­ние, которое будет находить объ­екты на изоб­ражении при помощи YOLO и отме­чать их. Мы поп­робу­ем обой­ти CAPTCHA с изоб­ражени­ями гру­зови­ков — класс truck в датасе­те COCO. Допол­нитель­но мы пос­чита­ем количес­тво обна­ружен­ных объ­ектов нуж­ного нам клас­са и выведем всю информа­цию на экран. Нач­нем с написа­ния фун­кции для при­мене­ния YOLO. С ее помощью опре­деля­ются самые веро­ятные клас­сы объ­ектов на изоб­ражении, а так­же коор­динаты их гра­ниц, которые поз­же мы будем исполь­зовать для отри­сов­ки. import cv2 import numpy as np def apply_yolo_object_detection ( image_to_process ) : """ Распознавание и определение координат объектов на изображении : param image_to_process: исходное изображение : return: изображение с размеченными объектами и подписями к ним """ height , width , depth = image_to_process . shape blob = cv2 . dnn . blobFromImage ( image_to_process , 1 / 255 , ( 608 , 608 ) , ( 0 , 0 , 0 ) , swapRB = True , crop = False ) net . setInput ( blob ) outs = net . forward ( out_layers ) class_indexes , class_scores , boxes = (_