हमारे भविष्य के कंप्यूटर विज़न सिस्टम के लिए तकनीकों और मॉडलों को हमारी कंपनी की विभिन्न परियोजनाओं - मेल, क्लाउड, सर्च में धीरे-धीरे बनाया और बेहतर बनाया गया। वे अच्छे पनीर या कॉन्यैक की तरह परिपक्व हो गए। एक दिन हमें एहसास हुआ कि हमारे तंत्रिका नेटवर्क पहचान में उत्कृष्ट परिणाम दिखाते हैं, और हमने उन्हें एक एकल बी2बी उत्पाद - विज़न - में संयोजित करने का निर्णय लिया, जिसे अब हम स्वयं उपयोग करते हैं और आपको उपयोग करने की पेशकश करते हैं।

आज, Mail.Ru क्लाउड सॉल्यूशंस प्लेटफॉर्म पर हमारी कंप्यूटर विज़न तकनीक सफलतापूर्वक काम कर रही है और बहुत जटिल व्यावहारिक समस्याओं को हल कर रही है। यह कई तंत्रिका नेटवर्क पर आधारित है जो हमारे डेटा सेट पर प्रशिक्षित होते हैं और लागू समस्याओं को हल करने में विशेषज्ञ होते हैं। सभी सेवाएँ हमारी सर्वर सुविधाओं पर चलती हैं। आप सार्वजनिक विज़न एपीआई को अपने अनुप्रयोगों में एकीकृत कर सकते हैं, जिसके माध्यम से सेवा की सभी क्षमताएं उपलब्ध हैं। एपीआई तेज़ है - सर्वर जीपीयू के लिए धन्यवाद, हमारे नेटवर्क के भीतर औसत प्रतिक्रिया समय 100 एमएस है।

बिल्ली के पास जाओ, वहाँ एक विस्तृत कहानी है और विज़न के काम के कई उदाहरण हैं।

ऐसी सेवा का एक उदाहरण जिसमें हम स्वयं उल्लिखित चेहरे की पहचान प्रौद्योगिकियों का उपयोग करते हैं आयोजन. इसका एक घटक विज़न फोटो स्टैंड है, जिसे हम विभिन्न सम्मेलनों में स्थापित करते हैं। यदि आप ऐसे फोटो स्टैंड के पास जाते हैं, अंतर्निर्मित कैमरे से एक फोटो लेते हैं और अपना ईमेल दर्ज करते हैं, तो सिस्टम तुरंत तस्वीरों की श्रृंखला में से उन तस्वीरों को ढूंढ लेगा जिनमें आपको सम्मेलन के स्टाफ फोटोग्राफरों द्वारा कैद किया गया था, और, यदि वांछित हो, मिली हुई तस्वीरें आपको ईमेल द्वारा भेज देंगे। और हम मंचित पोर्ट्रेट शॉट्स के बारे में बात नहीं कर रहे हैं - विज़न आपको आगंतुकों की भीड़ में पृष्ठभूमि में भी पहचानता है। निःसंदेह, फोटो स्टैंड स्वयं पहचाने जाने वाले नहीं हैं, ये केवल खूबसूरत स्टैंडों में लगी गोलियाँ हैं जो अपने अंतर्निर्मित कैमरों से मेहमानों की तस्वीरें लेती हैं और सर्वरों तक जानकारी पहुंचाती हैं, जहां पहचान का सारा जादू होता है। और हमने एक से अधिक बार देखा है कि छवि पहचान विशेषज्ञों के बीच भी प्रौद्योगिकी की प्रभावशीलता कितनी आश्चर्यजनक है। नीचे हम कुछ उदाहरणों के बारे में बात करेंगे।

1. हमारा चेहरा पहचान मॉडल

1.1. तंत्रिका नेटवर्क और प्रसंस्करण गति

पहचान के लिए, हम ResNet 101 न्यूरल नेटवर्क मॉडल के एक संशोधन का उपयोग करते हैं। अंत में औसत पूलिंग को पूरी तरह से कनेक्टेड परत द्वारा प्रतिस्थापित किया जाता है, जैसा कि आर्कफेस में किया जाता है। हालाँकि, वेक्टर अभ्यावेदन का आकार 128 है, 512 नहीं। हमारे प्रशिक्षण सेट में 10 लोगों की लगभग 273 मिलियन तस्वीरें हैं।

मॉडल सावधानीपूर्वक चयनित सर्वर कॉन्फ़िगरेशन आर्किटेक्चर और जीपीयू कंप्यूटिंग के कारण बहुत तेज़ी से चलता है। हमारे आंतरिक नेटवर्क पर एपीआई से प्रतिक्रिया प्राप्त करने में 100 एमएस लगते हैं - इसमें चेहरे का पता लगाना (फोटो में चेहरे का पता लगाना), एपीआई प्रतिक्रिया में पर्सनआईडी को पहचानना और वापस करना शामिल है। बड़ी मात्रा में आने वाले डेटा - फ़ोटो और वीडियो - के साथ डेटा को सेवा में स्थानांतरित करने और प्रतिक्रिया प्राप्त करने में बहुत अधिक समय लगेगा।

1.2. मॉडल की प्रभावशीलता का आकलन करना

लेकिन तंत्रिका नेटवर्क की दक्षता निर्धारित करना एक बहुत ही अस्पष्ट कार्य है। उनके काम की गुणवत्ता इस बात पर निर्भर करती है कि मॉडलों को किस डेटा सेट पर प्रशिक्षित किया गया था और क्या उन्हें विशिष्ट डेटा के साथ काम करने के लिए अनुकूलित किया गया था।

हमने लोकप्रिय एलएफडब्ल्यू सत्यापन परीक्षण के साथ अपने मॉडल की सटीकता का मूल्यांकन करना शुरू किया, लेकिन यह बहुत छोटा और सरल है। 99,8% सटीकता तक पहुंचने के बाद, यह अब उपयोगी नहीं है। मान्यता मॉडल के मूल्यांकन के लिए एक अच्छी प्रतिस्पर्धा है - मेगाफेस, जिस पर हम धीरे-धीरे 82% रैंक 1 पर पहुंच गए। मेगाफेस परीक्षण में दस लाख तस्वीरें शामिल हैं - ध्यान भटकाने वाली - और मॉडल को फेसस्क्रब से मशहूर हस्तियों की कई हजार तस्वीरों को अच्छी तरह से अलग करने में सक्षम होना चाहिए। ध्यान भटकाने वालों से डेटासेट। हालाँकि, त्रुटियों के मेगाफेस परीक्षण को पास करने के बाद, हमने पाया कि साफ़ किए गए संस्करण के साथ हम 98% रैंक 1 की सटीकता प्राप्त करते हैं (मशहूर हस्तियों की तस्वीरें आम तौर पर काफी विशिष्ट होती हैं)। इसलिए, उन्होंने मेगाफेस के समान एक अलग पहचान परीक्षण बनाया, लेकिन "सामान्य" लोगों की तस्वीरों के साथ। फिर हमने अपने डेटासेट पर पहचान सटीकता में सुधार किया और बहुत आगे बढ़ गए। इसके अलावा, हम एक क्लस्टरिंग गुणवत्ता परीक्षण का उपयोग करते हैं जिसमें कई हजार तस्वीरें होती हैं; यह उपयोगकर्ता के क्लाउड में फेस टैगिंग का अनुकरण करता है। इस मामले में, क्लस्टर समान व्यक्तियों के समूह हैं, प्रत्येक पहचानने योग्य व्यक्ति के लिए एक समूह। हमने वास्तविक समूहों (सही) पर काम की गुणवत्ता की जाँच की।

बेशक, पहचान संबंधी त्रुटियां किसी भी मॉडल के साथ होती हैं। लेकिन ऐसी स्थितियों को अक्सर विशिष्ट परिस्थितियों के लिए थ्रेसहोल्ड को ठीक करके हल किया जाता है (सभी सम्मेलनों के लिए हम समान थ्रेशोल्ड का उपयोग करते हैं, लेकिन, उदाहरण के लिए, एक्सेस कंट्रोल सिस्टम के लिए हमें थ्रेसहोल्ड को काफी बढ़ाना होगा ताकि कम गलत सकारात्मकताएं हों)। सम्मेलन के अधिकांश आगंतुकों को हमारे विज़न फोटो बूथों द्वारा सही ढंग से पहचाना गया। कभी-कभी कोई कटे हुए पूर्वावलोकन को देखता और कहता, "आपके सिस्टम ने गलती की है, यह मैंने नहीं किया है।" फिर हमने फोटो को पूरी तरह से खोला, और यह पता चला कि फोटो में वास्तव में यह आगंतुक था, केवल हम उसकी तस्वीर नहीं ले रहे थे, बल्कि कोई और था, वह व्यक्ति बस धुंधले क्षेत्र में पृष्ठभूमि में था। इसके अलावा, तंत्रिका नेटवर्क अक्सर तब भी सही ढंग से पहचान लेता है जब चेहरे का कोई हिस्सा दिखाई नहीं दे रहा हो, या व्यक्ति प्रोफ़ाइल में खड़ा हो, या यहां तक ​​कि आधा मुड़ा हुआ हो। सिस्टम किसी व्यक्ति को तब भी पहचान सकता है, जब चेहरा ऑप्टिकल विरूपण के क्षेत्र में हो, उदाहरण के लिए, वाइड-एंगल लेंस के साथ शूटिंग करते समय।

1.3. कठिन परिस्थितियों में परीक्षण के उदाहरण

नीचे उदाहरण दिए गए हैं कि हमारा तंत्रिका नेटवर्क कैसे काम करता है। तस्वीरें इनपुट में सबमिट की जाती हैं, जिसे उसे पर्सनआईडी - किसी व्यक्ति की एक विशिष्ट पहचानकर्ता - का उपयोग करके लेबल करना होगा। यदि दो या दो से अधिक छवियों की आईडी समान है, तो, मॉडल के अनुसार, ये तस्वीरें एक ही व्यक्ति को दर्शाती हैं।

आइए हम तुरंत ध्यान दें कि परीक्षण करते समय, हमारे पास विभिन्न मापदंडों और मॉडल थ्रेसहोल्ड तक पहुंच होती है जिन्हें हम एक विशेष परिणाम प्राप्त करने के लिए कॉन्फ़िगर कर सकते हैं। सार्वजनिक एपीआई को सामान्य मामलों पर अधिकतम सटीकता के लिए अनुकूलित किया गया है।

आइए सबसे सरल चीज़ से शुरू करें, सामने वाले चेहरे की पहचान से।

ख़ैर, यह बहुत आसान था। आइए कार्य को जटिल बनाएं, दाढ़ी और कुछ वर्ष जोड़ें।

कुछ लोग कहेंगे कि यह भी बहुत मुश्किल नहीं था, क्योंकि दोनों ही मामलों में पूरा चेहरा दिखाई देता है, और चेहरे के बारे में बहुत सारी जानकारी एल्गोरिदम के पास उपलब्ध होती है। ठीक है, आइए टॉम हार्डी को प्रोफ़ाइल में बदलें। यह समस्या बहुत अधिक जटिल है, और हमने कम त्रुटि दर बनाए रखते हुए इसे सफलतापूर्वक हल करने के लिए बहुत प्रयास किए: हमने एक प्रशिक्षण सेट का चयन किया, तंत्रिका नेटवर्क की वास्तुकला के बारे में सोचा, हानि कार्यों को सुधारा और पूर्व-प्रसंस्करण में सुधार किया तस्वीरों के।

आइए उस पर एक साफ़ा लगाएं:

वैसे, यह एक विशेष रूप से कठिन स्थिति का एक उदाहरण है, क्योंकि चेहरा काफी हद तक अस्पष्ट है, और नीचे की तस्वीर में आंखों को छुपाने वाली एक गहरी छाया भी है। असल जिंदगी में लोग अक्सर काले चश्मे की मदद से अपना रूप बदल लेते हैं। आइए टॉम के साथ भी ऐसा ही करें।

ठीक है, आइए अलग-अलग उम्र की तस्वीरें डालने का प्रयास करें, और इस बार हम एक अलग अभिनेता के साथ प्रयोग करेंगे। आइए एक अधिक जटिल उदाहरण लें, जहां उम्र से संबंधित परिवर्तन विशेष रूप से स्पष्ट होते हैं। स्थिति दूर-दूर तक नहीं है, यह अक्सर होता है जब आपको पासपोर्ट में फोटो की तुलना वाहक के चेहरे से करने की आवश्यकता होती है। आख़िरकार, पहली तस्वीर पासपोर्ट में तब जोड़ी जाती है जब मालिक 20 वर्ष का होता है, और 45 वर्ष की आयु तक एक व्यक्ति काफी हद तक बदल सकता है:

क्या आपको लगता है कि असंभव मिशनों के मुख्य विशेषज्ञ उम्र के साथ ज्यादा नहीं बदले हैं? मुझे लगता है कि भले ही कुछ लोग ऊपर और नीचे की तस्वीरों को मिला दें, लेकिन पिछले कुछ वर्षों में लड़का बहुत बदल गया है।

तंत्रिका नेटवर्क की उपस्थिति में अक्सर बदलाव देखने को मिलते हैं। उदाहरण के लिए, कभी-कभी महिलाएं सौंदर्य प्रसाधनों की मदद से अपनी छवि को काफी हद तक बदल सकती हैं:

आइए अब कार्य को और अधिक जटिल करें: मान लीजिए कि चेहरे के विभिन्न हिस्सों को अलग-अलग तस्वीरों में कवर किया गया है। ऐसे मामलों में, एल्गोरिदम पूरे नमूनों की तुलना नहीं कर सकता है। हालाँकि, विज़न इस तरह की स्थितियों को अच्छी तरह से संभालता है।

वैसे, एक तस्वीर में बहुत सारे चेहरे हो सकते हैं; उदाहरण के लिए, एक हॉल की सामान्य तस्वीर में 100 से अधिक लोग समा सकते हैं। यह तंत्रिका नेटवर्क के लिए एक कठिन स्थिति है, क्योंकि कई चेहरों को अलग-अलग तरीके से प्रकाशित किया जा सकता है, कुछ फोकस से बाहर हो सकते हैं। हालाँकि, यदि फोटो पर्याप्त रिज़ॉल्यूशन और गुणवत्ता (चेहरे को कवर करने वाले प्रति वर्ग कम से कम 75 पिक्सेल) के साथ लिया गया है, तो विज़न इसका पता लगाने और पहचानने में सक्षम होगा।

निगरानी कैमरों से रिपोर्ताज तस्वीरों और छवियों की ख़ासियत यह है कि लोग अक्सर धुंधले होते हैं क्योंकि वे उस समय फोकस से बाहर थे या आगे बढ़ रहे थे:

साथ ही, प्रकाश की तीव्रता एक छवि से दूसरी छवि में काफी भिन्न हो सकती है। यह भी, अक्सर एक बाधा बन जाता है; कई एल्गोरिदम को उन छवियों को सही ढंग से संसाधित करने में बड़ी कठिनाई होती है जो बहुत गहरे और बहुत हल्के होते हैं, उनके सटीक मिलान का तो जिक्र ही नहीं। मैं आपको याद दिला दूं कि इस परिणाम को प्राप्त करने के लिए आपको थ्रेशोल्ड को एक निश्चित तरीके से कॉन्फ़िगर करने की आवश्यकता है; यह सुविधा अभी तक सार्वजनिक रूप से उपलब्ध नहीं है। हम सभी ग्राहकों के लिए समान तंत्रिका नेटवर्क का उपयोग करते हैं; इसमें सीमाएं हैं जो अधिकांश व्यावहारिक कार्यों के लिए उपयुक्त हैं।

हमने हाल ही में मॉडल का एक नया संस्करण पेश किया है जो एशियाई चेहरों को उच्च सटीकता के साथ पहचानता है। यह एक बड़ी समस्या हुआ करती थी, जिसे "मशीन लर्निंग" (या "न्यूरल नेटवर्क") नस्लवाद भी कहा जाता था। यूरोपीय और अमेरिकी तंत्रिका नेटवर्क ने कोकेशियान चेहरों को अच्छी तरह से पहचाना, लेकिन मंगोलॉयड और नेग्रोइड चेहरों के साथ स्थिति बहुत खराब थी। संभवतः, चीन में स्थिति बिल्कुल विपरीत थी। यह सब प्रशिक्षण डेटा सेट के बारे में है जो किसी विशेष देश में प्रमुख प्रकार के लोगों को दर्शाता है। हालाँकि, स्थिति बदल रही है, आज यह समस्या इतनी विकट नहीं है। विभिन्न नस्लों के लोगों के साथ दृष्टि की कोई समस्या नहीं है।

चेहरे की पहचान हमारी तकनीक के कई अनुप्रयोगों में से एक है; किसी भी चीज़ को पहचानने के लिए दृष्टि को प्रशिक्षित किया जा सकता है। उदाहरण के लिए, लाइसेंस प्लेटें, जिनमें एल्गोरिदम के लिए कठिन परिस्थितियां शामिल हैं: तेज कोणों पर, गंदी और लाइसेंस प्लेटों को पढ़ने में मुश्किल।

2. व्यावहारिक उपयोग के मामले

2.1. भौतिक अभिगम नियंत्रण: जब दो लोग एक ही पास का उपयोग करते हैं

विज़न की सहायता से आप कर्मचारियों के आगमन और प्रस्थान की रिकॉर्डिंग के लिए सिस्टम लागू कर सकते हैं। इलेक्ट्रॉनिक पास पर आधारित पारंपरिक प्रणाली के स्पष्ट नुकसान हैं, उदाहरण के लिए, आप एक बैज का उपयोग करके दो लोगों को पास कर सकते हैं। यदि एक्सेस कंट्रोल सिस्टम (एसीएस) को विज़न के साथ पूरक किया जाता है, तो यह ईमानदारी से रिकॉर्ड करेगा कि कौन आया/छोड़ गया और कब।

2.2. समय का देखभाल

यह विज़न उपयोग मामला पिछले वाले से निकटता से संबंधित है। यदि आप हमारी चेहरे की पहचान सेवा के साथ एक्सेस सिस्टम को पूरक करते हैं, तो यह न केवल एक्सेस नियंत्रण उल्लंघनों का पता लगाने में सक्षम होगा, बल्कि भवन या सुविधा में कर्मचारियों की वास्तविक उपस्थिति को भी दर्ज करने में सक्षम होगा। दूसरे शब्दों में, विज़न आपको ईमानदारी से यह ध्यान रखने में मदद करेगा कि कौन काम पर आया और किस समय चला गया, और किसने काम पूरी तरह से छोड़ दिया, भले ही उसके सहकर्मियों ने उसके वरिष्ठों के सामने उसका बचाव किया हो।

2.3. वीडियो एनालिटिक्स: लोगों पर नज़र रखना और सुरक्षा

विज़न का उपयोग करके लोगों को ट्रैक करके, आप शॉपिंग क्षेत्रों, ट्रेन स्टेशनों, मार्गों, सड़कों और कई अन्य सार्वजनिक स्थानों के वास्तविक यातायात का सटीक आकलन कर सकते हैं। हमारी ट्रैकिंग पहुंच को नियंत्रित करने में भी बहुत मददगार हो सकती है, उदाहरण के लिए, किसी गोदाम या अन्य महत्वपूर्ण कार्यालय परिसर तक। और निस्संदेह, लोगों और चेहरों पर नज़र रखने से सुरक्षा समस्याओं को हल करने में मदद मिलती है। क्या आपने किसी को आपके स्टोर से चोरी करते हुए पकड़ा? उसके पर्सनआईडी को, जो विज़न द्वारा लौटाया गया था, अपने वीडियो एनालिटिक्स सॉफ़्टवेयर की ब्लैकलिस्ट में जोड़ें, और अगली बार यदि यह प्रकार दोबारा दिखाई देता है तो सिस्टम तुरंत सुरक्षा को सचेत कर देगा।

2.4. व्यापार में

खुदरा और विभिन्न सेवा व्यवसाय कतार पहचान में रुचि रखते हैं। विज़न की मदद से आप पहचान सकते हैं कि यह लोगों की यादृच्छिक भीड़ नहीं है, बल्कि एक कतार है, और इसकी लंबाई निर्धारित कर सकते हैं। और फिर सिस्टम प्रभारी लोगों को एक कतार के बारे में सूचित करता है ताकि वे स्थिति का पता लगा सकें: या तो आगंतुकों की आमद है और अतिरिक्त श्रमिकों को बुलाने की आवश्यकता है, या कोई व्यक्ति अपने कार्य कर्तव्यों में लापरवाही कर रहा है।

एक और दिलचस्प काम हॉल में कंपनी के कर्मचारियों को आगंतुकों से अलग करना है। आमतौर पर, सिस्टम को कुछ खास कपड़े (ड्रेस कोड) या कुछ विशिष्ट विशेषता (ब्रांडेड स्कार्फ, छाती पर बैज, और इसी तरह) पहनने वाली वस्तुओं को अलग करने के लिए प्रशिक्षित किया जाता है। इससे उपस्थिति का अधिक सटीक आकलन करने में मदद मिलती है (ताकि कर्मचारी अपनी मात्र उपस्थिति से हॉल में लोगों के आंकड़ों को "बढ़ा" न दें)।

चेहरे की पहचान का उपयोग करके, आप अपने दर्शकों का मूल्यांकन भी कर सकते हैं: आगंतुकों की वफादारी क्या है, यानी कितने लोग आपके प्रतिष्ठान में और किस आवृत्ति के साथ लौटते हैं। गणना करें कि प्रति माह कितने अद्वितीय विज़िटर आपके पास आते हैं। आकर्षण और प्रतिधारण की लागत को अनुकूलित करने के लिए, आप सप्ताह के दिन और यहां तक ​​कि दिन के समय के आधार पर ट्रैफ़िक में परिवर्तन का भी पता लगा सकते हैं।

फ्रेंचाइज़र और चेन कंपनियां विभिन्न खुदरा दुकानों की ब्रांडिंग की गुणवत्ता की तस्वीरों के आधार पर मूल्यांकन का आदेश दे सकती हैं: लोगो, संकेत, पोस्टर, बैनर आदि की उपस्थिति।

2.5. परिवहन द्वारा

वीडियो एनालिटिक्स का उपयोग करके सुरक्षा सुनिश्चित करने का एक और उदाहरण हवाई अड्डों या ट्रेन स्टेशनों के हॉल में छोड़ी गई वस्तुओं की पहचान करना है। दृष्टि को सैकड़ों वर्गों की वस्तुओं को पहचानने के लिए प्रशिक्षित किया जा सकता है: फर्नीचर के टुकड़े, बैग, सूटकेस, छतरियां, विभिन्न प्रकार के कपड़े, बोतलें, इत्यादि। यदि आपका वीडियो एनालिटिक्स सिस्टम किसी स्वामित्वहीन वस्तु का पता लगाता है और विज़न का उपयोग करके उसे पहचानता है, तो यह सुरक्षा सेवा को एक संकेत भेजता है। एक समान कार्य सार्वजनिक स्थानों पर असामान्य स्थितियों का स्वचालित पता लगाने से जुड़ा है: कोई बीमार महसूस करता है, या कोई गलत जगह पर धूम्रपान करता है, या कोई व्यक्ति रेल पर गिर जाता है, और इसी तरह - इन सभी पैटर्न को वीडियो एनालिटिक्स सिस्टम द्वारा पहचाना जा सकता है विज़न एपीआई के माध्यम से।

2.6. दस्तावेज़ प्रवाह

विज़न का एक और दिलचस्प भविष्य का अनुप्रयोग जिसे हम वर्तमान में विकसित कर रहे हैं वह दस्तावेज़ पहचान और डेटाबेस में उनका स्वचालित पार्सिंग है। अंतहीन श्रृंखला, संख्याएं, जारी करने की तिथियां, खाता संख्या, बैंक विवरण, तिथियां और जन्म स्थान और कई अन्य औपचारिक डेटा मैन्युअल रूप से दर्ज करने (या इससे भी बदतर, दर्ज करने) के बजाय, आप दस्तावेज़ों को स्कैन कर सकते हैं और स्वचालित रूप से उन्हें एक सुरक्षित चैनल पर भेज सकते हैं क्लाउड पर एपीआई, जहां सिस्टम तुरंत इन दस्तावेजों को पहचान लेगा, उन्हें पार्स करेगा और डेटाबेस में स्वचालित प्रविष्टि के लिए आवश्यक प्रारूप में डेटा के साथ प्रतिक्रिया लौटाएगा। आज विज़न पहले से ही जानता है कि दस्तावेजों (पीडीएफ सहित) को कैसे वर्गीकृत किया जाए - पासपोर्ट, एसएनआईएलएस, टीआईएन, जन्म प्रमाण पत्र, विवाह प्रमाण पत्र और अन्य के बीच अंतर करता है।

बेशक, तंत्रिका नेटवर्क इन सभी स्थितियों को बॉक्स से बाहर संभालने में सक्षम नहीं है। प्रत्येक मामले में, एक विशिष्ट ग्राहक के लिए एक नया मॉडल बनाया जाता है, कई कारकों, बारीकियों और आवश्यकताओं को ध्यान में रखा जाता है, डेटा सेट का चयन किया जाता है, और प्रशिक्षण, परीक्षण और कॉन्फ़िगरेशन की पुनरावृत्ति की जाती है।

3. एपीआई संचालन योजना

उपयोगकर्ताओं के लिए विज़न का "प्रवेश द्वार" REST API है। यह इनपुट के रूप में नेटवर्क कैमरे (आरटीएसपी स्ट्रीम) से फोटो, वीडियो फ़ाइलें और प्रसारण प्राप्त कर सकता है।

विज़न का उपयोग करने के लिए, आपको चाहिए रजिस्टर Mail.ru क्लाउड सॉल्यूशंस सेवा में और एक्सेस टोकन (client_id + client_secret) प्राप्त करें। उपयोगकर्ता प्रमाणीकरण OAuth प्रोटोकॉल का उपयोग करके किया जाता है। POST अनुरोधों के मुख्य भाग में स्रोत डेटा API को भेजा जाता है। और प्रतिक्रिया में, क्लाइंट को एपीआई से JSON प्रारूप में एक मान्यता परिणाम प्राप्त होता है, और प्रतिक्रिया संरचित होती है: इसमें पाए गए ऑब्जेक्ट और उनके निर्देशांक के बारे में जानकारी होती है।

नमूना उत्तर

{
   "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
}

उत्तर में एक दिलचस्प पैरामीटर अद्भुतता शामिल है - यह एक तस्वीर में चेहरे की सशर्त "शीतलता" है, इसकी मदद से हम अनुक्रम से चेहरे का सबसे अच्छा शॉट चुनते हैं। हमने सोशल नेटवर्क पर किसी फोटो को पसंद किए जाने की संभावना का अनुमान लगाने के लिए एक तंत्रिका नेटवर्क को प्रशिक्षित किया। फोटो की क्वालिटी जितनी अच्छी होगी और चेहरे पर मुस्कान जितनी ज्यादा होगी, फोटो का कमाल उतना ही ज्यादा होगा।

एपीआई विज़न स्पेस नामक अवधारणा का उपयोग करता है। यह चेहरों के विभिन्न सेट बनाने का एक उपकरण है। रिक्त स्थान के उदाहरण काले और सफेद सूचियां, आगंतुकों, कर्मचारियों, ग्राहकों आदि की सूचियां हैं। विज़न में प्रत्येक टोकन के लिए, आप 10 रिक्त स्थान बना सकते हैं, प्रत्येक स्थान में 50 हजार पर्सनआईडी तक हो सकते हैं, यानी 500 हजार तक। प्रति टोकन. इसके अलावा, प्रति खाता टोकन की संख्या सीमित नहीं है।

आज एपीआई निम्नलिखित पहचान और पहचान विधियों का समर्थन करता है:

• पहचानें/सेट करें - चेहरों का पता लगाना और पहचानना। स्वचालित रूप से प्रत्येक अद्वितीय व्यक्ति को एक पर्सनआईडी निर्दिष्ट करता है, पर्सनआईडी लौटाता है और पाए गए व्यक्तियों के निर्देशांक देता है।
• हटाएँ - व्यक्ति डेटाबेस से एक विशिष्ट व्यक्तिआईडी को हटाना।
• ट्रंकेट - पर्सनआईडी से संपूर्ण स्थान साफ़ करता है, यदि इसे परीक्षण स्थान के रूप में उपयोग किया गया था और आपको उत्पादन के लिए डेटाबेस को रीसेट करने की आवश्यकता है तो उपयोगी है।
• पता लगाएं - वस्तुओं, दृश्यों, लाइसेंस प्लेटों, स्थलों, कतारों आदि का पता लगाना। पाई गई वस्तुओं की श्रेणी और उनके निर्देशांक लौटाता है
• दस्तावेजों का पता लगाएं - रूसी संघ के विशिष्ट प्रकार के दस्तावेजों का पता लगाता है (पासपोर्ट, एसएनआईएलएस, कर पहचान संख्या, आदि को अलग करता है)।

हम जल्द ही ओसीआर, लिंग, आयु और भावनाओं का निर्धारण करने के साथ-साथ व्यापारिक समस्याओं को हल करने, यानी दुकानों में वस्तुओं के प्रदर्शन को स्वचालित रूप से नियंत्रित करने के तरीकों पर भी काम पूरा कर रहे हैं। आप संपूर्ण एपीआई दस्तावेज़ यहां पा सकते हैं: https://mcs.mail.ru/help/vision-api

4। निष्कर्ष

अब, सार्वजनिक एपीआई के माध्यम से, आप फ़ोटो और वीडियो में चेहरे की पहचान तक पहुंच सकते हैं; विभिन्न वस्तुओं, लाइसेंस प्लेटों, स्थलों, दस्तावेजों और संपूर्ण दृश्यों की पहचान समर्थित है। अनुप्रयोग परिदृश्य - समुद्र। आइए, हमारी सेवा का परीक्षण करें, इसके लिए सबसे कठिन कार्य निर्धारित करें। पहले 5000 लेनदेन निःशुल्क हैं। शायद यह आपकी परियोजनाओं के लिए "लापता घटक" होगा।

आप पंजीकरण और कनेक्शन पर तुरंत एपीआई तक पहुंच सकते हैं। दृष्टि. सभी Habra उपयोगकर्ताओं को अतिरिक्त लेनदेन के लिए एक प्रचार कोड प्राप्त होता है। कृपया मुझे वह ईमेल पता लिखें जिसका उपयोग आपने अपना खाता पंजीकृत करने के लिए किया था!

स्रोत: www.habr.com