Filme porno

Categorii

Advertising

Construirea propriei noastre tehnologii de recunoastere a imaginilor in profunzime

Cyclops Tech

O retea neuronala profunda este un model foarte puternic de invatare automata (ML) care, in general, functioneaza mai bine decat modelele ML mai simple, deoarece are mai multa capacitate de a invata relatii complexe intre caracteristicile de intrare. Cu toate acestea, nu este usor sa antrenezi unul. Una dintre problemele principale este necesitatea unor seturi mari de antrenament, altfel modelul tau se va potrivi.

Prima retea neuronala profunda pe care am construit-o la Carsales a fost Cyclops 1.0 acum aproximativ trei ani. Este un model de clasificare a imaginilor care poate clasifica o fotografie a unei masini in 27 de categorii; portbagaj, scaunul pasagerului, tabloul de bord, fata completa, spate completa, oglinda laterala etc. Scopul a fost de a ajuta echipele noastre de fotografie sa clasifice automat fotografiile masinilor pe care le-au facut la reprezentante. Inainte de ciclop, fiecare fotograf trebuia sa clasifice 500 de fotografii pe zi, costand afaceri aproximativ 250.000 USD anual.

Fotografii trebuiau sa clasifice unghiul masinii in fotografiile pe care le-au facut

Am implementat Cyclops folosind arhitectura CNN (Convolution Neural Network) cu 48 de straturi. CNN este cea mai populara arhitectura de model AI cand datele de intrare sunt o imagine datorita capacitatii sale de a extrage relatii spatiale 2D.

Array

De ce nu putem derula doar valorile pixelilor RGB ale imaginii in matrici 1D si sa le trecem intr-un ML care nu este bazat pe CNN, sa spunem o regresie liniara? Pentru ca pierzi apoi informatiile despre relatia dintre doi pixeli unul peste altul. De exemplu: Dupa ce le derulati, nu mai sunt aproape unul de celalalt. CNN pastreaza aceasta relatie.

Un alt beneficiu al CNN este ca invarianta deplasarii este foarte importanta in clasificarea imaginii. De exemplu: Vrem sa clasificam ambele imagini de mai jos ca un mouse, chiar daca al doilea mouse este usor deplasat spre dreapta. CNN poate gestiona acest lucru in mod natural, in timp ce altii nu.

Imagini ale mouse-ului, dar mouse-ul din imaginea din dreapta este usor deplasat spre dreapta

Antrenarea unei retele neuronale profunde la fel de complexa ca Cyclops 1.0 necesita o multime de imagini pentru a evita suprasolicitarea (atunci cand AI invata prea mult din setul dvs. de antrenament, dar nu functioneaza bine atunci cand se ocupa de date noi). Avem nevoie de cel putin 1.

000.000 de imagini, distribuite in 27 de categorii, egale cu 36.000 de imagini pe categorie. Acest lucru nu este atat de practic pentru noi, deoarece unele dintre categoriile noastre au doar aproximativ 1000 de imagini cel mult. Acestea sunt unghiurile fotografice pe care fotografii nostri le realizeaza rareori, dar vrem sa le sustinem. Pentru a ne asigura ca setul nostru de antrenament are clase echilibrate, trebuie sa ne limitam seturile de antrenament la 1000 pe imagine, avand in vedere ca exista 27 de categorii, vom ajunge doar cu 27.000 de imagini. Destul de departe de 1.000.000 de imagini huh ??

Am depasit aceasta problema cu o tehnica numita Transfer Learning. Nu ne-am antrenat modelul CNN de la zero, in schimb am folosit un model care a fost pre-antrenat cu seturile de date ImageNet (imagini de pasari, caini, masini, cladiri, oameni, fructe etc.) si apoi am inceput antrenamentul cu datele noastre stabilit de acolo. Astfel ne-am redus setul de antrenament cu 100x. De la 1.000.000 pana la 10.000 de imagini si egal cu doar 380 de imagini atunci cand sunt distribuite in 27 de categorii. Ura!!! De ce functioneaza transferul de invatare? Ei bine, daca AI a fost instruit sa recunoasca tot felul de obiecte, a invatat deja conceptul de forme simple, cum ar fi dreptunghi, cerc, patrat etc. Deci, este logic ca putem reutiliza aceste cunostinte pentru a invata sa recunoastem caracteristicile masinii care constau tot din aceleasi forme simple). Foarte ingrijit nu ?!

Nu numai ca a redus dimensiunea setului de antrenament necesar, ci si a redus timpul de antrenament cu 100x. Cyclops 1.0 a fost instruit folosind vechiul meu MacBook Pro in 5 ore.

La fel ca orice serie TV, orice poveste nu va fi completa fara o drama! Invatarea prin transfer este minunata. Cu toate acestea, ne-am confruntat cu o problema majora, o invarianta clara. Cand treceti cele doua imagini ale unui mouse de mai jos la un model de clasificare a imaginii, acesta va va spune ca ambii sunt soareci, indiferent de directie (flip orizontal). Aceasta nu este o problema pentru majoritatea companiilor, insa este o problema importanta pentru noi. Trebuie sa clasificam diferit cele doua imagini ale masinilor de mai jos. Cea stanga este un sofer lateral, iar cea dreapta este un pasager lateral. Antrenarea orbitoare pentru a diferentia cele doua clase ne ofera doar 65% precizie, ceea ce este destul de rau, deoarece cel mai rau pe care il puteti obtine este de 50% atunci cand alegeti aleatoriu intre cele doua.

Imaginile de sus sunt ok pentru a fi clasificate drept mouse. Imaginile de jos pe care dorim sa le clasificam ca Side Driver si Side Passenger

AI-ul nostru a fost instruit cu invatarea prin transfer, asa ca a mostenit acest comportament de invarianta. Exista doar doua solutii posibile. 1. este sa ne antrenam fara invatarea prin transfer, ceea ce nu este practic pentru noi. 2. este de a efectua o interventie chirurgicala pe creier pentru a edita greutatile care sunt responsabile sa ignore directia. Este similar cu efectuarea unei interventii chirurgicale pe creier pentru a edita milioane de neuroni pentru a elimina dependenta de nicotina. Faptul ca nimeni nu a facut-o dovedeste ca este o isprava imposibila.

Cu toate acestea, exista o solutie de rezolvare! Intotdeauna cred ca exista intotdeauna o solutie la orice problema. De ce nu ne antrenam pur si simplu modelul cu jumatatea din stanga a fotografiilor? In acest fel, AI nu vede niciodata o fotografie completa a masinii si unele dintre obiectele gasite in partea din fata a masinii (de exemplu, farul, sigla Ferrari si oglinda laterala) nu exista in partea din spate a masinii, astfel incat acestea pot fi folosite pentru a clasifica imagine mai buna. Si a functionat! Ne redam acuratetea la 97,2%.

Antrenarea ciclopilor cu jumatate din fotografiile masinii

Tehnologia Cyclops 1.0 este acum utilizata pentru a clasifica fotografii din diverse surse (vanzatori si dealeri privati), nu doar de la fotografii nostri. Proceseaza in jur de 100.000 de fotografii pe zi si conduce multe produse importante. Un exemplu excelent il reprezinta functiile noastre de consiliere foto privata, care amintesc vanzatorului nostru privat daca au uitat sa incarce fotografii importante, cum ar fi portbagajul si scaunul pasagerului.

De asemenea, am imbunatatit tehnologia Cyclops pentru a recunoaste marca, modelul si caroseria masinii pana la un nivel mai bun decat orice om. Dar, este o poveste de spus pentru o alta zi!

Video Description:

Cyclops TechO retea neuronala profunda este un model foarte puternic de invatare automata (ML) care, in general, functioneaza mai bine decat modelele ML mai simple, deoarece are mai multa capacitate de a invata relatii complexe intre caracteristicile de intrare. Cu toate acestea, nu este usor sa antrenezi unul. Una dintre problemele principale este necesitatea unor seturi mari de antrenament, altfel modelul tau se va potrivi.Prima retea neuronala profunda pe care am construit-o la Carsales a fost Cyclops 1.0 acum aproximativ trei ani. Este un model de clasificare a imaginilor care poate clasifica o fotografie a unei masini in 27 de categorii; portbagaj, scaunul pasagerului, tabloul de bord, fata completa, spate completa, oglinda laterala etc. Scopul a fost de a ajuta echipele noastre de fotografie sa clasifice automat fotografiile masinilor pe care le-au facut la reprezentante. Inainte de ciclop, fiecare fotograf trebuia sa clasifice 500 de fotografii pe zi, costand afaceri aproximativ 250.000 USD anual.Fotografii trebuiau sa clasifice unghiul masinii in fotografiile pe care le-au facutAm implementat Cyclops folosind arhitectura CNN (Convolution Neural Network) cu 48 de straturi. CNN este cea mai populara arhitectura de model AI cand datele de intrare sunt o imagine datorita capacitatii sale de a extrage relatii spatiale 2D. Array De ce nu putem derula doar valorile pixelilor RGB ale imaginii in matrici 1D si sa le trecem intr-un ML care nu este bazat pe CNN, sa spunem o regresie liniara? Pentru ca pierzi apoi informatiile despre relatia dintre doi pixeli unul peste altul. De exemplu: Dupa ce le derulati, nu mai sunt aproape unul de celalalt. CNN pastreaza aceasta relatie.Un alt beneficiu al CNN este ca invarianta deplasarii este foarte importanta in clasificarea imaginii. De exemplu: Vrem sa clasificam ambele imagini de mai jos ca un mouse, chiar daca al doilea mouse este usor deplasat spre dreapta. CNN poate gestiona acest lucru in mod natural, in timp ce altii nu.Imagini ale mouse-ului, dar mouse-ul din imaginea din dreapta este usor deplasat spre dreaptaAntrenarea unei retele neuronale profunde la fel de complexa ca Cyclops 1.0 necesita o multime de imagini pentru a evita suprasolicitarea (atunci cand AI invata prea mult din setul dvs. de antrenament, dar nu functioneaza bine atunci cand se ocupa de date noi). Avem nevoie de cel putin 1. porno couple danielso.com actrice porno blonde gallbladderhelp.com porno francais mere et fils www.bailliesframing.com little porno silvergram.com film porno français streaming scrantonchamber.org porno gaule www.vicsport.com.au perfectgirl porno cobit.biz le porno nanotrode.com porno sénégalais shop-rank.com film porno complet gratuit shrubplants.biz movie porno www.msbank.info porno minecraft hays.info porno torrent 18queen.com video porno gay mature www.c3invest.com alexandra daddario porno tamilmp3songs.com porno hard francais surgicaloutcome.com porno anal francais osgpurchasing.com badoo porno albinson.us woodman porno cxd.puzzlesandprizes.com film erotique porno scioncarmaxsux.net 000.000 de imagini, distribuite in 27 de categorii, egale cu 36.000 de imagini pe categorie. Acest lucru nu este atat de practic pentru noi, deoarece unele dintre categoriile noastre au doar aproximativ 1000 de imagini cel mult. Acestea sunt unghiurile fotografice pe care fotografii nostri le realizeaza rareori, dar vrem sa le sustinem. Pentru a ne asigura ca setul nostru de antrenament are clase echilibrate, trebuie sa ne limitam seturile de antrenament la 1000 pe imagine, avand in vedere ca exista 27 de categorii, vom ajunge doar cu 27.000 de imagini. Destul de departe de 1.000.000 de imagini huh ??Am depasit aceasta problema cu o tehnica numita Transfer Learning. Nu ne-am antrenat modelul CNN de la zero, in schimb am folosit un model care a fost pre-antrenat cu seturile de date ImageNet (imagini de pasari, caini, masini, cladiri, oameni, fructe etc.) si apoi am inceput antrenamentul cu datele noastre stabilit de acolo. Astfel ne-am redus setul de antrenament cu 100x. De la 1.000.000 pana la 10.000 de imagini si egal cu doar 380 de imagini atunci cand sunt distribuite in 27 de categorii. Ura!!! De ce functioneaza transferul de invatare? Ei bine, daca AI a fost instruit sa recunoasca tot felul de obiecte, a invatat deja conceptul de forme simple, cum ar fi dreptunghi, cerc, patrat etc. Deci, este logic ca putem reutiliza aceste cunostinte pentru a invata sa recunoastem caracteristicile masinii care constau tot din aceleasi forme simple). Foarte ingrijit nu ?!Nu numai ca a redus dimensiunea setului de antrenament necesar, ci si a redus timpul de antrenament cu 100x. Cyclops 1.0 a fost instruit folosind vechiul meu MacBook Pro in 5 ore.La fel ca orice serie TV, orice poveste nu va fi completa fara o drama! Invatarea prin transfer este minunata. Cu toate acestea, ne-am confruntat cu o problema majora, o invarianta clara. Cand treceti cele doua imagini ale unui mouse de mai jos la un model de clasificare a imaginii, acesta va va spune ca ambii sunt soareci, indiferent de directie (flip orizontal). Aceasta nu este o problema pentru majoritatea companiilor, insa este o problema importanta pentru noi. Trebuie sa clasificam diferit cele doua imagini ale masinilor de mai jos. Cea stanga este un sofer lateral, iar cea dreapta este un pasager lateral. Antrenarea orbitoare pentru a diferentia cele doua clase ne ofera doar 65% precizie, ceea ce este destul de rau, deoarece cel mai rau pe care il puteti obtine este de 50% atunci cand alegeti aleatoriu intre cele doua.Imaginile de sus sunt ok pentru a fi clasificate drept mouse. Imaginile de jos pe care dorim sa le clasificam ca Side Driver si Side PassengerAI-ul nostru a fost instruit cu invatarea prin transfer, asa ca a mostenit acest comportament de invarianta. Exista doar doua solutii posibile. 1. este sa ne antrenam fara invatarea prin transfer, ceea ce nu este practic pentru noi. 2. este de a efectua o interventie chirurgicala pe creier pentru a edita greutatile care sunt responsabile sa ignore directia. Este similar cu efectuarea unei interventii chirurgicale pe creier pentru a edita milioane de neuroni pentru a elimina dependenta de nicotina. Faptul ca nimeni nu a facut-o dovedeste ca este o isprava imposibila.Cu toate acestea, exista o solutie de rezolvare! Intotdeauna cred ca exista intotdeauna o solutie la orice problema. De ce nu ne antrenam pur si simplu modelul cu jumatatea din stanga a fotografiilor? In acest fel, AI nu vede niciodata o fotografie completa a masinii si unele dintre obiectele gasite in partea din fata a masinii (de exemplu, farul, sigla Ferrari si oglinda laterala) nu exista in partea din spate a masinii, astfel incat acestea pot fi folosite pentru a clasifica imagine mai buna. Si a functionat! Ne redam acuratetea la 97,2%.Antrenarea ciclopilor cu jumatate din fotografiile masiniiTehnologia Cyclops 1.0 este acum utilizata pentru a clasifica fotografii din diverse surse (vanzatori si dealeri privati), nu doar de la fotografii nostri. Proceseaza in jur de 100.000 de fotografii pe zi si conduce multe produse importante. Un exemplu excelent il reprezinta functiile noastre de consiliere foto privata, care amintesc vanzatorului nostru privat daca au uitat sa incarce fotografii importante, cum ar fi portbagajul si scaunul pasagerului.De asemenea, am imbunatatit tehnologia Cyclops pentru a recunoaste marca, modelul si caroseria masinii pana la un nivel mai bun decat orice om. Dar, este o poveste de spus pentru o alta zi!

Categorie:
Taguri:
Data adaugarii: