Компьютерное зрение является одной из самых прогрессивных и быстро развивающихся областей. По данным Grand View Research, размер мирового рынка компьютерного зрения в 2020 году оценивался в 11,32 миллиарда долларов, и ожидается, что совокупный годовой темп роста составит 7,3% в период с 2021 по 2028 год. Вариантов использования компьютерного зрения с поддержкой ИИ почти бесчисленное множество. наиболее популярными из которых являются потребительские дроны, а также автономные и полуавтономные транспортные средства. Кроме того, благодаря недавнему прогрессу в компьютерном зрении, ИИ теперь необходим в различных отраслях, таких как образование, здравоохранение, робототехника, бытовая электроника, розничная торговля, производство, и более. Итак, учитывая резкую эволюцию компьютерного зрения, важно исследовать, с чего все началось и куда идет, особенно когда дело доходит до выбора следующего разработчика систем компьютерного зрения. В этой статье мы рассмотрим основы и тенденции компьютерного зрения.
- Эволюция компьютерного зрения
- Текущие проблемы компьютерного зрения
- Тенденция 1: компьютерное зрение на грани
- Тренд 2: Компьютерное зрение как услуга
- Тенденция 3: Компьютерное зрение, ориентированное на данные
Эволюция компьютерного зрения
Сегодня мы уже привыкли к тому, как наши смартфоны используют распознавание лиц или как работают вирусные маски для лица в Instagram. Мы мало знаем, что это примеры компьютерного зрения, и то, что сегодня кажется обычным, было бы невозможно без глубоких и длительных исследований.
Компьютерное зрение начало появляться в конце 1960-х годов в университетах, которые стали пионерами в области искусственного интеллекта. Идея заключалась в том, чтобы имитировать человеческое зрение и позволить компьютерам или роботам «видеть» объекты. Значительное количество существующих сегодня алгоритмов компьютерного зрения появилось еще в 1970-х годах. К ним относятся извлечение краев из изображений, маркировка линий, неполиэдральное и многогранное моделирование, кластеризация, оптический поток и оценка движения.
К подобластям современного компьютерного зрения относятся:
- Реконструкция сцены
- Обнаружение объекта
- Обнаружение событий
- Отслеживание видео
- Распознавание объектов
- 3D оценка позы
- Оценка движения
- Визуальное обслуживание
- 3D-моделирование сцены
- Восстановление изображения
Текущие проблемы компьютерного зрения
Несмотря на то, что с 1960-х годов в области компьютерного зрения был достигнут значительный прогресс, это все еще в значительной степени неосвоенная область с точки зрения исследований и разработок. В основном это связано с тем, что человеческое зрение само по себе чрезвычайно сложно, а системы компьютерного зрения страдают по сравнению с ним. Людям требуется несколько секунд, чтобы узнать своих друзей на изображениях, даже в разном возрасте, и наша способность запоминать и сохранять лица для будущего распознавания кажется безграничной. Однако трудно представить, какой объем работы потребуется компьютеру, чтобы справиться с чем-то почти подобным. Еще одна проблема, с которой сегодня сталкиваются инженеры по компьютерному зрению, — это устойчивая интеграция инструментов компьютерного зрения с открытым исходным кодом в свои приложения. В частности, решения компьютерного зрения постоянно зависят от эволюции как программного, так и аппаратного обеспечения.
Теперь, когда мы рассмотрели, с чего началось компьютерное зрение и где оно находится сегодня, давайте перенесемся в «будущее» и подумаем о некоторых наиболее многообещающих тенденциях компьютерного зрения на 2022 год.
Тенденция 1: компьютерное зрение на грани
Edge — это новое облако. Термин « пограничные вычисления » относится к технологии, привязанной к тому месту, где генерируются данные, т. е. к границе архитектуры: она позволяет обрабатывать и анализировать данные там, где (или ближе к тому месту), где они собираются, а не в облаке или Дата центр. В проектах компьютерного зрения все больше и больше внедряются архитектуры граничных вычислений, потому что они решают проблемы доступности сети, пропускной способности и задержки. Даже облачные архитектуры часто необходимо развертывать на периферийных устройствах из-за конфиденциальности, надежности и производительности. Граничные вычисления особенно популярны для проектов, где требуется обработка данных в реальном времени. К таким проектам относятся беспилотные автомобили, дроны и т. д.
Пограничные вычисления набирают все большую популярность в сфере здравоохранения. В то время как большинство людей воспринимают зрение как должное, другие живут с ограниченным видением или вообще без него. Было проведено множество исследований по использованию компьютерного зрения для помощи слабовидящим. К счастью, достижения в области технологий позволяют нам сделать мир немного лучше для тех, кто не видит его через изображение в реальном времени. Точнее, компьютерное зрение может помочь:
- Идентифицировать объекты
- Найдите конкретный объект среди других
- Обнаружение препятствий
- С обнаружением знаков и навигацией
- Распознавать людей
- Делитесь информацией о людских скоплениях
Аналогичные варианты использования компьютерного зрения на периферии включают помощь людям с ограниченными физическими возможностями или защиту исчезающих видов . Разумеется, список вариантов использования граничных вычислений можно продолжать и продолжать.
Тренд 2: Компьютерное зрение как услуга
По мере того, как компьютерное зрение набирает обороты, соответственно увеличивается и количество платформ, предлагающих такие решения. Использование платформ может сэкономить вам время на обработку изображений, маркировку данных и контроль данных . В целом, если вы не используете платформу компьютерного зрения, вам придется копнуть намного глубже и сделать следующее:
- Разработка рабочего процесса вокруг ваших процессов ИИ.
- Получение данных из разных источников.
- Хранение и маркировка данных.
- Проверка и исправление неправильно маркированных данных.
- После версионирования.
Сейчас большое внимание уделяется CVaaS, что означает «компьютерное зрение как услуга». Это позволяет компаниям, не занимающимся искусственным интеллектом, пользоваться преимуществами технологических достижений и приобретать алгоритмы предварительной сборки, доступные на платформах компьютерного зрения. Поскольку к алгоритмам и API можно получить доступ по запросу в рамках модели оплаты по факту использования, инновации в области компьютерного зрения становятся доступными и масштабируемыми. Например, разумным шагом будет аутсорсинг услуг по аннотации данных, учитывая, что это первая и наиболее важная часть успешного проекта компьютерного зрения. Мусор на входе, мусор на выходе, помните?
Если вам посчастливилось найти платформу, отвечающую вашим потребностям, придерживайтесь ее (и никогда не отказывайтесь от нее), чтобы убедиться, что ваш проект компьютерного зрения находится в надежных руках.
Тенденция 3: Компьютерное зрение, ориентированное на данные
Компьютерное зрение — это все о данных, и модель так же хороша, как и примеры, которыми вы ее кормите. Первый шаг к созданию моделей ИИ — это сбор огромных наборов данных для обучения. Мы ошибочно думаем, что неточность нашей модели может быть решена только путем сбора большого, иногда безумного количества данных. Например, если мы создаем модель для обнаружения кроликов, нам потребуется десять тысяч изображений кроликов с разных ракурсов, при различных погодных условиях и условиях освещения; мы будем собирать кроликов разных размеров и цветов.
Тем не менее, сегодня наблюдается тенденция к тому, чтобы качество преобладало над количеством. Это не означает, что количество примеров не играет никакой роли, но ваша модель обучения не обязательно выиграет от большого количества примеров обучения. Скорее, это будет работать хорошо, если предоставленные обучающие примеры будут точными и информативными. Если мы обнаружим, что наши тренировочные данные неточны, мы можем либо убрать шум, либо найти неправильно помеченные изображения. Если он недостаточно информативен, мы можем удвоить набор данных и собрать еще одну партию изображений с кроликами или даже заменить первую партию. Как измерить информативность изображения? Что ж, это заслуживает отдельной статьи.
Исследования показывают, что оба они одинаково эффективны с точки зрения улучшения производительности вашего алгоритма обучения. В большинстве случаев гораздо проще обнаружить неправильно помеченные примеры и найти систематический способ их правильной маркировки. Это то самое компьютерное зрение, ориентированное на данные, за которым будущее успешных приложений компьютерного зрения. MLOps также подпадает под эту категорию, направленную на систематизацию разработки и развертывания систем машинного обучения, но это, опять же, совсем другая тема для обсуждения.
Основные выводы
Компьютерное зрение прошло долгий путь, и ему предстоит еще многое сделать. Будущее компьютерного зрения многообещающее, учитывая нынешние ресурсы и талантливых специалистов. Прогресс технологий и разработка алгоритмов компьютерного зрения открывают море возможностей для применения компьютерного зрения в реальной жизни. Это приводит к увеличению количества платформ компьютерного зрения, предлагая самые разнообразные услуги для создания и реализации комплексного конвейера компьютерного зрения. Мы будем создавать приложения компьютерного зрения на периферийных вычислениях и сосредоточимся на сборе четких и информативных данных о начальных этапах обучения модели компьютерного зрения, а не на сборе огромных неинформативных наборов данных, полных шума.