আমাদের ভবিষ্যতের কম্পিউটার ভিশন সিস্টেমের জন্য প্রযুক্তি এবং মডেলগুলি তৈরি করা হয়েছিল এবং ধীরে ধীরে উন্নত হয়েছিল এবং আমাদের কোম্পানির বিভিন্ন প্রকল্পে - মেল, ক্লাউড, অনুসন্ধানে। তারা ভাল পনির বা cognac মত পরিপক্ক. একদিন আমরা বুঝতে পেরেছিলাম যে আমাদের নিউরাল নেটওয়ার্কগুলি স্বীকৃতিতে দুর্দান্ত ফলাফল দেখায়, এবং আমরা সেগুলিকে একটি একক b2b পণ্য - ভিশন --এ একত্রিত করার সিদ্ধান্ত নিয়েছি যা আমরা এখন নিজেরাই ব্যবহার করি এবং আপনাকে ব্যবহার করার প্রস্তাব দিই৷

আজ, Mail.Ru ক্লাউড সলিউশন প্ল্যাটফর্মে আমাদের কম্পিউটার ভিশন প্রযুক্তি সফলভাবে কাজ করছে এবং খুব জটিল ব্যবহারিক সমস্যার সমাধান করছে। এটি অনেকগুলি নিউরাল নেটওয়ার্কের উপর ভিত্তি করে যা আমাদের ডেটা সেটগুলিতে প্রশিক্ষিত এবং প্রয়োগ করা সমস্যা সমাধানে বিশেষজ্ঞ। সমস্ত পরিষেবা আমাদের সার্ভার সুবিধাগুলিতে চালিত হয়। আপনি আপনার অ্যাপ্লিকেশনগুলিতে পাবলিক ভিশন API একীভূত করতে পারেন, যার মাধ্যমে পরিষেবার সমস্ত ক্ষমতা উপলব্ধ। API দ্রুত - সার্ভার GPU-এর জন্য ধন্যবাদ, আমাদের নেটওয়ার্কের মধ্যে গড় প্রতিক্রিয়া সময় হল 100 ms৷

বিড়ালের কাছে যান, সেখানে একটি বিশদ গল্প এবং ভিশনের কাজের অনেক উদাহরণ রয়েছে।

একটি পরিষেবার উদাহরণ যেখানে আমরা নিজেরাই উল্লিখিত ফেসিয়াল রিকগনিশন প্রযুক্তি ব্যবহার করি ঘটনাবলী. এর একটি উপাদান হল ভিশন ফটো স্ট্যান্ড, যা আমরা বিভিন্ন সম্মেলনে ইনস্টল করি। আপনি যদি এই ধরনের একটি ফটো স্ট্যান্ডের কাছে যান, বিল্ট-ইন ক্যামেরা দিয়ে একটি ছবি তুলুন এবং আপনার ইমেল লিখুন, সিস্টেমটি অবিলম্বে সেই সমস্ত ফটোগ্রাফগুলির মধ্যে খুঁজে পাবে যেখানে আপনি কনফারেন্সের স্টাফ ফটোগ্রাফারদের দ্বারা ক্যাপচার করেছিলেন এবং যদি ইচ্ছা হয়, পাওয়া ফটোগ্রাফ আপনাকে ইমেলের মাধ্যমে পাঠাবে। এবং আমরা স্টেজড পোর্ট্রেট শট নিয়ে কথা বলছি না—ভিশন আপনাকে দর্শকদের ভিড়ের মধ্যেও খুব পটভূমিতে চিনতে পারে। অবশ্যই, ফটো স্ট্যান্ডগুলি স্বীকৃত নয়, এটি কেবল সুন্দর স্ট্যান্ডে ট্যাবলেট যা কেবল তাদের অন্তর্নির্মিত ক্যামেরা দিয়ে অতিথিদের ফটো তোলে এবং সার্ভারে তথ্য প্রেরণ করে, যেখানে সমস্ত স্বীকৃতি জাদু ঘটে। এবং আমরা একাধিকবার দেখেছি যে চিত্র স্বীকৃতি বিশেষজ্ঞদের মধ্যেও প্রযুক্তির কার্যকারিতা কতটা আশ্চর্যজনক। নীচে আমরা কিছু উদাহরণ সম্পর্কে কথা বলব।

1. আমাদের ফেস রিকগনিশন মডেল

1.1। নিউরাল নেটওয়ার্ক এবং প্রক্রিয়াকরণ গতি

স্বীকৃতির জন্য, আমরা ResNet 101 নিউরাল নেটওয়ার্ক মডেলের একটি পরিবর্তন ব্যবহার করি। শেষের দিকে গড় পুলিং একটি সম্পূর্ণ সংযুক্ত স্তর দ্বারা প্রতিস্থাপিত হয়, যেমন এটি ArcFace-এ করা হয়। যাইহোক, ভেক্টর উপস্থাপনার আকার 128, 512 নয়। আমাদের প্রশিক্ষণ সেটে 10 জনের প্রায় 273 মিলিয়ন ফটো রয়েছে।

একটি সাবধানে নির্বাচিত সার্ভার কনফিগারেশন আর্কিটেকচার এবং GPU কম্পিউটিং এর জন্য মডেলটি খুব দ্রুত চলে। আমাদের অভ্যন্তরীণ নেটওয়ার্কগুলিতে API থেকে একটি প্রতিক্রিয়া পেতে 100 ms থেকে লাগে - এর মধ্যে রয়েছে মুখ সনাক্তকরণ (একটি ফটোতে একটি মুখ সনাক্ত করা), API প্রতিক্রিয়াতে PersonID সনাক্ত করা এবং ফেরত দেওয়া৷ প্রচুর পরিমাণে ইনকামিং ডেটা - ফটো এবং ভিডিওগুলির সাথে - পরিষেবাতে ডেটা স্থানান্তর করতে এবং প্রতিক্রিয়া পেতে অনেক বেশি সময় লাগবে৷

1.2। মডেলের কার্যকারিতা মূল্যায়ন

কিন্তু নিউরাল নেটওয়ার্কের কার্যক্ষমতা নির্ণয় করা খুবই অস্পষ্ট কাজ। তাদের কাজের গুণমান নির্ভর করে কোন ডেটা সেটের উপর মডেলগুলিকে প্রশিক্ষণ দেওয়া হয়েছিল এবং নির্দিষ্ট ডেটা নিয়ে কাজ করার জন্য তারা অপ্টিমাইজ করা হয়েছিল কিনা।

আমরা জনপ্রিয় LFW যাচাইকরণ পরীক্ষার মাধ্যমে আমাদের মডেলের যথার্থতা মূল্যায়ন করা শুরু করেছি, কিন্তু এটি খুবই ছোট এবং সহজ। 99,8% নির্ভুলতা পৌঁছানোর পরে, এটি আর দরকারী নয়। স্বীকৃতির মডেলগুলি মূল্যায়ন করার জন্য একটি ভাল প্রতিযোগিতা রয়েছে - মেগাফেস, যার উপর আমরা ধীরে ধীরে 82% র্যাঙ্ক 1 এ পৌঁছেছি। মেগাফেস পরীক্ষায় এক মিলিয়ন ফটোগ্রাফ রয়েছে - বিভ্রান্তিকর - এবং মডেলটি ফেসস্ক্রাব থেকে সেলিব্রিটিদের কয়েক হাজার ফটোগ্রাফকে ভালভাবে আলাদা করতে সক্ষম হওয়া উচিত। বিক্ষিপ্ত থেকে ডেটাসেট। যাইহোক, ত্রুটির মেগাফেস পরীক্ষা সাফ করার পরে, আমরা দেখতে পেয়েছি যে পরিস্কার সংস্করণের সাথে আমরা 98% র্যাঙ্ক 1 এর নির্ভুলতা অর্জন করেছি (সেলিব্রিটিদের ফটো সাধারণত বেশ নির্দিষ্ট)। অতএব, তারা একটি পৃথক সনাক্তকরণ পরীক্ষা তৈরি করেছে, মেগাফেসের অনুরূপ, তবে "সাধারণ" মানুষের ফটোগ্রাফ সহ। তারপরে আমরা আমাদের ডেটাসেটের স্বীকৃতির নির্ভুলতা উন্নত করেছি এবং অনেক এগিয়ে গিয়েছি। উপরন্তু, আমরা একটি ক্লাস্টারিং গুণমান পরীক্ষা ব্যবহার করি যা কয়েক হাজার ফটো নিয়ে গঠিত; এটি ব্যবহারকারীর ক্লাউডে ফেস ট্যাগিং অনুকরণ করে। এই ক্ষেত্রে, ক্লাস্টার হল অনুরূপ ব্যক্তিদের গ্রুপ, প্রতিটি স্বীকৃত ব্যক্তির জন্য একটি গ্রুপ। আমরা বাস্তব গ্রুপে কাজের মান পরীক্ষা করেছি (সত্য)।

অবশ্যই, কোন মডেলের সাথে স্বীকৃতি ত্রুটি ঘটবে। তবে এই জাতীয় পরিস্থিতিগুলি প্রায়শই নির্দিষ্ট অবস্থার জন্য থ্রেশহোল্ডগুলিকে সূক্ষ্ম-টিউনিং করে সমাধান করা হয় (সমস্ত সম্মেলনের জন্য আমরা একই থ্রেশহোল্ড ব্যবহার করি, তবে, উদাহরণস্বরূপ, অ্যাক্সেস কন্ট্রোল সিস্টেমের জন্য আমাদের থ্রেশহোল্ডগুলিকে ব্যাপকভাবে বাড়াতে হবে যাতে কম মিথ্যা ইতিবাচক থাকে)। কনফারেন্সের সিংহভাগ দর্শক আমাদের ভিশন ফটো বুথ দ্বারা সঠিকভাবে স্বীকৃত হয়েছিল। কখনও কখনও কেউ ক্রপ করা প্রিভিউ দেখে বলবেন, "আপনার সিস্টেম ভুল করেছে, এটা আমি ছিলাম না।" তারপরে আমরা ফটোটি সম্পূর্ণরূপে খুললাম, এবং দেখা গেল যে ফটোতে সত্যিই এই দর্শক ছিল, শুধুমাত্র আমরা তার ছবি তুলছিলাম না, কিন্তু অন্য কেউ, ব্যক্তিটি কেবল ব্লার জোনে ব্যাকগ্রাউন্ডে ছিল। তদুপরি, মুখের কিছু অংশ দৃশ্যমান না হলে, বা ব্যক্তি প্রোফাইলে দাঁড়িয়ে থাকা, এমনকি অর্ধ-বাঁকানো অবস্থায়ও নিউরাল নেটওয়ার্ক প্রায়শই সঠিকভাবে চিনতে পারে। একটি ওয়াইড-অ্যাঙ্গেল লেন্স দিয়ে শুটিং করার সময়, মুখ অপটিক্যাল বিকৃতির ক্ষেত্রে থাকলেও সিস্টেমটি একজন ব্যক্তিকে চিনতে পারে।

1.3। কঠিন পরিস্থিতিতে পরীক্ষার উদাহরণ

নিচে আমাদের নিউরাল নেটওয়ার্ক কিভাবে কাজ করে তার উদাহরণ দেওয়া হল। ফটোগুলি ইনপুটে জমা দেওয়া হয়, যা তাকে PersonID ব্যবহার করে লেবেল দিতে হবে - একজন ব্যক্তির একটি অনন্য শনাক্তকারী৷ যদি দুই বা ততোধিক ছবিতে একই আইডি থাকে, তাহলে, মডেল অনুসারে, এই ফটোগুলি একই ব্যক্তিকে চিত্রিত করে।

আসুন আমরা অবিলম্বে নোট করি যে পরীক্ষা করার সময়, আমাদের কাছে বিভিন্ন পরামিতি এবং মডেল থ্রেশহোল্ডগুলিতে অ্যাক্সেস রয়েছে যা আমরা একটি নির্দিষ্ট ফলাফল অর্জন করতে কনফিগার করতে পারি। সর্বজনীন API সাধারণ ক্ষেত্রে সর্বোচ্চ নির্ভুলতার জন্য অপ্টিমাইজ করা হয়েছে।

আসুন সবচেয়ে সহজ জিনিস দিয়ে শুরু করি, সামনের মুখের স্বীকৃতি দিয়ে।

ওয়েল, এটা খুব সহজ ছিল. এর টাস্ক জটিল করা যাক, একটি দাড়ি এবং বছর একটি মুষ্টিমেয় যোগ করুন।

কেউ কেউ বলবেন যে এটিও খুব কঠিন ছিল না, কারণ উভয় ক্ষেত্রেই পুরো মুখটি দৃশ্যমান, এবং মুখ সম্পর্কে অনেক তথ্য অ্যালগরিদমের কাছে উপলব্ধ। ঠিক আছে, টম হার্ডিকে প্রোফাইলে পরিণত করা যাক। এই সমস্যাটি অনেক বেশি জটিল, এবং আমরা একটি কম ত্রুটির হার বজায় রেখে সফলভাবে সমাধান করার জন্য অনেক প্রচেষ্টা ব্যয় করেছি: আমরা একটি প্রশিক্ষণ সেট নির্বাচন করেছি, নিউরাল নেটওয়ার্কের আর্কিটেকচারের মাধ্যমে চিন্তা করে, ক্ষতির ফাংশনগুলিকে সম্মানিত করেছি এবং প্রাক-প্রক্রিয়াকরণকে উন্নত করেছি। ফটোগ্রাফের

তার উপর একটি হেডড্রেস রাখা যাক:

যাইহোক, এটি একটি বিশেষভাবে কঠিন পরিস্থিতির একটি উদাহরণ, যেহেতু মুখটি ভারীভাবে অস্পষ্ট, এবং নীচের ফটোতেও একটি গভীর ছায়া রয়েছে যা চোখ লুকিয়ে রেখেছে। বাস্তব জীবনে, লোকেরা প্রায়শই অন্ধকার চশমার সাহায্যে তাদের চেহারা পরিবর্তন করে। টমের সাথেও তাই করা যাক।

ঠিক আছে, আসুন বিভিন্ন বয়সের ফটো তোলার চেষ্টা করি, এবং এবার আমরা একজন ভিন্ন অভিনেতার সাথে পরীক্ষা করব। আসুন আরও জটিল উদাহরণ নেওয়া যাক, যেখানে বয়স-সম্পর্কিত পরিবর্তনগুলি বিশেষভাবে উচ্চারিত হয়। পরিস্থিতি খুব বেশি দূরের নয়; এটি প্রায়শই ঘটে যখন আপনাকে পাসপোর্টে থাকা ফটোটিকে বহনকারীর মুখের সাথে তুলনা করতে হবে। সর্বোপরি, প্রথম ছবি একটি পাসপোর্টে যুক্ত করা হয় যখন মালিকের বয়স 20 বছর হয় এবং 45 বছর বয়সে একজন ব্যক্তি ব্যাপকভাবে পরিবর্তন করতে পারেন:

আপনি কি মনে করেন যে অসম্ভব মিশনের প্রধান বিশেষজ্ঞ বয়সের সাথে খুব বেশি পরিবর্তিত হয়নি? আমি মনে করি যে এমনকি কয়েকজন লোক উপরের এবং নীচের ফটোগুলিকে একত্রিত করবে, ছেলেটি বছরের পর বছর ধরে অনেক বদলে গেছে।

নিউরাল নেটওয়ার্কগুলি প্রায়শই চেহারায় পরিবর্তনের সম্মুখীন হয়। উদাহরণস্বরূপ, কখনও কখনও মহিলারা প্রসাধনীর সাহায্যে তাদের চিত্রটি ব্যাপকভাবে পরিবর্তন করতে পারে:

এখন কাজটিকে আরও জটিল করা যাক: ধরুন মুখের বিভিন্ন অংশ বিভিন্ন ফটোগ্রাফে ঢেকে আছে। এই ধরনের ক্ষেত্রে, অ্যালগরিদম সম্পূর্ণ নমুনার তুলনা করতে পারে না। যাইহোক, দৃষ্টি এই ধরনের পরিস্থিতি ভালভাবে পরিচালনা করে।

যাইহোক, একটি ফটোগ্রাফে অনেকগুলি মুখ থাকতে পারে; উদাহরণস্বরূপ, একটি হলের একটি সাধারণ ফটোতে 100 জনের বেশি লোক ফিট করতে পারে। নিউরাল নেটওয়ার্কের জন্য এটি একটি কঠিন পরিস্থিতি, যেহেতু অনেক মুখ ভিন্নভাবে আলোকিত হতে পারে, কিছু ফোকাসের বাইরে। যাইহোক, যদি ফটোটি পর্যাপ্ত রেজোলিউশন এবং গুণমানের সাথে তোলা হয় (মুখ ঢেকে প্রতি বর্গক্ষেত্রে কমপক্ষে 75 পিক্সেল), দৃষ্টি এটি সনাক্ত করতে এবং সনাক্ত করতে সক্ষম হবে৷

নজরদারি ক্যামেরা থেকে রিপোর্টেজ ফটোগ্রাফ এবং চিত্রগুলির বিশেষত্ব হল যে লোকেরা প্রায়শই ঝাপসা হয়ে যায় কারণ তারা ফোকাসের বাইরে ছিল বা সেই মুহুর্তে চলছিল:

এছাড়াও, আলোর তীব্রতা চিত্র থেকে চিত্রে ব্যাপকভাবে পরিবর্তিত হতে পারে। এটিও প্রায়শই হোঁচট খায়; অনেক অ্যালগরিদমের ছবিগুলিকে সঠিকভাবে প্রসেস করতে খুব অসুবিধা হয় যেগুলি খুব অন্ধকার এবং খুব হালকা, সেগুলিকে সঠিকভাবে মেলে না উল্লেখ করার জন্য৷ আমি আপনাকে মনে করিয়ে দিচ্ছি যে এই ফলাফলটি অর্জন করতে আপনাকে একটি নির্দিষ্ট উপায়ে থ্রেশহোল্ডগুলি কনফিগার করতে হবে; এই বৈশিষ্ট্যটি এখনও সর্বজনীনভাবে উপলব্ধ নয়। আমরা সমস্ত ক্লায়েন্টের জন্য একই নিউরাল নেটওয়ার্ক ব্যবহার করি; এতে থ্রেশহোল্ড রয়েছে যা বেশিরভাগ ব্যবহারিক কাজের জন্য উপযুক্ত।

আমরা সম্প্রতি মডেলটির একটি নতুন সংস্করণ নিয়ে এসেছি যা উচ্চ নির্ভুলতার সাথে এশিয়ান মুখগুলিকে চিনতে পারে৷ এটি একটি বড় সমস্যা ছিল, যাকে "মেশিন লার্নিং" (বা "নিউরাল নেটওয়ার্ক") বর্ণবাদও বলা হত। ইউরোপীয় এবং আমেরিকান নিউরাল নেটওয়ার্কগুলি ককেশীয় মুখগুলিকে ভালভাবে চিনতে পেরেছিল, কিন্তু মঙ্গোলয়েড এবং নেগ্রোয়েড মুখগুলির সাথে পরিস্থিতি আরও খারাপ ছিল। সম্ভবত, চীনে পরিস্থিতি ঠিক বিপরীত ছিল। এটি সমস্ত প্রশিক্ষণ ডেটা সেট সম্পর্কে যা একটি নির্দিষ্ট দেশের প্রভাবশালী ধরণের লোকদের প্রতিফলিত করে। যাইহোক, পরিস্থিতি পরিবর্তিত হচ্ছে; আজ এই সমস্যাটি এত তীব্র নয়। বিভিন্ন বর্ণের মানুষের সাথে দৃষ্টি কোন সমস্যা নেই।

ফেসিয়াল রিকগনিশন আমাদের প্রযুক্তির অনেকগুলি অ্যাপ্লিকেশনের মধ্যে একটি মাত্র; দৃষ্টিকে যে কোনও কিছু চিনতে প্রশিক্ষণ দেওয়া যেতে পারে। উদাহরণস্বরূপ, লাইসেন্স প্লেট, অ্যালগরিদমের জন্য কঠিন শর্ত সহ: তীক্ষ্ণ কোণে, নোংরা এবং লাইসেন্স প্লেট পড়তে অসুবিধা।

2. ব্যবহারিক ব্যবহারের ক্ষেত্রে

2.1। শারীরিক অ্যাক্সেস নিয়ন্ত্রণ: যখন দুই ব্যক্তি একই পাস ব্যবহার করেন

ভিশনের সাহায্যে, আপনি কর্মীদের আগমন এবং প্রস্থান রেকর্ড করার জন্য সিস্টেমগুলি প্রয়োগ করতে পারেন। ইলেকট্রনিক পাসের উপর ভিত্তি করে প্রচলিত সিস্টেমের সুস্পষ্ট অসুবিধা রয়েছে, উদাহরণস্বরূপ, আপনি একটি ব্যাজ ব্যবহার করে দুইজনকে পাস করতে পারেন। যদি অ্যাক্সেস কন্ট্রোল সিস্টেম (ACS) ভিশনের সাথে সম্পূরক হয়, তাহলে এটি সততার সাথে রেকর্ড করবে কে এসেছে/বামে গেছে এবং কখন।

2.2। সময় ট্র্যাকিং

এই দৃষ্টি ব্যবহারের ক্ষেত্রে পূর্ববর্তীটির সাথে ঘনিষ্ঠভাবে সম্পর্কিত। আপনি যদি আমাদের ফেসিয়াল রিকগনিশন পরিষেবার সাথে অ্যাক্সেস সিস্টেমের পরিপূরক করেন তবে এটি কেবল অ্যাক্সেস নিয়ন্ত্রণ লঙ্ঘন সনাক্ত করতেই সক্ষম হবে না, তবে বিল্ডিং বা সুবিধায় কর্মীদের প্রকৃত উপস্থিতি নিবন্ধন করতেও সক্ষম হবে। অন্য কথায়, ভিশন আপনাকে সততার সাথে বিবেচনা করতে সাহায্য করবে কে কাজ করতে এসেছিল এবং কোন সময়ে চলে গেছে এবং কে সম্পূর্ণভাবে কাজ এড়িয়ে গেছে, এমনকি যদি তার সহকর্মীরা তার ঊর্ধ্বতনদের সামনে তাকে কভার করে।

2.3। ভিডিও বিশ্লেষণ: মানুষ ট্র্যাকিং এবং নিরাপত্তা

ভিশন ব্যবহার করে লোকেদের ট্র্যাক করার মাধ্যমে, আপনি কেনাকাটা এলাকা, ট্রেন স্টেশন, প্যাসেজ, রাস্তা এবং অন্যান্য অনেক পাবলিক জায়গার আসল ট্র্যাফিক নির্ভুলভাবে মূল্যায়ন করতে পারেন। আমাদের ট্র্যাকিং অ্যাক্সেস নিয়ন্ত্রণে অনেক সাহায্য করতে পারে, উদাহরণস্বরূপ, একটি গুদাম বা অন্যান্য গুরুত্বপূর্ণ অফিস প্রাঙ্গনে। এবং অবশ্যই, মানুষ এবং মুখ ট্র্যাকিং নিরাপত্তা সমস্যা সমাধান করতে সাহায্য করে। কেউ আপনার দোকান থেকে চুরি ধরা? আপনার ভিডিও অ্যানালিটিক্স সফ্টওয়্যারের কালো তালিকায় তার PersonID যোগ করুন, যা Vision দ্বারা ফিরিয়ে দেওয়া হয়েছে, এবং পরবর্তী সময়ে এই ধরনের আবার প্রদর্শিত হলে সিস্টেম অবিলম্বে নিরাপত্তার বিষয়ে সতর্ক করবে৷

2.4। বাণিজ্য

খুচরা এবং বিভিন্ন সেবা ব্যবসা সারির স্বীকৃতি আগ্রহী. ভিশনের সাহায্যে, আপনি চিনতে পারেন যে এটি মানুষের এলোমেলো ভিড় নয়, তবে একটি সারি, এবং এর দৈর্ঘ্য নির্ধারণ করুন। এবং তারপরে সিস্টেমটি দায়িত্বে থাকা ব্যক্তিদের একটি সারি সম্পর্কে অবহিত করে যাতে তারা পরিস্থিতিটি বুঝতে পারে: হয় দর্শনার্থীদের ভিড় রয়েছে এবং অতিরিক্ত কর্মীদের ডাকা প্রয়োজন, বা কেউ তাদের কাজের দায়িত্বে শিথিলতা করছে।

আরেকটি আকর্ষণীয় কাজ হল দর্শকদের থেকে হলের কোম্পানির কর্মচারীদের আলাদা করা। সাধারণত, সিস্টেমটিকে নির্দিষ্ট পোশাক (ড্রেস কোড) বা কিছু স্বতন্ত্র বৈশিষ্ট্য (ব্র্যান্ডেড স্কার্ফ, বুকে ব্যাজ ইত্যাদি) পরা বস্তুগুলিকে আলাদা করার প্রশিক্ষণ দেওয়া হয়। এটি উপস্থিতিকে আরও সঠিকভাবে মূল্যায়ন করতে সহায়তা করে (যাতে কর্মীরা হলের লোকেদের পরিসংখ্যানকে তাদের নিছক উপস্থিতির দ্বারা "স্ফীত" না করে)।

মুখের স্বীকৃতি ব্যবহার করে, আপনি আপনার শ্রোতাদের মূল্যায়ন করতে পারেন: দর্শকদের আনুগত্য কী, অর্থাৎ কতজন লোক আপনার প্রতিষ্ঠানে ফিরে আসে এবং কত ফ্রিকোয়েন্সি সহ। প্রতি মাসে কতজন অনন্য দর্শক আপনার কাছে আসে তা গণনা করুন। আকর্ষণ এবং ধরে রাখার খরচ অপ্টিমাইজ করতে, আপনি সপ্তাহের দিন এমনকি দিনের সময়ের উপর নির্ভর করে ট্র্যাফিকের পরিবর্তনও খুঁজে পেতে পারেন।

ফ্র্যাঞ্চাইজার এবং চেইন কোম্পানিগুলি বিভিন্ন খুচরা আউটলেটের ব্র্যান্ডিংয়ের মানের ফটোগ্রাফের উপর ভিত্তি করে একটি মূল্যায়ন অর্ডার করতে পারে: লোগো, চিহ্ন, পোস্টার, ব্যানার ইত্যাদির উপস্থিতি।

2.5। পরিবহন দ্বারা

ভিডিও বিশ্লেষণ ব্যবহার করে নিরাপত্তা নিশ্চিত করার আরেকটি উদাহরণ হল বিমানবন্দর বা ট্রেন স্টেশনের হলগুলোতে পরিত্যক্ত আইটেম চিহ্নিত করা। দৃষ্টিশক্তিকে শত শত শ্রেণীর বস্তু চিনতে প্রশিক্ষণ দেওয়া যেতে পারে: আসবাবের টুকরো, ব্যাগ, স্যুটকেস, ছাতা, বিভিন্ন ধরনের পোশাক, বোতল ইত্যাদি। যদি আপনার ভিডিও অ্যানালিটিক্স সিস্টেম একটি মালিকহীন বস্তু শনাক্ত করে এবং ভিশন ব্যবহার করে এটি চিনতে পারে, তাহলে এটি নিরাপত্তা পরিষেবাতে একটি সংকেত পাঠায়। একটি অনুরূপ কাজ সর্বজনীন স্থানে অস্বাভাবিক পরিস্থিতিগুলির স্বয়ংক্রিয় সনাক্তকরণের সাথে যুক্ত: কেউ অসুস্থ বোধ করে, বা কেউ ভুল জায়গায় ধূমপান করে, বা একজন ব্যক্তি রেলের উপর পড়ে, ইত্যাদি - এই সমস্ত নিদর্শনগুলি ভিডিও বিশ্লেষণ সিস্টেম দ্বারা স্বীকৃত হতে পারে। ভিশন API এর মাধ্যমে।

2.6। নথি প্রবাহ

ভিশনের আরেকটি আকর্ষণীয় ভবিষ্যত অ্যাপ্লিকেশন যা আমরা বর্তমানে বিকাশ করছি তা হল নথির স্বীকৃতি এবং ডাটাবেসে তাদের স্বয়ংক্রিয় পার্সিং। অন্তহীন সিরিজ, নম্বর, ইস্যুর তারিখ, অ্যাকাউন্ট নম্বর, ব্যাঙ্কের বিশদ বিবরণ, তারিখ এবং জন্মস্থান এবং অন্যান্য অনেক আনুষ্ঠানিক ডেটা ম্যানুয়ালি প্রবেশ করানো (বা আরও খারাপ, প্রবেশ) করার পরিবর্তে, আপনি নথিগুলি স্ক্যান করতে পারেন এবং স্বয়ংক্রিয়ভাবে সেগুলিকে একটি নিরাপদ চ্যানেলে পাঠাতে পারেন ক্লাউডে API, যেখানে সিস্টেম এই নথিগুলিকে ফ্লাইতে চিনবে, সেগুলিকে পার্স করবে এবং ডাটাবেসে স্বয়ংক্রিয় প্রবেশের জন্য প্রয়োজনীয় বিন্যাসে ডেটা সহ একটি প্রতিক্রিয়া ফিরিয়ে দেবে। আজ ভিশন ইতিমধ্যেই জানে কিভাবে নথি শ্রেণীবদ্ধ করতে হয় (পিডিএফ সহ) - পাসপোর্ট, এসএনআইএলএস, টিআইএন, জন্ম শংসাপত্র, বিবাহের শংসাপত্র এবং অন্যান্যদের মধ্যে পার্থক্য করে।

অবশ্যই, নিউরাল নেটওয়ার্ক বাক্সের বাইরে এই সমস্ত পরিস্থিতি পরিচালনা করতে সক্ষম নয়। প্রতিটি ক্ষেত্রে, একটি নির্দিষ্ট গ্রাহকের জন্য একটি নতুন মডেল তৈরি করা হয়, অনেকগুলি কারণ, সূক্ষ্মতা এবং প্রয়োজনীয়তা বিবেচনায় নেওয়া হয়, ডেটা সেট নির্বাচন করা হয় এবং প্রশিক্ষণ, পরীক্ষা এবং কনফিগারেশনের পুনরাবৃত্তি করা হয়।

3. API অপারেশন স্কিম

ব্যবহারকারীদের জন্য ভিশনের "প্রবেশদ্বার" হল REST API। এটি ইনপুট হিসাবে নেটওয়ার্ক ক্যামেরা (RTSP স্ট্রীম) থেকে ফটো, ভিডিও ফাইল এবং সম্প্রচার গ্রহণ করতে পারে।

ভিশন ব্যবহার করতে আপনার প্রয়োজন সাইন আপ Mail.ru ক্লাউড সলিউশন পরিষেবাতে এবং অ্যাক্সেস টোকেন গ্রহণ করুন (client_id + client_secret)। OAuth প্রোটোকল ব্যবহার করে ব্যবহারকারীর প্রমাণীকরণ করা হয়। POST অনুরোধের বডির সোর্স ডেটা API-তে পাঠানো হয়। এবং প্রতিক্রিয়া হিসাবে, ক্লায়েন্ট API থেকে JSON ফর্ম্যাটে একটি স্বীকৃতি ফলাফল পায়, এবং প্রতিক্রিয়াটি কাঠামোগত হয়: এতে পাওয়া বস্তু এবং তাদের স্থানাঙ্ক সম্পর্কে তথ্য রয়েছে।

নমুনা উত্তর

{
   "status":200,
   "body":{
      "objects":[
         {
            "status":0,
            "name":"file_0"
         },
         {
            "status":0,
            "name":"file_2",
            "persons":[
               {
                  "tag":"person9"
                  "coord":[149,60,234,181],
                  "confidence":0.9999,
                  "awesomeness":0.45
               },
               {
                  "tag":"person10"
                  "coord":[159,70,224,171],
                  "confidence":0.9998,
                  "awesomeness":0.32
               }
            ]
         }

         {
            "status":0,
            "name":"file_3",
            "persons":[
               {
               "tag":"person11",
               "coord":[157,60,232,111],
               "aliases":["person12", "person13"]
               "confidence":0.9998,
               "awesomeness":0.32
               }
            ]
         },
         {
            "status":0,
            "name":"file_4",
            "persons":[
               {
               "tag":"undefined"
               "coord":[147,50,222,121],
               "confidence":0.9997,
               "awesomeness":0.26
               }
            ]
         }
      ],
      "aliases_changed":false
   },
   "htmlencoded":false,
   "last_modified":0
}

উত্তরটিতে একটি আকর্ষণীয় প্যারামিটার দুর্দান্ততা রয়েছে - এটি একটি ফটোতে একটি মুখের শর্তসাপেক্ষ "শীতলতা", এর সাহায্যে আমরা ক্রম থেকে একটি মুখের সেরা শট নির্বাচন করি। সামাজিক নেটওয়ার্কগুলিতে একটি ফটো লাইক হওয়ার সম্ভাবনার পূর্বাভাস দেওয়ার জন্য আমরা একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দিয়েছি। ছবির গুণমান যত ভালো হবে এবং মুখের হাসি তত বেশি হবে অসাধারণত্ব।

API ভিশন স্পেস নামক একটি ধারণা ব্যবহার করে। এটি মুখের বিভিন্ন সেট তৈরি করার জন্য একটি টুল। স্পেসগুলির উদাহরণ হল কালো এবং সাদা তালিকা, দর্শকদের তালিকা, কর্মচারী, ক্লায়েন্ট, ইত্যাদি। ভিশনে প্রতিটি টোকেনের জন্য, আপনি 10টি পর্যন্ত স্পেস তৈরি করতে পারেন, প্রতিটি স্পেসে 50 হাজার পর্যন্ত PersonID থাকতে পারে, অর্থাৎ 500 হাজার পর্যন্ত প্রতি টোকেন। তাছাড়া, প্রতি অ্যাকাউন্টে টোকেনের সংখ্যা সীমিত নয়।

আজ API নিম্নলিখিত সনাক্তকরণ এবং স্বীকৃতি পদ্ধতি সমর্থন করে:

• সনাক্ত/সেট - সনাক্তকরণ এবং মুখের স্বীকৃতি। স্বয়ংক্রিয়ভাবে প্রতিটি অনন্য ব্যক্তিকে একটি PersonID বরাদ্দ করে, পাওয়া ব্যক্তিদের PersonID এবং স্থানাঙ্ক ফেরত দেয়।
• মুছুন - ব্যক্তি ডাটাবেস থেকে একটি নির্দিষ্ট PersonID মুছে ফেলা।
• ট্রাঙ্কেট - PersonID থেকে পুরো স্থানটি সাফ করে, যদি এটি একটি পরীক্ষার স্থান হিসাবে ব্যবহার করা হয় এবং আপনাকে উত্পাদনের জন্য ডাটাবেস পুনরায় সেট করতে হবে তবে এটি কার্যকর।
• সনাক্ত করুন - বস্তু, দৃশ্য, লাইসেন্স প্লেট, ল্যান্ডমার্ক, সারি, ইত্যাদি সনাক্তকরণ। পাওয়া বস্তুর শ্রেণী এবং তাদের স্থানাঙ্ক প্রদান করে
• নথিগুলির জন্য সনাক্ত করুন - রাশিয়ান ফেডারেশনের নির্দিষ্ট ধরণের নথি সনাক্ত করে (পাসপোর্ট, এসএনআইএলএস, ট্যাক্স সনাক্তকরণ নম্বর, ইত্যাদি আলাদা করে)।

আমরা শীঘ্রই ওসিআর পদ্ধতির কাজ শেষ করছি, লিঙ্গ, বয়স এবং আবেগ নির্ধারণের পাশাপাশি মার্চেন্ডাইজিং সমস্যা সমাধানের জন্য, অর্থাৎ দোকানে পণ্যের প্রদর্শন স্বয়ংক্রিয়ভাবে নিয়ন্ত্রণ করার জন্য। আপনি এখানে সম্পূর্ণ API ডকুমেন্টেশন পেতে পারেন: https://mcs.mail.ru/help/vision-api

4। উপসংহার

এখন, পাবলিক API-এর মাধ্যমে, আপনি ফটো এবং ভিডিওগুলিতে মুখের স্বীকৃতি অ্যাক্সেস করতে পারেন; বিভিন্ন বস্তুর সনাক্তকরণ, লাইসেন্স প্লেট, ল্যান্ডমার্ক, নথি এবং সম্পূর্ণ দৃশ্য সমর্থিত। অ্যাপ্লিকেশন দৃশ্যকল্প - সমুদ্র. আসুন, আমাদের পরিষেবা পরীক্ষা করুন, এটি সবচেয়ে জটিল কাজগুলি সেট করুন। প্রথম 5000টি লেনদেন বিনামূল্যে। সম্ভবত এটি আপনার প্রকল্পের জন্য "অনুপস্থিত উপাদান" হবে।

আপনি নিবন্ধন এবং সংযোগের পরে অবিলম্বে API অ্যাক্সেস করতে পারেন। দৃষ্টি. সমস্ত হাবরা ব্যবহারকারীরা অতিরিক্ত লেনদেনের জন্য একটি প্রচারমূলক কোড পান। আপনি আপনার অ্যাকাউন্ট নিবন্ধন করতে ব্যবহার করা ইমেল ঠিকানা আমাকে লিখুন!

উত্স: www.habr.com