અમારી ભાવિ કોમ્પ્યુટર વિઝન સિસ્ટમ માટે ટેક્નોલોજીઓ અને મોડલ બનાવવામાં આવ્યા હતા અને ધીમે ધીમે અને અમારી કંપનીના વિવિધ પ્રોજેક્ટ્સમાં - મેઇલ, ક્લાઉડ, સર્ચમાં સુધારો કરવામાં આવ્યો હતો. તેઓ સારી ચીઝ અથવા કોગ્નેકની જેમ પરિપક્વ થયા. એક દિવસ અમને સમજાયું કે અમારા ન્યુરલ નેટવર્ક્સ માન્યતામાં ઉત્તમ પરિણામો દર્શાવે છે, અને અમે તેમને એક જ b2b ઉત્પાદન - વિઝન - માં જોડવાનું નક્કી કર્યું જે હવે અમે અમારી જાતે ઉપયોગ કરીએ છીએ અને તમને ઉપયોગ કરવાની ઑફર કરીએ છીએ.

આજે, Mail.Ru ક્લાઉડ સોલ્યુશન્સ પ્લેટફોર્મ પરની અમારી કોમ્પ્યુટર વિઝન ટેક્નોલોજી સફળતાપૂર્વક કામ કરી રહી છે અને ખૂબ જ જટિલ વ્યવહારિક સમસ્યાઓનું નિરાકરણ કરી રહી છે. તે સંખ્યાબંધ ન્યુરલ નેટવર્ક્સ પર આધારિત છે જે અમારા ડેટા સેટ પર પ્રશિક્ષિત છે અને લાગુ સમસ્યાઓ ઉકેલવામાં નિષ્ણાત છે. બધી સેવાઓ અમારી સર્વર સુવિધાઓ પર ચાલે છે. તમે તમારી એપ્લિકેશન્સમાં પબ્લિક વિઝન API ને એકીકૃત કરી શકો છો, જેના દ્વારા સેવાની તમામ ક્ષમતાઓ ઉપલબ્ધ છે. API ઝડપી છે - સર્વર GPU ને આભાર, અમારા નેટવર્કમાં સરેરાશ પ્રતિભાવ સમય 100 ms છે.

બિલાડી પર જાઓ, ત્યાં એક વિગતવાર વાર્તા છે અને વિઝનના કાર્યના ઘણા ઉદાહરણો છે.

સેવાનું ઉદાહરણ જેમાં આપણે પોતે ઉલ્લેખિત ચહેરાની ઓળખ તકનીકોનો ઉપયોગ કરીએ છીએ ઘટનાઓ. તેના ઘટકોમાંનું એક વિઝન ફોટો સ્ટેન્ડ છે, જે અમે વિવિધ પરિષદોમાં ઇન્સ્ટોલ કરીએ છીએ. જો તમે આવા ફોટો સ્ટેન્ડનો સંપર્ક કરો છો, તો બિલ્ટ-ઇન કૅમેરા વડે ફોટો લો અને તમારો ઇમેઇલ દાખલ કરો, સિસ્ટમ તરત જ ફોટોગ્રાફ્સની શ્રેણીમાંથી તે શોધી કાઢશે જેમાં તમે કોન્ફરન્સના સ્ટાફ ફોટોગ્રાફરો દ્વારા કેપ્ચર થયા હતા, અને જો ઇચ્છિત હોય, તમને મળેલા ફોટોગ્રાફ્સ ઈમેલ દ્વારા મોકલશે. અને અમે સ્ટેજ કરેલા પોટ્રેટ શોટ્સ વિશે વાત કરી રહ્યા નથી-વિઝન તમને મુલાકાતીઓની ભીડમાં પણ ખૂબ જ પૃષ્ઠભૂમિમાં ઓળખે છે. અલબત્ત, તે ફોટો સ્ટેન્ડ નથી જે ઓળખાય છે, આ ફક્ત સુંદર સ્ટેન્ડમાં ટેબ્લેટ છે જે ફક્ત તેમના બિલ્ટ-ઇન કેમેરા વડે મહેમાનોના ફોટા લે છે અને સર્વર્સ પર માહિતી પ્રસારિત કરે છે, જ્યાં તમામ માન્યતા જાદુ થાય છે. અને અમે એક કરતા વધુ વખત જોયું છે કે ઇમેજ રેકગ્નિશન નિષ્ણાતોમાં પણ ટેક્નોલોજીની અસરકારકતા કેટલી આશ્ચર્યજનક છે. નીચે આપણે કેટલાક ઉદાહરણો વિશે વાત કરીશું.

1. અમારું ફેસ રેકગ્નિશન મોડલ

1.1. ન્યુરલ નેટવર્ક અને પ્રોસેસિંગ સ્પીડ

ઓળખ માટે, અમે ResNet 101 ન્યુરલ નેટવર્ક મોડલના ફેરફારનો ઉપયોગ કરીએ છીએ. અંતે સરેરાશ પૂલિંગને સંપૂર્ણપણે કનેક્ટેડ લેયર દ્વારા બદલવામાં આવે છે, જે રીતે તે ArcFace માં કરવામાં આવે છે. જો કે, વેક્ટર રજૂઆતોનું કદ 128 છે, 512 નહીં. અમારા તાલીમ સેટમાં 10 લોકોના લગભગ 273 મિલિયન ફોટા છે.

કાળજીપૂર્વક પસંદ કરેલ સર્વર રૂપરેખાંકન આર્કિટેક્ચર અને GPU કમ્પ્યુટિંગને કારણે મોડેલ ખૂબ જ ઝડપથી ચાલે છે. અમારા આંતરિક નેટવર્ક્સ પર API તરફથી પ્રતિસાદ પ્રાપ્ત કરવામાં 100 ms જેટલો સમય લાગે છે - આમાં ચહેરાની શોધ (ફોટામાં ચહેરો શોધવા), API પ્રતિસાદમાં PersonID ને ઓળખવા અને પરત કરવાનો સમાવેશ થાય છે. ઇનકમિંગ ડેટાના મોટા જથ્થા સાથે - ફોટા અને વિડિઓઝ - ડેટાને સેવામાં સ્થાનાંતરિત કરવામાં અને પ્રતિસાદ પ્રાપ્ત કરવામાં વધુ સમય લેશે.

1.2. મોડેલની અસરકારકતાનું મૂલ્યાંકન

પરંતુ ન્યુરલ નેટવર્ક્સની કાર્યક્ષમતા નક્કી કરવી એ ખૂબ જ અસ્પષ્ટ કાર્ય છે. તેમના કાર્યની ગુણવત્તા મોડેલોને કયા ડેટા સેટ પર તાલીમ આપવામાં આવી હતી અને શું તેઓ ચોક્કસ ડેટા સાથે કામ કરવા માટે ઑપ્ટિમાઇઝ કરવામાં આવ્યા હતા તેના પર આધાર રાખે છે.

અમે લોકપ્રિય LFW વેરિફિકેશન ટેસ્ટ વડે અમારા મોડલની સચોટતાનું મૂલ્યાંકન કરવાનું શરૂ કર્યું છે, પરંતુ તે ખૂબ નાનું અને સરળ છે. 99,8% ચોકસાઈ સુધી પહોંચ્યા પછી, તે હવે ઉપયોગી નથી. માન્યતા મૉડલનું મૂલ્યાંકન કરવા માટે સારી સ્પર્ધા છે - મેગાફેસ, જેના પર અમે ધીમે ધીમે 82% રેન્ક 1 પર પહોંચી ગયા છીએ. મેગાફેસ ટેસ્ટમાં એક મિલિયન ફોટોગ્રાફ્સ - ડિસ્ટ્રેક્ટર્સ -નો સમાવેશ થાય છે અને મોડેલ ફેસસ્ક્રબમાંથી સેલિબ્રિટીના હજારો ફોટોગ્રાફ્સને સારી રીતે અલગ પાડવા સક્ષમ હોવા જોઈએ. વિચલિત કરનારાઓ પાસેથી ડેટાસેટ. જો કે, ભૂલોના મેગાફેસ પરીક્ષણને સાફ કર્યા પછી, અમને જાણવા મળ્યું કે ક્લીયર કરેલ સંસ્કરણ સાથે અમે 98% રેન્ક 1 ની ચોકસાઈ હાંસલ કરીએ છીએ (સેલિબ્રિટીના ફોટા સામાન્ય રીતે એકદમ ચોક્કસ હોય છે). તેથી, તેઓએ એક અલગ ઓળખ પરીક્ષણ બનાવ્યું, મેગાફેસ જેવું જ, પરંતુ "સામાન્ય" લોકોના ફોટોગ્રાફ્સ સાથે. પછી અમે અમારા ડેટાસેટ્સ પર ઓળખની સચોટતામાં સુધારો કર્યો અને ઘણા આગળ ગયા. વધુમાં, અમે ક્લસ્ટરિંગ ગુણવત્તા પરીક્ષણનો ઉપયોગ કરીએ છીએ જેમાં કેટલાક હજાર ફોટા હોય છે; તે વપરાશકર્તાના ક્લાઉડમાં ફેસ ટેગિંગનું અનુકરણ કરે છે. આ કિસ્સામાં, ક્લસ્ટરો સમાન વ્યક્તિઓના જૂથો છે, દરેક ઓળખી શકાય તેવી વ્યક્તિ માટે એક જૂથ. અમે વાસ્તવિક જૂથો (સાચું) પર કામની ગુણવત્તા તપાસી.

અલબત્ત, કોઈપણ મોડેલ સાથે માન્યતા ભૂલો થાય છે. પરંતુ આવી પરિસ્થિતિઓ ઘણીવાર ચોક્કસ પરિસ્થિતિઓ માટે થ્રેશોલ્ડને ફાઇન-ટ્યુનિંગ દ્વારા ઉકેલવામાં આવે છે (બધી પરિષદો માટે આપણે સમાન થ્રેશોલ્ડનો ઉપયોગ કરીએ છીએ, પરંતુ, ઉદાહરણ તરીકે, એક્સેસ કંટ્રોલ સિસ્ટમ્સ માટે આપણે થ્રેશોલ્ડને મોટા પ્રમાણમાં વધારવો પડશે જેથી ત્યાં ઓછા ખોટા હકારાત્મક હોય). કોન્ફરન્સ મુલાકાતીઓની વિશાળ બહુમતી અમારા વિઝન ફોટો બૂથ દ્વારા યોગ્ય રીતે ઓળખવામાં આવી હતી. કેટલીકવાર કોઈ ક્રોપ કરેલ પૂર્વાવલોકનને જોશે અને કહેશે, "તમારી સિસ્ટમથી ભૂલ થઈ છે, તે હું નથી." પછી અમે ફોટોને તેની સંપૂર્ણતામાં ખોલ્યો, અને તે બહાર આવ્યું કે ફોટામાં ખરેખર આ મુલાકાતી હતો, ફક્ત અમે તેનો ફોટોગ્રાફ કરી રહ્યા ન હતા, પરંતુ કોઈ અન્ય વ્યક્તિ હતી, તે વ્યક્તિ ફક્ત બ્લર ઝોનમાં બેકગ્રાઉન્ડમાં હતી. તદુપરાંત, ન્યુરલ નેટવર્ક ઘણીવાર ચહેરાનો ભાગ દેખાતો ન હોય અથવા વ્યક્તિ પ્રોફાઇલમાં ઊભો હોય અથવા તો અડધો વળાંક હોય ત્યારે પણ યોગ્ય રીતે ઓળખે છે. વાઇડ-એંગલ લેન્સ વડે શૂટિંગ કરતી વખતે ચહેરો ઓપ્ટિકલ ડિસ્ટોર્શનના ક્ષેત્રમાં હોય તો પણ સિસ્ટમ વ્યક્તિને ઓળખી શકે છે.

1.3. મુશ્કેલ પરિસ્થિતિઓમાં પરીક્ષણના ઉદાહરણો

નીચે આપણું ન્યુરલ નેટવર્ક કેવી રીતે કાર્ય કરે છે તેના ઉદાહરણો છે. ફોટાઓ ઇનપુટ પર સબમિટ કરવામાં આવે છે, જેને તેણીએ PersonID નો ઉપયોગ કરીને લેબલ કરવું આવશ્યક છે - વ્યક્તિની અનન્ય ઓળખકર્તા. જો બે અથવા વધુ છબીઓ સમાન ID ધરાવે છે, તો પછી, મોડેલો અનુસાર, આ ફોટા એક જ વ્યક્તિને દર્શાવે છે.

ચાલો આપણે તરત જ નોંધ લઈએ કે પરીક્ષણ કરતી વખતે, અમારી પાસે વિવિધ પરિમાણો અને મોડેલ થ્રેશોલ્ડની ઍક્સેસ હોય છે જેને આપણે ચોક્કસ પરિણામ પ્રાપ્ત કરવા માટે ગોઠવી શકીએ છીએ. સાર્વજનિક API સામાન્ય કેસો પર મહત્તમ ચોકસાઈ માટે ઑપ્ટિમાઇઝ કરેલ છે.

ચાલો, ફ્રન્ટ-ફેસિંગ ફેસ રેકગ્નિશન સાથે, સૌથી સરળ વસ્તુથી શરૂઆત કરીએ.

સારું, તે ખૂબ સરળ હતું. ચાલો કાર્યને જટિલ બનાવીએ, દાઢી અને મુઠ્ઠીભર વર્ષો ઉમેરો.

કેટલાક કહેશે કે આ પણ મુશ્કેલ ન હતું, કારણ કે બંને કિસ્સાઓમાં આખો ચહેરો દેખાય છે, અને ચહેરા વિશે ઘણી બધી માહિતી અલ્ગોરિધમને ઉપલબ્ધ છે. ઠીક છે, ચાલો ટોમ હાર્ડીને પ્રોફાઇલમાં ફેરવીએ. આ સમસ્યા વધુ જટિલ છે, અને નીચા ભૂલ દરને જાળવી રાખીને અમે તેને સફળતાપૂર્વક ઉકેલવા માટે ઘણા પ્રયત્નો કર્યા છે: અમે એક તાલીમ સેટ પસંદ કર્યો, ન્યુરલ નેટવર્કના આર્કિટેક્ચર દ્વારા વિચાર્યું, નુકસાનના કાર્યોને સન્માનિત કર્યા અને પ્રી-પ્રોસેસિંગમાં સુધારો કર્યો. ફોટોગ્રાફ્સની.

ચાલો તેના પર હેડડ્રેસ મૂકીએ:

માર્ગ દ્વારા, આ એક ખાસ કરીને મુશ્કેલ પરિસ્થિતિનું ઉદાહરણ છે, કારણ કે ચહેરો ભારે અસ્પષ્ટ છે, અને નીચેના ફોટામાં આંખોને છુપાવતી ઊંડી છાયા પણ છે. વાસ્તવિક જીવનમાં, લોકો ઘણી વાર ઘેરા ચશ્માની મદદથી તેમનો દેખાવ બદલી નાખે છે. ચાલો ટોમ સાથે પણ આવું જ કરીએ.

ઠીક છે, ચાલો જુદી જુદી ઉંમરના ફોટા પાડવાનો પ્રયાસ કરીએ, અને આ વખતે આપણે એક અલગ અભિનેતા સાથે પ્રયોગ કરીશું. ચાલો એક વધુ જટિલ ઉદાહરણ લઈએ, જ્યાં વય-સંબંધિત ફેરફારો ખાસ કરીને ઉચ્ચારવામાં આવે છે. પરિસ્થિતિ દૂરની નથી; જ્યારે તમારે પાસપોર્ટમાંના ફોટાને વાહકના ચહેરા સાથે સરખાવવાની જરૂર હોય ત્યારે તે ઘણી વાર થાય છે. છેવટે, જ્યારે માલિક 20 વર્ષનો હોય ત્યારે પ્રથમ ફોટોગ્રાફ પાસપોર્ટમાં ઉમેરવામાં આવે છે, અને 45 વર્ષની ઉંમર સુધીમાં વ્યક્તિ મોટા પ્રમાણમાં બદલાઈ શકે છે:

શું તમને લાગે છે કે અશક્ય મિશન પરના મુખ્ય નિષ્ણાત વય સાથે વધુ બદલાયા નથી? મને લાગે છે કે થોડા લોકો પણ ઉપર અને નીચે ફોટા ભેગા કરશે, છોકરો વર્ષોથી ઘણો બદલાઈ ગયો છે.

ન્યુરલ નેટવર્ક્સ વધુ વખત દેખાવમાં ફેરફારનો સામનો કરે છે. ઉદાહરણ તરીકે, કેટલીકવાર સ્ત્રીઓ સૌંદર્ય પ્રસાધનોની મદદથી તેમની છબીને મોટા પ્રમાણમાં બદલી શકે છે:

હવે ચાલો કાર્યને વધુ જટિલ બનાવીએ: ધારો કે ચહેરાના જુદા જુદા ભાગો વિવિધ ફોટોગ્રાફ્સમાં આવરી લેવામાં આવ્યા છે. આવા કિસ્સાઓમાં, અલ્ગોરિધમ સમગ્ર નમૂનાઓની તુલના કરી શકતું નથી. જો કે, વિઝન આવી પરિસ્થિતિઓને સારી રીતે સંભાળે છે.

માર્ગ દ્વારા, ફોટોગ્રાફમાં ઘણા બધા ચહેરા હોઈ શકે છે; ઉદાહરણ તરીકે, હોલના સામાન્ય ફોટોગ્રાફમાં 100 થી વધુ લોકો ફિટ થઈ શકે છે. ન્યુરલ નેટવર્ક્સ માટે આ મુશ્કેલ પરિસ્થિતિ છે, કારણ કે ઘણા ચહેરાઓ અલગ રીતે પ્રગટાવી શકાય છે, કેટલાક ધ્યાન બહાર. જો કે, જો ફોટો પૂરતા રિઝોલ્યુશન અને ગુણવત્તા સાથે લેવામાં આવે છે (ચહેરાને આવરી લેતા ચોરસ દીઠ ઓછામાં ઓછા 75 પિક્સેલ), વિઝન તેને શોધી અને ઓળખવામાં સક્ષમ હશે.

સર્વેલન્સ કેમેરામાંથી રિપોર્ટેજ ફોટોગ્રાફ્સ અને ઈમેજીસની ખાસિયત એ છે કે લોકો ઘણી વખત અસ્પષ્ટ થઈ જાય છે કારણ કે તેઓ ધ્યાન બહાર હતા અથવા તે સમયે આગળ વધી રહ્યા હતા:

ઉપરાંત, લાઇટિંગની તીવ્રતા ઇમેજથી ઇમેજમાં મોટા પ્રમાણમાં બદલાઈ શકે છે. આ પણ ઘણી વાર ઠોકરરૂપ બને છે; ઘણા અલ્ગોરિધમ્સને ખૂબ જ શ્યામ અને ખૂબ જ હળવી હોય તેવી છબીઓને યોગ્ય રીતે પ્રક્રિયા કરવામાં ખૂબ જ મુશ્કેલી પડે છે, તે ચોક્કસ રીતે મેળ ખાતી હોવાનો ઉલ્લેખ નથી. ચાલો હું તમને યાદ કરાવું કે આ પરિણામ પ્રાપ્ત કરવા માટે તમારે ચોક્કસ રીતે થ્રેશોલ્ડ ગોઠવવાની જરૂર છે; આ સુવિધા હજુ સુધી સાર્વજનિક રૂપે ઉપલબ્ધ નથી. અમે બધા ગ્રાહકો માટે સમાન ન્યુરલ નેટવર્કનો ઉપયોગ કરીએ છીએ; તેમાં થ્રેશોલ્ડ છે જે મોટાભાગના વ્યવહારુ કાર્યો માટે યોગ્ય છે.

અમે તાજેતરમાં મોડેલનું નવું વર્ઝન બહાર પાડ્યું છે જે એશિયન ચહેરાઓને ઉચ્ચ ચોકસાઈ સાથે ઓળખે છે. આ એક મોટી સમસ્યા હતી, જેને "મશીન લર્નિંગ" (અથવા "ન્યુરલ નેટવર્ક") જાતિવાદ પણ કહેવામાં આવતું હતું. યુરોપિયન અને અમેરિકન ન્યુરલ નેટવર્ક્સ કોકેશિયન ચહેરાઓને સારી રીતે ઓળખતા હતા, પરંતુ મોંગોલોઇડ અને નેગ્રોઇડ ચહેરાઓ સાથે પરિસ્થિતિ વધુ ખરાબ હતી. સંભવતઃ, ચીનમાં પરિસ્થિતિ બરાબર વિપરીત હતી. તે બધા તાલીમ ડેટા સેટ વિશે છે જે ચોક્કસ દેશના પ્રભાવશાળી પ્રકારના લોકોને પ્રતિબિંબિત કરે છે. જો કે, પરિસ્થિતિ બદલાઈ રહી છે; આજે આ સમસ્યા એટલી તીવ્ર નથી. વિઝનને વિવિધ જાતિના લોકો સાથે કોઈ સમસ્યા નથી.

ચહેરાની ઓળખ એ આપણી ટેક્નોલૉજીની ઘણી બધી એપ્લિકેશનોમાંથી એક છે; દ્રષ્ટિને કંઈપણ ઓળખવા માટે તાલીમ આપી શકાય છે. ઉદાહરણ તરીકે, લાયસન્સ પ્લેટો, જેમાં એલ્ગોરિધમ્સ માટે મુશ્કેલ પરિસ્થિતિઓનો સમાવેશ થાય છે: તીક્ષ્ણ ખૂણા પર, ગંદી અને લાયસન્સ પ્લેટો વાંચવી મુશ્કેલ.

2. વ્યવહારુ ઉપયોગના કિસ્સાઓ

2.1. ભૌતિક ઍક્સેસ નિયંત્રણ: જ્યારે બે લોકો એક જ પાસનો ઉપયોગ કરે છે

વિઝનની મદદથી, તમે કર્મચારીઓના આગમન અને પ્રસ્થાનને રેકોર્ડ કરવા માટેની સિસ્ટમ્સ લાગુ કરી શકો છો. ઇલેક્ટ્રોનિક પાસ પર આધારિત પરંપરાગત સિસ્ટમમાં સ્પષ્ટ ગેરફાયદા છે, ઉદાહરણ તરીકે, તમે એક બેજનો ઉપયોગ કરીને બે લોકોને પસાર કરી શકો છો. જો એક્સેસ કંટ્રોલ સિસ્ટમ (ACS) વિઝન સાથે પૂરક છે, તો તે પ્રમાણિકપણે રેકોર્ડ કરશે કે કોણ આવ્યું/ડાબે અને ક્યારે આવ્યું.

2.2. સમય ટ્રેકિંગ

આ વિઝન ઉપયોગ કેસ અગાઉના એક સાથે નજીકથી સંબંધિત છે. જો તમે અમારી ફેશિયલ રેકગ્નિશન સર્વિસ સાથે એક્સેસ સિસ્ટમની પૂર્તિ કરો છો, તો તે માત્ર એક્સેસ કંટ્રોલના ઉલ્લંઘનને શોધી શકશે નહીં, પરંતુ બિલ્ડિંગ અથવા સુવિધામાં કર્મચારીઓની વાસ્તવિક હાજરીની નોંધણી પણ કરી શકશે. બીજા શબ્દોમાં કહીએ તો, વિઝન તમને પ્રામાણિકપણે ધ્યાનમાં લેવામાં મદદ કરશે કે કોણ કામ પર આવ્યું અને કયા સમયે ચાલ્યા ગયા અને કોણે કામ સંપૂર્ણપણે છોડી દીધું, પછી ભલે તેના સાથીદારોએ તેના ઉપરી અધિકારીઓની સામે તેને આવરી લીધું હોય.

2.3. વિડિયો એનાલિટિક્સ: લોકો ટ્રેકિંગ અને સુરક્ષા

વિઝનનો ઉપયોગ કરીને લોકોને ટ્રેક કરીને, તમે શોપિંગ વિસ્તારો, ટ્રેન સ્ટેશનો, માર્ગો, શેરીઓ અને અન્ય ઘણા જાહેર સ્થળોના વાસ્તવિક ટ્રાફિકનું ચોક્કસ મૂલ્યાંકન કરી શકો છો. અમારું ટ્રેકિંગ એક્સેસને નિયંત્રિત કરવામાં પણ ખૂબ મદદરૂપ થઈ શકે છે, ઉદાહરણ તરીકે, વેરહાઉસ અથવા અન્ય મહત્વપૂર્ણ ઓફિસ પરિસરમાં. અને અલબત્ત, લોકો અને ચહેરાને ટ્રેક કરવાથી સુરક્ષા સમસ્યાઓ ઉકેલવામાં મદદ મળે છે. તમારા સ્ટોરમાંથી કોઈને ચોરી કરતા પકડ્યા? તમારા વિડિયો એનાલિટિક્સ સૉફ્ટવેરની બ્લેકલિસ્ટમાં તેની PersonID ઉમેરો, જે વિઝન દ્વારા પરત કરવામાં આવી હતી, અને આગલી વખતે જો આ પ્રકાર ફરીથી દેખાશે તો સિસ્ટમ તરત જ સુરક્ષાને ચેતવણી આપશે.

2.4. વેપારમાં

છૂટક અને વિવિધ સેવા વ્યવસાયો કતાર માન્યતામાં રસ ધરાવે છે. વિઝનની મદદથી, તમે ઓળખી શકો છો કે આ લોકોની રેન્ડમ ભીડ નથી, પરંતુ એક કતાર છે, અને તેની લંબાઈ નક્કી કરી શકો છો. અને પછી સિસ્ટમ ચાર્જમાં રહેલા લોકોને કતાર વિશે જાણ કરે છે જેથી કરીને તેઓ પરિસ્થિતિને સમજી શકે: ક્યાં તો મુલાકાતીઓનો ધસારો છે અને વધારાના કામદારોને બોલાવવાની જરૂર છે, અથવા કોઈ તેમની નોકરીની ફરજોમાં ઢીલ કરી રહ્યું છે.

અન્ય રસપ્રદ કાર્ય હોલમાં કંપનીના કર્મચારીઓને મુલાકાતીઓથી અલગ કરવાનું છે. સામાન્ય રીતે, સિસ્ટમને ચોક્કસ કપડાં (ડ્રેસ કોડ) અથવા અમુક વિશિષ્ટ લક્ષણ (બ્રાન્ડેડ સ્કાર્ફ, છાતી પર બેજ, વગેરે) પહેરેલા પદાર્થોને અલગ કરવા માટે તાલીમ આપવામાં આવે છે. આનાથી હાજરીનું વધુ સચોટ મૂલ્યાંકન કરવામાં મદદ મળે છે (જેથી કર્મચારીઓ તેમની માત્ર હાજરીથી હોલમાં લોકોના આંકડાને "વધારે" નહીં).

ચહેરાની ઓળખનો ઉપયોગ કરીને, તમે તમારા પ્રેક્ષકોનું મૂલ્યાંકન પણ કરી શકો છો: મુલાકાતીઓની વફાદારી શું છે, એટલે કે, કેટલા લોકો તમારી સ્થાપના પર પાછા ફરે છે અને કેટલી આવર્તન સાથે. તમારી પાસે દર મહિને કેટલા અનન્ય મુલાકાતીઓ આવે છે તેની ગણતરી કરો. આકર્ષણ અને જાળવણીના ખર્ચને ઑપ્ટિમાઇઝ કરવા માટે, તમે અઠવાડિયાના દિવસ અને દિવસના સમયના આધારે ટ્રાફિકમાં ફેરફાર પણ શોધી શકો છો.

ફ્રેન્ચાઇઝર્સ અને ચેઇન કંપનીઓ વિવિધ રિટેલ આઉટલેટ્સના બ્રાન્ડિંગની ગુણવત્તાના ફોટોગ્રાફ્સના આધારે મૂલ્યાંકનનો ઓર્ડર આપી શકે છે: લોગો, ચિહ્નો, પોસ્ટરો, બેનરો વગેરેની હાજરી.

2.5. પરિવહન દ્વારા

વિડિયો એનાલિટિક્સનો ઉપયોગ કરીને સુરક્ષા સુનિશ્ચિત કરવાનું બીજું ઉદાહરણ એરપોર્ટ અથવા ટ્રેન સ્ટેશનના હોલમાં ત્યજી દેવાયેલી વસ્તુઓને ઓળખવાનું છે. સેંકડો વર્ગોની વસ્તુઓને ઓળખવા માટે વિઝનને તાલીમ આપી શકાય છે: ફર્નિચરના ટુકડા, બેગ, સૂટકેસ, છત્રીઓ, વિવિધ પ્રકારનાં કપડાં, બોટલો, વગેરે. જો તમારી વિડિયો એનાલિટિક્સ સિસ્ટમ માલિક વિનાની ઑબ્જેક્ટ શોધે છે અને વિઝનનો ઉપયોગ કરીને તેને ઓળખે છે, તો તે સુરક્ષા સેવાને સિગ્નલ મોકલે છે. સમાન કાર્ય સાર્વજનિક સ્થળોએ અસામાન્ય પરિસ્થિતિઓની સ્વચાલિત શોધ સાથે સંકળાયેલું છે: કોઈ બીમાર લાગે છે, અથવા કોઈ ખોટી જગ્યાએ ધૂમ્રપાન કરે છે, અથવા કોઈ વ્યક્તિ રેલ પર પડે છે, વગેરે - આ બધી પેટર્ન વિડિઓ વિશ્લેષણ સિસ્ટમ્સ દ્વારા ઓળખી શકાય છે. વિઝન API દ્વારા.

2.6. દસ્તાવેજ પ્રવાહ

વિઝનની અન્ય રસપ્રદ ભાવિ એપ્લિકેશન કે જે અમે હાલમાં વિકસાવી રહ્યા છીએ તે દસ્તાવેજની ઓળખ અને ડેટાબેસેસમાં તેનું સ્વચાલિત પદચ્છેદન છે. અનંત શ્રેણી, નંબરો, ઇશ્યુની તારીખો, એકાઉન્ટ નંબર્સ, બેંક વિગતો, તારીખો અને જન્મ સ્થાનો અને અન્ય ઘણા ઔપચારિક ડેટાને મેન્યુઅલી દાખલ કરવાને બદલે (અથવા વધુ ખરાબ, દાખલ કરવાને બદલે, તમે દસ્તાવેજોને સ્કેન કરી શકો છો અને આપમેળે તેમને સુરક્ષિત ચેનલ પર મોકલી શકો છો. ક્લાઉડ માટે API, જ્યાં સિસ્ટમ ફ્લાય પર આ દસ્તાવેજોને ઓળખશે, તેનું વિશ્લેષણ કરશે અને ડેટાબેઝમાં સ્વચાલિત પ્રવેશ માટે જરૂરી ફોર્મેટમાં ડેટા સાથે પ્રતિસાદ આપશે. આજે વિઝન પહેલાથી જ જાણે છે કે કેવી રીતે દસ્તાવેજોનું વર્ગીકરણ કરવું (પીડીએફ સહિત) - પાસપોર્ટ, એસએનઆઈએલએસ, ટીઆઈએન, જન્મ પ્રમાણપત્રો, લગ્ન પ્રમાણપત્રો અને અન્ય વચ્ચે તફાવત કરે છે.

અલબત્ત, ન્યુરલ નેટવર્ક આ બધી પરિસ્થિતિઓને બોક્સની બહાર હેન્ડલ કરવામાં સક્ષમ નથી. દરેક કિસ્સામાં, ચોક્કસ ગ્રાહક માટે નવું મોડેલ બનાવવામાં આવે છે, ઘણા પરિબળો, ઘોંઘાટ અને આવશ્યકતાઓને ધ્યાનમાં લેવામાં આવે છે, ડેટા સેટ પસંદ કરવામાં આવે છે, અને તાલીમ, પરીક્ષણ અને ગોઠવણીના પુનરાવર્તનો હાથ ધરવામાં આવે છે.

3. API ઓપરેશન સ્કીમ

વપરાશકર્તાઓ માટે વિઝનનો "પ્રવેશ દ્વાર" એ REST API છે. તે ઇનપુટ તરીકે નેટવર્ક કેમેરા (RTSP સ્ટ્રીમ્સ) માંથી ફોટા, વિડિયો ફાઇલો અને બ્રોડકાસ્ટ્સ પ્રાપ્ત કરી શકે છે.

વિઝનનો ઉપયોગ કરવા માટે, તમારે જરૂર છે સાઇન અપ કરો Mail.ru ક્લાઉડ સોલ્યુશન્સ સેવામાં અને ઍક્સેસ ટોકન્સ પ્રાપ્ત કરો (client_id + client_secret). વપરાશકર્તા પ્રમાણીકરણ OAuth પ્રોટોકોલનો ઉપયોગ કરીને કરવામાં આવે છે. POST વિનંતીઓના શરીરમાં સ્ત્રોત ડેટા API ને મોકલવામાં આવે છે. અને પ્રતિભાવમાં, ક્લાયંટ API થી JSON ફોર્મેટમાં એક માન્યતા પરિણામ મેળવે છે, અને પ્રતિસાદ સંરચિત છે: તેમાં મળેલી વસ્તુઓ અને તેમના કોઓર્ડિનેટ્સ વિશેની માહિતી શામેલ છે.

નમૂના જવાબ

{
   "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
}

જવાબમાં એક રસપ્રદ પરિમાણ અદ્ભુત છે - આ ફોટામાં ચહેરાની શરતી "ઠંડક" છે, તેની સહાયથી અમે અનુક્રમમાંથી ચહેરાનો શ્રેષ્ઠ શોટ પસંદ કરીએ છીએ. સોશિયલ નેટવર્ક પર ફોટો લાઇક થવાની સંભાવનાની આગાહી કરવા માટે અમે ન્યુરલ નેટવર્કને તાલીમ આપી છે. ફોટોની ક્વોલિટી જેટલી સારી અને ચહેરો જેટલો સ્મિત કરે છે તેટલી જ અદ્ભુતતા વધારે છે.

API વિઝન સ્પેસ નામના કોન્સેપ્ટનો ઉપયોગ કરે છે. ચહેરાના વિવિધ સેટ બનાવવા માટે આ એક સાધન છે. સ્પેસનાં ઉદાહરણો બ્લેક એન્ડ વ્હાઇટ લિસ્ટ્સ, મુલાકાતીઓની યાદીઓ, કર્મચારીઓ, ક્લાયન્ટ્સ વગેરે છે. વિઝનમાં દરેક ટોકન માટે, તમે 10 જેટલી જગ્યાઓ બનાવી શકો છો, દરેક જગ્યામાં 50 હજાર સુધી PersonIDs હોઈ શકે છે, એટલે કે 500 હજાર સુધી ટોકન દીઠ વધુમાં, ખાતા દીઠ ટોકન્સની સંખ્યા મર્યાદિત નથી.

આજે API નીચેની શોધ અને ઓળખ પદ્ધતિઓનું સમર્થન કરે છે:

• ઓળખો/સેટ કરો - ચહેરાઓની શોધ અને ઓળખ. દરેક અનન્ય વ્યક્તિને આપમેળે એક PersonID અસાઇન કરે છે, PersonID પરત કરે છે અને મળેલી વ્યક્તિઓના કોઓર્ડિનેટ્સ આપે છે.
• કાઢી નાખો - વ્યક્તિ ડેટાબેઝમાંથી ચોક્કસ PersonID કાઢી નાખવું.
• ટ્રંકેટ - PersonID માંથી સંપૂર્ણ જગ્યા સાફ કરે છે, જો તેનો ઉપયોગ ટેસ્ટ સ્પેસ તરીકે કરવામાં આવ્યો હોય અને તમારે ઉત્પાદન માટે ડેટાબેઝ રીસેટ કરવાની જરૂર હોય તો તે ઉપયોગી છે.
• શોધો - વસ્તુઓ, દ્રશ્યો, લાઇસન્સ પ્લેટ્સ, સીમાચિહ્નો, કતાર વગેરેની શોધ
• દસ્તાવેજો માટે શોધો - રશિયન ફેડરેશનના વિશિષ્ટ પ્રકારના દસ્તાવેજો શોધે છે (પાસપોર્ટ, SNILS, ટેક્સ ઓળખ નંબર, વગેરેને અલગ પાડે છે).

અમે ટૂંક સમયમાં OCR માટેની પદ્ધતિઓ, લિંગ, ઉંમર અને લાગણીઓને નિર્ધારિત કરવા તેમજ મર્ચેન્ડાઇઝિંગ સમસ્યાઓના નિરાકરણ માટે, એટલે કે, સ્ટોર્સમાં માલના પ્રદર્શનને આપમેળે નિયંત્રિત કરવા માટેનું કામ પણ ટૂંક સમયમાં પૂર્ણ કરી રહ્યાં છીએ. તમે સંપૂર્ણ API દસ્તાવેજીકરણ અહીં મેળવી શકો છો: https://mcs.mail.ru/help/vision-api

4. નિષ્કર્ષ

હવે, સાર્વજનિક API દ્વારા, તમે ફોટા અને વિડિયોમાં ચહેરાની ઓળખને ઍક્સેસ કરી શકો છો; વિવિધ ઑબ્જેક્ટ્સ, લાઇસન્સ પ્લેટ્સ, સીમાચિહ્નો, દસ્તાવેજો અને સમગ્ર દ્રશ્યોની ઓળખ સપોર્ટેડ છે. એપ્લિકેશન દૃશ્યો - સમુદ્ર. આવો, અમારી સેવાનું પરીક્ષણ કરો, તેને સૌથી મુશ્કેલ કાર્યો સેટ કરો. પ્રથમ 5000 વ્યવહારો મફત છે. કદાચ તે તમારા પ્રોજેક્ટ માટે "ગુમ થયેલ ઘટક" હશે.

નોંધણી અને કનેક્શન પર તમે તરત જ API ને ઍક્સેસ કરી શકો છો. વિઝન. બધા હાબ્રા વપરાશકર્તાઓ વધારાના વ્યવહારો માટે પ્રમોશનલ કોડ મેળવે છે. તમે તમારું એકાઉન્ટ રજીસ્ટર કરવા માટે જે ઈમેલ એડ્રેસનો ઉપયોગ કર્યો હતો તે કૃપા કરીને મને લખો!

સોર્સ: www.habr.com