បច្ចេកវិទ្យា និងគំរូសម្រាប់ប្រព័ន្ធចក្ខុវិស័យកុំព្យូទ័រនាពេលអនាគតរបស់យើងត្រូវបានបង្កើត និងកែលម្អជាបណ្តើរៗ ហើយនៅក្នុងគម្រោងផ្សេងៗគ្នានៃក្រុមហ៊ុនរបស់យើង - នៅក្នុង Mail, Cloud, Search ។ ពួកវាពេញវ័យដូចជាឈីសល្អ ឬស្រាខូញ៉ាក់។ ថ្ងៃមួយយើងបានដឹងថាបណ្តាញសរសៃប្រសាទរបស់យើងបង្ហាញពីលទ្ធផលដ៏ល្អក្នុងការទទួលស្គាល់ ហើយយើងបានសម្រេចចិត្តបញ្ចូលពួកវាទៅក្នុងផលិតផល b2b តែមួយ - Vision - ដែលឥឡូវនេះយើងប្រើប្រាស់ខ្លួនយើង ហើយផ្តល់ជូនអ្នកឱ្យប្រើ។

សព្វថ្ងៃនេះ បច្ចេកវិទ្យាចក្ខុវិស័យកុំព្យូទ័ររបស់យើងនៅលើវេទិកា Mail.Ru Cloud Solutions កំពុងដំណើរការដោយជោគជ័យ និងដោះស្រាយបញ្ហាជាក់ស្តែងដ៏ស្មុគស្មាញ។ វាត្រូវបានផ្អែកលើបណ្តាញសរសៃប្រសាទមួយចំនួនដែលត្រូវបានបណ្តុះបណ្តាលលើសំណុំទិន្នន័យរបស់យើង និងជំនាញក្នុងការដោះស្រាយបញ្ហាដែលបានអនុវត្ត។ សេវាកម្មទាំងអស់ដំណើរការលើគ្រឿងបរិក្ខារម៉ាស៊ីនមេរបស់យើង។ អ្នកអាចបញ្ចូល Vision API សាធារណៈទៅក្នុងកម្មវិធីរបស់អ្នក ដែលសមត្ថភាពទាំងអស់នៃសេវាកម្មមាន។ API មានល្បឿនលឿន - អរគុណដល់ម៉ាស៊ីនមេ GPUs ពេលវេលាឆ្លើយតបជាមធ្យមនៅក្នុងបណ្តាញរបស់យើងគឺ 100 ms ។

ទៅកាន់ឆ្មា មានរឿងលម្អិត និងឧទាហរណ៍ជាច្រើននៃការងាររបស់ Vision ។

ជាឧទាហរណ៍នៃសេវាកម្មដែលយើងប្រើប្រាស់បច្ចេកវិទ្យាសម្គាល់មុខដែលបានរៀបរាប់ យើងអាចដកស្រង់ ព្រឹត្តិការណ៍. សមាសធាតុមួយក្នុងចំណោមសមាសធាតុរបស់វាគឺ Vision photo stands ដែលយើងដំឡើងនៅឯសន្និសីទផ្សេងៗ។ ប្រសិនបើអ្នកចូលទៅជិតកន្លែងថតរូបបែបនេះ ថតរូបជាមួយកាមេរ៉ាដែលភ្ជាប់មកជាមួយ ហើយបញ្ចូលអ៊ីមែលរបស់អ្នក នោះប្រព័ន្ធនឹងរកឃើញភ្លាមៗក្នុងចំណោមអារេនៃរូបថតដែលអ្នកត្រូវបានថតដោយបុគ្គលិកនៃសន្និសីទ ហើយប្រសិនបើចង់បាន។ នឹងផ្ញើរូបថតដែលបានរកឃើញទៅអ្នកតាមអ៊ីមែល។ ហើយយើងមិននិយាយអំពីការថតរូបបែបបញ្ឈរនោះទេ—ការមើលឃើញសម្គាល់អ្នកសូម្បីតែនៅក្នុងផ្ទៃខាងក្រោយនៅក្នុងហ្វូងអ្នកទស្សនាក៏ដោយ។ ជាការពិតណាស់ វាមិនមែនជារូបថតដែលគេទទួលស្គាល់នោះទេ ទាំងនេះគ្រាន់តែជាថេប្លេតនៅក្នុងទីតាំងដ៏ស្រស់ស្អាត ដែលគ្រាន់តែថតរូបភ្ញៀវជាមួយនឹងកាមេរ៉ាដែលភ្ជាប់មកជាមួយរបស់ពួកគេ ហើយបញ្ជូនព័ត៌មានទៅកាន់ម៉ាស៊ីនមេ ដែលជាកន្លែងវេទមន្តនៃការទទួលស្គាល់ទាំងអស់កើតឡើង។ ហើយ​យើង​បាន​ឃើញ​ច្រើន​ដង​ថា​តើ​ប្រសិទ្ធភាព​នៃ​បច្ចេកវិទ្យា​គួរ​ឱ្យ​ភ្ញាក់​ផ្អើល​ដល់​កម្រិត​ណា​សូម្បី​តែ​ក្នុង​ចំណោម​អ្នក​ជំនាញ​ការ​ទទួល​ស្គាល់​រូបភាព។ ខាងក្រោមនេះយើងនឹងនិយាយអំពីឧទាហរណ៍មួយចំនួន។

1. គំរូស្គាល់មុខរបស់យើង។

១.១. បណ្តាញសរសៃប្រសាទ និងល្បឿនដំណើរការ

សម្រាប់ការទទួលស្គាល់ យើងប្រើការកែប្រែគំរូបណ្តាញសរសៃប្រសាទ ResNet 101។ ការរួមបញ្ចូលជាមធ្យមនៅចុងបញ្ចប់ត្រូវបានជំនួសដោយស្រទាប់ដែលបានតភ្ជាប់យ៉ាងពេញលេញ ស្រដៀងទៅនឹងរបៀបដែលវាត្រូវបានធ្វើនៅក្នុង ArcFace ។ ទោះយ៉ាងណាក៏ដោយ ទំហំនៃតំណាងវ៉ិចទ័រគឺ 128 មិនមែន 512 ទេ។ ឈុតបណ្តុះបណ្តាលរបស់យើងមានប្រហែល 10 លានរូបថតដែលមានមនុស្ស 273 នាក់។

ម៉ូដែលនេះដំណើរការយ៉ាងរហ័សដោយសារស្ថាបត្យកម្មកំណត់រចនាសម្ព័ន្ធម៉ាស៊ីនមេដែលបានជ្រើសរើសដោយប្រុងប្រយ័ត្ន និងការគណនា GPU ។ វាត្រូវការពេលពី 100 ms ដើម្បីទទួលបានការឆ្លើយតបពី API នៅលើបណ្តាញខាងក្នុងរបស់យើង - នេះរួមបញ្ចូលទាំងការរកឃើញមុខ (ការរកឃើញមុខនៅក្នុងរូបថត) ការទទួលស្គាល់ និងការបញ្ជូន PersonID នៅក្នុងការឆ្លើយតប API ។ ជាមួយនឹងបរិមាណដ៏ធំនៃទិន្នន័យចូល - រូបថត និងវីដេអូ - វានឹងចំណាយពេលច្រើនដើម្បីផ្ទេរទិន្នន័យទៅកាន់សេវាកម្ម និងដើម្បីទទួលបានការឆ្លើយតប។

១.២. ការវាយតម្លៃប្រសិទ្ធភាពនៃគំរូ

ប៉ុន្តែការកំណត់ប្រសិទ្ធភាពនៃបណ្តាញសរសៃប្រសាទគឺជាកិច្ចការមិនច្បាស់លាស់។ គុណភាពនៃការងាររបស់ពួកគេអាស្រ័យលើអ្វីដែលកំណត់ទិន្នន័យដែលម៉ូដែលត្រូវបានបណ្តុះបណ្តាល និងថាតើពួកគេត្រូវបានធ្វើឱ្យប្រសើរសម្រាប់ធ្វើការជាមួយទិន្នន័យជាក់លាក់។

យើងបានចាប់ផ្តើមវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលរបស់យើងជាមួយនឹងការធ្វើតេស្តផ្ទៀងផ្ទាត់ LFW ដ៏ពេញនិយម ប៉ុន្តែវាតូចពេក និងសាមញ្ញ។ បន្ទាប់ពីបានឈានដល់ភាពត្រឹមត្រូវ 99,8% វាលែងមានប្រយោជន៍ទៀតហើយ។ មានការប្រកួតប្រជែងដ៏ល្អមួយសម្រាប់ការវាយតម្លៃម៉ូដែលការទទួលស្គាល់ - Megaface ដែលយើងបានឈានដល់ 82% ចំណាត់ថ្នាក់ទី 1 ជាបណ្តើរៗ។ ការធ្វើតេស្ត Megaface មានរូបថតមួយលានសន្លឹក - អ្នករំខាន - ហើយតារាម៉ូដែលគួរតែអាចបែងចែកបានយ៉ាងច្បាស់នូវរូបថតរាប់ពាន់សន្លឹករបស់តារាល្បីៗពី Facescrub សំណុំទិន្នន័យពីអ្នករំខាន។ ទោះបីជាយ៉ាងណាក៏ដោយ ដោយបានជម្រះកំហុសនៃការធ្វើតេស្ត Megaface យើងបានរកឃើញថាជាមួយនឹងកំណែដែលបានជម្រះ យើងសម្រេចបាននូវភាពត្រឹមត្រូវ 98% ចំណាត់ថ្នាក់លេខ 1 (រូបថតរបស់តារាល្បីជាទូទៅគឺជាក់លាក់)។ ដូច្នេះហើយ ពួកគេបានបង្កើតការធ្វើតេស្តកំណត់អត្តសញ្ញាណដាច់ដោយឡែកមួយ ដែលស្រដៀងទៅនឹង Megaface ប៉ុន្តែជាមួយនឹងរូបថតរបស់មនុស្ស "ធម្មតា" ។ បន្ទាប់មក យើងធ្វើឱ្យប្រសើរឡើងនូវភាពត្រឹមត្រូវនៃការទទួលស្គាល់នៅលើសំណុំទិន្នន័យរបស់យើង ហើយបានឈានទៅមុខឆ្ងាយ។ លើសពីនេះ យើងប្រើការធ្វើតេស្តគុណភាពជាចង្កោមដែលមានរូបថតរាប់ពាន់សន្លឹក។ វាក្លែងធ្វើស្លាកមុខនៅក្នុងពពករបស់អ្នកប្រើ។ ក្នុងករណីនេះ ចង្កោមគឺជាក្រុមនៃបុគ្គលស្រដៀងគ្នា ក្រុមមួយសម្រាប់អ្នកដែលអាចស្គាល់បាន។ យើងបានពិនិត្យគុណភាពការងារលើក្រុមពិត (ពិត)។

ជាការពិតណាស់កំហុសក្នុងការទទួលស្គាល់កើតឡើងជាមួយម៉ូដែលណាមួយ។ ប៉ុន្តែជារឿយៗស្ថានភាពបែបនេះត្រូវបានដោះស្រាយដោយការផាកពិន័យកម្រិតចាប់ផ្ដើមសម្រាប់លក្ខខណ្ឌជាក់លាក់ (សម្រាប់សន្និសីទទាំងអស់ យើងប្រើកម្រិតដូចគ្នា ប៉ុន្តែឧទាហរណ៍ សម្រាប់ប្រព័ន្ធគ្រប់គ្រងការចូលដំណើរការ យើងត្រូវបង្កើនកម្រិតកំណត់យ៉ាងខ្លាំងដើម្បីឱ្យមានភាពវិជ្ជមានមិនពិតតិចជាង)។ អ្នកទស្សនាសន្និសីទភាគច្រើនត្រូវបានទទួលស្គាល់យ៉ាងត្រឹមត្រូវដោយស្តង់រូបថត Vision របស់យើង។ ពេល​ខ្លះ​មាន​នរណា​ម្នាក់​មើល​ការ​មើល​ជា​មុន​ដែល​បាន​ច្រឹប ហើយ​និយាយ​ថា "ប្រព័ន្ធ​របស់​អ្នក​មាន​កំហុស វា​មិន​មែន​ជា​ខ្ញុំ​ទេ"។ បន្ទាប់មក យើងបើករូបថតទាំងស្រុង ហើយវាប្រែថាពិតជាមានអ្នកទស្សនានៅក្នុងរូបថតនោះមែន មានតែយើងមិនបានថតរូបគាត់ទេ ប៉ុន្តែមានអ្នកផ្សេង បុគ្គលនោះទើបតែកើតឡើងនៅផ្ទៃខាងក្រោយក្នុងតំបន់ព្រិល។ ជាងនេះទៅទៀត បណ្តាញសរសៃប្រសាទតែងតែទទួលស្គាល់យ៉ាងត្រឹមត្រូវ ទោះបីជាផ្នែកមួយនៃមុខមិនអាចមើលឃើញ ឬមនុស្សកំពុងឈរក្នុងទម្រង់ ឬសូម្បីតែពាក់កណ្តាលបែរមុខក៏ដោយ។ ប្រព័ន្ធនេះអាចសម្គាល់មនុស្សម្នាក់បានទោះបីជាមុខស្ថិតនៅក្នុងតំបន់នៃការបង្ខូចទ្រង់ទ្រាយអុបទិកក៏ដោយ ចូរនិយាយថា នៅពេលថតជាមួយកែវមុំធំទូលាយ។

១.៣. ឧទាហរណ៍នៃការធ្វើតេស្តក្នុងស្ថានភាពលំបាក

ខាងក្រោមនេះគឺជាឧទាហរណ៍នៃរបៀបដែលបណ្តាញសរសៃប្រសាទរបស់យើងដំណើរការ។ រូបថតត្រូវបានដាក់បញ្ចូលទៅក្នុងធាតុបញ្ចូល ដែលនាងត្រូវតែដាក់ស្លាកដោយប្រើ PersonID ដែលជាអត្តសញ្ញាណតែមួយគត់របស់បុគ្គលម្នាក់។ ប្រសិនបើរូបភាពពីរ ឬច្រើនមានលេខសម្គាល់ដូចគ្នា នោះបើយោងតាមម៉ូដែល រូបថតទាំងនេះបង្ហាញពីមនុស្សដូចគ្នា។

អនុញ្ញាតឱ្យយើងកត់សម្គាល់ភ្លាមៗថានៅពេលធ្វើតេស្ត យើងមានសិទ្ធិចូលទៅកាន់ប៉ារ៉ាម៉ែត្រផ្សេងៗ និងកម្រិតនៃគំរូដែលយើងអាចកំណត់រចនាសម្ព័ន្ធដើម្បីសម្រេចបានលទ្ធផលជាក់លាក់មួយ។ API សាធារណៈត្រូវបានធ្វើឱ្យប្រសើរឡើងសម្រាប់ភាពត្រឹមត្រូវអតិបរមាលើករណីទូទៅ។

ចូរចាប់ផ្តើមជាមួយនឹងអ្វីដែលសាមញ្ញបំផុត ជាមួយនឹងការសម្គាល់មុខផ្នែកខាងមុខ។

អញ្ចឹង វាងាយស្រួលពេកហើយ។ ចូរធ្វើឱ្យស្មុគស្មាញដល់កិច្ចការបន្ថែមពុកចង្ការនិងដៃឆ្នាំ។

អ្នក​ខ្លះ​នឹង​និយាយ​ថា​នេះ​ក៏​មិន​ពិបាក​ពេក​ដែរ ព្រោះ​ក្នុង​ករណី​ទាំង​ពីរ​មុខ​ទាំងមូល​គឺ​អាច​មើល​ឃើញ ហើយ​ព័ត៌មាន​ជា​ច្រើន​អំពី​មុខ​គឺ​អាច​ប្រើ​បាន​ចំពោះ​ក្បួន​ដោះស្រាយ។ មិនអីទេ តោះប្រែក្លាយ Tom Hardy ទៅជាប្រវត្តិរូប។ បញ្ហានេះកាន់តែស្មុគស្មាញ ហើយយើងបានចំណាយកិច្ចខិតខំប្រឹងប្រែងជាច្រើនដើម្បីដោះស្រាយវាដោយជោគជ័យ ខណៈពេលដែលរក្សាបាននូវអត្រាកំហុសទាប៖ យើងបានជ្រើសរើសឈុតបណ្តុះបណ្តាល គិតតាមស្ថាបត្យកម្មនៃបណ្តាញសរសៃប្រសាទ គោរពមុខងារបាត់បង់ និងកែលម្អដំណើរការមុន នៃរូបថត។

តោះ​ដាក់​ក្បាល​គាត់៖

និយាយអីញ្ចឹង នេះជាឧទាហរណ៍នៃស្ថានភាពលំបាកជាពិសេស ដោយសារមុខត្រូវបានបិទបាំងយ៉ាងខ្លាំង ហើយនៅក្នុងរូបថតខាងក្រោមក៏មានស្រមោលជ្រៅលាក់ភ្នែកផងដែរ។ នៅក្នុងជីវិតពិត មនុស្សច្រើនតែផ្លាស់ប្តូររូបរាងរបស់ពួកគេ ដោយមានជំនួយពីវ៉ែនតាងងឹត។ តោះធ្វើដូចគ្នាជាមួយ Tom ។

មិនអីទេ តោះសាកល្បងថតរូបពីអាយុផ្សេងៗគ្នា ហើយលើកនេះយើងនឹងសាកល្បងជាមួយតារាផ្សេង។ ចូរយើងយកឧទាហរណ៍ដ៏ស្មុគស្មាញមួយបន្ថែមទៀត ដែលការផ្លាស់ប្តូរទាក់ទងនឹងអាយុត្រូវបានប្រកាសជាពិសេស។ ស្ថានភាពគឺមិនឆ្ងាយទេ វាកើតឡើងជាញឹកញាប់នៅពេលដែលអ្នកត្រូវការប្រៀបធៀបរូបថតនៅក្នុងលិខិតឆ្លងដែនជាមួយនឹងមុខរបស់អ្នកកាន់។ យ៉ាងណាមិញរូបថតដំបូងត្រូវបានបញ្ចូលទៅក្នុងលិខិតឆ្លងដែននៅពេលដែលម្ចាស់មានអាយុ 20 ឆ្នាំហើយនៅអាយុ 45 ឆ្នាំមនុស្សម្នាក់អាចផ្លាស់ប្តូរយ៉ាងខ្លាំង:

តើ​អ្នក​គិត​ថា​អ្នក​ជំនាញ​សំខាន់​លើ​បេសកកម្ម​មិន​អាច​ទៅ​រួច​មិន​មាន​ការ​ប្រែប្រួល​ច្រើន​តាម​អាយុ​ទេ? ខ្ញុំ​គិត​ថា សូម្បី​តែ​មនុស្ស​មួយ​ចំនួន​តូច​នឹង​រួម​បញ្ចូល​គ្នា​នូវ​រូបថត​ខាង​លើ និង​ខាងក្រោម​ក៏​ដោយ ក៏​ក្មេង​ប្រុស​រូប​នេះ​បាន​ផ្លាស់​ប្តូរ​ច្រើន​ក្នុង​រយៈ​ពេល​ប៉ុន្មាន​ឆ្នាំ​មក​នេះ។

បណ្តាញសរសៃប្រសាទជួបប្រទះការផ្លាស់ប្តូររូបរាងកាន់តែញឹកញាប់។ ជាឧទាហរណ៍ ពេលខ្លះស្ត្រីអាចផ្លាស់ប្តូររូបភាពរបស់ពួកគេយ៉ាងខ្លាំង ដោយមានជំនួយពីគ្រឿងសំអាង៖

ឥឡូវនេះ ចូរធ្វើឱ្យកិច្ចការកាន់តែស្មុគស្មាញថែមទៀត៖ ឧបមាថាផ្នែកផ្សេងៗនៃមុខត្រូវបានគ្របដោយរូបថតផ្សេងៗគ្នា។ ក្នុងករណីបែបនេះ ក្បួនដោះស្រាយមិនអាចប្រៀបធៀបគំរូទាំងមូលបានទេ។ ទោះជាយ៉ាងណាក៏ដោយ Vision ដោះស្រាយស្ថានភាពបែបនេះបានយ៉ាងល្អ។

ដោយវិធីនេះ អាចមានមុខច្រើននៅក្នុងរូបថត ឧទាហរណ៍ មនុស្សច្រើនជាង 100 នាក់អាចសមនឹងរូបថតទូទៅនៃសាលមួយ។ នេះគឺជាស្ថានភាពលំបាកមួយសម្រាប់បណ្តាញសរសៃប្រសាទ ដោយសារមុខជាច្រើនអាចត្រូវបានបំភ្លឺខុសៗគ្នា ខ្លះមិនផ្តោតអារម្មណ៍។ ទោះជាយ៉ាងណាក៏ដោយ ប្រសិនបើរូបថតត្រូវបានថតជាមួយនឹងគុណភាពបង្ហាញ និងគុណភាពគ្រប់គ្រាន់ (យ៉ាងហោចណាស់ 75 ភីកសែលក្នុងមួយការ៉េដែលគ្របលើផ្ទៃមុខ) Vision នឹងអាចរកឃើញ និងសម្គាល់វាបាន។

ភាពប្លែកនៃរូបថតរាយការណ៍ និងរូបភាពពីកាមេរ៉ាឃ្លាំមើលគឺថា មនុស្សច្រើនតែព្រិលៗ ដោយសារពួកគេមិនផ្តោតអារម្មណ៍ ឬកំពុងធ្វើចលនានៅពេលនោះ៖

ដូចគ្នានេះផងដែរអាំងតង់ស៊ីតេនៃពន្លឺអាចប្រែប្រួលយ៉ាងខ្លាំងពីរូបភាពមួយទៅរូបភាពមួយ។ នេះក៏ច្រើនតែក្លាយជាឧបសគ្គមួយដែរ ក្បួនដោះស្រាយជាច្រើនមានការលំបាកយ៉ាងខ្លាំងក្នុងការដំណើរការរូបភាពដែលងងឹតពេក និងស្រាលពេក ដោយមិននិយាយអំពីការផ្គូផ្គងរូបភាពទាំងនោះឲ្យបានត្រឹមត្រូវ។ ខ្ញុំសូមរំលឹកអ្នកថា ដើម្បីសម្រេចបានលទ្ធផលនេះ អ្នកត្រូវកំណត់រចនាសម្ព័ន្ធកម្រិតកំណត់តាមវិធីជាក់លាក់មួយ មុខងារនេះមិនទាន់មានជាសាធារណៈនៅឡើយទេ។ យើងប្រើបណ្តាញសរសៃប្រសាទដូចគ្នាសម្រាប់អតិថិជនទាំងអស់ វាមានកម្រិតដែលសមរម្យសម្រាប់កិច្ចការជាក់ស្តែងភាគច្រើន។

ថ្មីៗ​នេះ យើង​បាន​បញ្ចេញ​ម៉ូដែល​ថ្មី​ដែល​សម្គាល់​មុខ​អាស៊ី​ដោយ​ភាព​សុក្រឹត​ខ្ពស់។ នេះធ្លាប់ជាបញ្ហាដ៏ធំមួយ ដែលសូម្បីតែត្រូវបានគេហៅថា "ការរៀនម៉ាស៊ីន" (ឬ "បណ្តាញសរសៃប្រសាទ") ការរើសអើងជាតិសាសន៍។ បណ្តាញសរសៃប្រសាទអ៊ឺរ៉ុប និងអាមេរិកបានទទួលស្គាល់មុខជនជាតិស្បែកសល្អ ប៉ុន្តែជាមួយម៉ុងហ្គោលី និង នីហ្គ្រីដ ប្រឈមមុខនឹងស្ថានភាពកាន់តែអាក្រក់ទៅៗ។ ប្រហែលជានៅក្នុងប្រទេសចិន ស្ថានភាពគឺផ្ទុយពីនេះ។ វាទាំងអស់អំពីសំណុំទិន្នន័យបណ្តុះបណ្តាលដែលឆ្លុះបញ្ចាំងពីប្រភេទមនុស្សលេចធ្លោនៅក្នុងប្រទេសជាក់លាក់មួយ។ ទោះ​ជា​យ៉ាង​ណា​ក៏​ដោយ ស្ថានការណ៍​កំពុង​តែ​ផ្លាស់​ប្តូរ ហើយ​សព្វ​ថ្ងៃ​នេះ​បញ្ហា​នេះ​មិន​សូវ​ធ្ងន់ធ្ងរ​ទេ។ ចក្ខុវិស័យមិនមានបញ្ហាជាមួយមនុស្សដែលមានជាតិសាសន៍ផ្សេងគ្នាទេ។

ការសម្គាល់មុខគ្រាន់តែជាកម្មវិធីមួយក្នុងចំណោមកម្មវិធីជាច្រើននៃបច្ចេកវិទ្យារបស់យើង ចក្ខុវិស័យអាចត្រូវបានបណ្តុះបណ្តាលឱ្យស្គាល់អ្វីទាំងអស់។ ឧទាហរណ៍ ស្លាកលេខ រួមទាំងក្នុងលក្ខខណ្ឌពិបាកសម្រាប់ក្បួនដោះស្រាយ៖ នៅមុំស្រួច កខ្វក់ និងពិបាកអានស្លាកលេខ។

2. ករណីប្រើប្រាស់ជាក់ស្តែង

២.១. ការគ្រប់គ្រងការចូលប្រើរាងកាយ៖ នៅពេលដែលមនុស្សពីរនាក់ប្រើលិខិតឆ្លងដែនដូចគ្នា។

ដោយមានជំនួយពី Vision អ្នកអាចអនុវត្តប្រព័ន្ធសម្រាប់កត់ត្រាការមកដល់ និងការចាកចេញរបស់បុគ្គលិក។ ប្រព័ន្ធប្រពៃណីដែលមានមូលដ្ឋានលើលិខិតឆ្លងដែនអេឡិចត្រូនិចមានគុណវិបត្តិជាក់ស្តែង ឧទាហរណ៍អ្នកអាចឆ្លងកាត់មនុស្សពីរនាក់ដោយប្រើផ្លាកសញ្ញាមួយ។ ប្រសិនបើប្រព័ន្ធគ្រប់គ្រងការចូលដំណើរការ (ACS) ត្រូវបានបន្ថែមដោយ Vision នោះវានឹងកត់ត្រាដោយស្មោះត្រង់ថាអ្នកណាមក/ចាកចេញ និងពេលណា។

២.២. ការតាមដានពេលវេលា

ករណីប្រើប្រាស់ Vision នេះគឺទាក់ទងយ៉ាងជិតស្និទ្ធទៅនឹងករណីមុន។ ប្រសិនបើអ្នកបំពេញបន្ថែមប្រព័ន្ធចូលប្រើជាមួយសេវាកម្មសម្គាល់មុខរបស់យើង វានឹងមិនត្រឹមតែអាចរកឃើញការរំលោភលើការគ្រប់គ្រងការចូលប្រើប្រាស់ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងអាចចុះឈ្មោះវត្តមានពិតប្រាកដរបស់និយោជិតនៅក្នុងអគារ ឬកន្លែងប្រើប្រាស់ផងដែរ។ ម្យ៉ាងវិញទៀត Vision នឹងជួយអ្នកឱ្យគិតដោយស្មោះត្រង់ថាអ្នកណាមកធ្វើការ ហើយចាកចេញនៅម៉ោងណា ហើយអ្នកណាដែលរំលងការងារទាំងអស់ បើទោះបីជាសហការីរបស់គាត់បានរ៉ាប់រងគាត់នៅចំពោះមុខថ្នាក់លើក៏ដោយ។

២.៣. វីដេអូវិភាគ៖ ការតាមដានមនុស្ស និងសុវត្ថិភាព

តាមរយៈការតាមដានមនុស្សដោយប្រើ Vision អ្នកអាចវាយតម្លៃយ៉ាងត្រឹមត្រូវនូវចរាចរណ៍ពិតប្រាកដនៃតំបន់ទិញទំនិញ ស្ថានីយ៍រថភ្លើង ផ្លូវឆ្លងកាត់ ផ្លូវ និងកន្លែងសាធារណៈជាច្រើនទៀត។ ការតាមដានរបស់យើងក៏អាចជាជំនួយដ៏ល្អក្នុងការគ្រប់គ្រងការចូលប្រើ ឧទាហរណ៍ទៅកាន់ឃ្លាំង ឬកន្លែងការិយាល័យសំខាន់ៗផ្សេងទៀត។ ហើយជាការពិតណាស់ ការតាមដានមនុស្ស និងមុខអាចជួយដោះស្រាយបញ្ហាសន្តិសុខ។ ចាប់បាននរណាម្នាក់លួចពីហាងរបស់អ្នក? បន្ថែម PersonID របស់គាត់ដែលត្រូវបានបញ្ជូនមកវិញដោយ Vision ទៅក្នុងបញ្ជីខ្មៅនៃកម្មវិធីវិភាគវីដេអូរបស់អ្នក ហើយនៅពេលក្រោយ ប្រព័ន្ធនឹងជូនដំណឹងអំពីសុវត្ថិភាពភ្លាមៗ ប្រសិនបើប្រភេទនេះលេចឡើងម្តងទៀត។

២.៤. នៅក្នុងពាណិជ្ជកម្ម

អាជីវកម្មលក់រាយ និងសេវាកម្មផ្សេងៗចាប់អារម្មណ៍លើការទទួលស្គាល់ជួរ។ ដោយមានជំនួយពី Vision អ្នកអាចទទួលស្គាល់ថានេះមិនមែនជាហ្វូងមនុស្សចៃដន្យនោះទេ ប៉ុន្តែជាជួរ ហើយកំណត់ប្រវែងរបស់វា។ ហើយបន្ទាប់មកប្រព័ន្ធជូនដំណឹងដល់អ្នកដែលទទួលបន្ទុកអំពីជួរមួយដើម្បីឱ្យពួកគេអាចស្វែងយល់ពីស្ថានភាព៖ មានការហូរចូលនៃអ្នកទស្សនា ហើយត្រូវការបុគ្គលិកបន្ថែមដែលត្រូវហៅ ឬនរណាម្នាក់កំពុងបំពេញកាតព្វកិច្ចការងាររបស់ពួកគេ។

ការងារគួរឱ្យចាប់អារម្មណ៍មួយទៀតគឺការបំបែកបុគ្គលិកក្រុមហ៊ុននៅក្នុងសាលពីភ្ញៀវ។ ជាធម្មតា ប្រព័ន្ធនេះត្រូវបានបណ្តុះបណ្តាលដើម្បីបំបែកវត្ថុដែលពាក់សម្លៀកបំពាក់ជាក់លាក់ (កូដសំលៀកបំពាក់) ឬជាមួយនឹងលក្ខណៈពិសេសប្លែកមួយចំនួន (ក្រមាម៉ាក ផ្លាកសញ្ញានៅលើទ្រូង។ល។)។ នេះជួយក្នុងការវាយតម្លៃការចូលរួមយ៉ាងត្រឹមត្រូវជាងមុន (ដូច្នេះថាបុគ្គលិកមិន "បំប៉ោង" ស្ថិតិរបស់មនុស្សនៅក្នុងសាលដោយវត្តមានរបស់ពួកគេទេ)។

ដោយប្រើការសម្គាល់មុខ អ្នកក៏អាចវាយតម្លៃទស្សនិកជនរបស់អ្នកផងដែរ៖ តើអ្វីជាភាពស្មោះត្រង់របស់អ្នកទស្សនា នោះគឺថាតើមានមនុស្សប៉ុន្មាននាក់ត្រឡប់ទៅគ្រឹះស្ថានរបស់អ្នក និងជាមួយប្រេកង់អ្វី។ គណនាចំនួនភ្ញៀវពិសេសមករកអ្នកក្នុងមួយខែ។ ដើម្បីបង្កើនប្រសិទ្ធភាពតម្លៃនៃការទាក់ទាញ និងការរក្សាទុក អ្នកក៏អាចស្វែងយល់ពីការផ្លាស់ប្តូរចរាចរណ៍អាស្រ័យលើថ្ងៃនៃសប្តាហ៍ និងសូម្បីតែពេលវេលានៃថ្ងៃ។

ក្រុមហ៊ុន Franchisors និងក្រុមហ៊ុនសង្វាក់អាចបញ្ជាឱ្យមានការវាយតម្លៃរូបថតអំពីគុណភាពនៃម៉ាកយីហោហាងលក់រាយផ្សេងៗ៖ វត្តមានរបស់ឡូហ្គោ សញ្ញា ផ្ទាំងរូបភាព បដា ជាដើម។

២.៥. ដោយការដឹកជញ្ជូន

ឧទាហរណ៍មួយទៀតនៃការធានាសុវត្ថិភាពដោយប្រើការវិភាគវីដេអូគឺការកំណត់អត្តសញ្ញាណវត្ថុដែលគេបោះបង់ចោលនៅក្នុងសាលព្រលានយន្តហោះ ឬស្ថានីយ៍រថភ្លើង។ ចក្ខុវិស័យអាចត្រូវបានបណ្តុះបណ្តាលឱ្យស្គាល់វត្ថុរាប់រយប្រភេទ៖ បំណែកនៃគ្រឿងសង្ហារឹម កាបូប វ៉ាលី ឆ័ត្រ ប្រភេទផ្សេងៗនៃសម្លៀកបំពាក់ ដបជាដើម។ ប្រសិនបើប្រព័ន្ធវិភាគវីដេអូរបស់អ្នករកឃើញវត្ថុដែលគ្មានម្ចាស់ ហើយទទួលស្គាល់វាដោយប្រើ Vision វាបញ្ជូនសញ្ញាទៅសេវាកម្មសុវត្ថិភាព។ កិច្ចការស្រដៀងគ្នានេះត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការរកឃើញដោយស្វ័យប្រវត្តិនូវស្ថានភាពមិនធម្មតានៅកន្លែងសាធារណៈ៖ នរណាម្នាក់មានអារម្មណ៍ឈឺ ឬនរណាម្នាក់ជក់បារីនៅកន្លែងខុស ឬមនុស្សម្នាក់ធ្លាក់លើផ្លូវរថភ្លើង ហើយដូច្នេះនៅលើ - គំរូទាំងអស់នេះអាចត្រូវបានទទួលស្គាល់ដោយប្រព័ន្ធវិភាគវីដេអូ តាមរយៈ Vision API ។

២.៦. លំហូរឯកសារ

កម្មវិធីអនាគតដ៏គួរឱ្យចាប់អារម្មណ៍មួយផ្សេងទៀតនៃ Vision ដែលយើងកំពុងអភិវឌ្ឍនាពេលបច្ចុប្បន្ននេះគឺការទទួលស្គាល់ឯកសារ និងការញែកដោយស្វ័យប្រវត្តិរបស់ពួកគេទៅក្នុងមូលដ្ឋានទិន្នន័យ។ ជំនួសឱ្យការបញ្ចូលដោយដៃ (ឬអាក្រក់ជាងនេះ បញ្ចូល) ស៊េរីគ្មានទីបញ្ចប់ លេខ កាលបរិច្ឆេទនៃបញ្ហា លេខគណនី ព័ត៌មានលម្អិតធនាគារ ថ្ងៃខែឆ្នាំកំណើត និងទិន្នន័យផ្លូវការជាច្រើនផ្សេងទៀត អ្នកអាចស្កេនឯកសារ និងបញ្ជូនវាដោយស្វ័យប្រវត្តិតាមបណ្តាញសុវត្ថិភាពតាមរយៈ API ទៅកាន់ពពក ដែលប្រព័ន្ធនឹងទទួលស្គាល់ឯកសារទាំងនេះភ្លាមៗ ញែកពួកវា និងត្រឡប់ការឆ្លើយតបជាមួយនឹងទិន្នន័យក្នុងទម្រង់ដែលត្រូវការសម្រាប់ការបញ្ចូលដោយស្វ័យប្រវត្តិទៅក្នុងមូលដ្ឋានទិន្នន័យ។ ថ្ងៃនេះ Vision ដឹងពីរបៀបចាត់ថ្នាក់ឯកសារ (រួមទាំង PDF) រួចហើយ - បែងចែករវាងលិខិតឆ្លងដែន, SNILS, TIN, សំបុត្រកំណើត, សំបុត្រអាពាហ៍ពិពាហ៍ និងផ្សេងទៀត។

ជាការពិតណាស់ បណ្តាញសរសៃប្រសាទមិនអាចដោះស្រាយស្ថានការណ៍ទាំងអស់នេះចេញពីប្រអប់បានទេ។ ក្នុងករណីនីមួយៗ គំរូថ្មីត្រូវបានបង្កើតឡើងសម្រាប់អតិថិជនជាក់លាក់ កត្តាជាច្រើន ភាពខុសប្លែក និងតម្រូវការត្រូវបានយកមកពិចារណា សំណុំទិន្នន័យត្រូវបានជ្រើសរើស ហើយការបណ្តុះបណ្តាល ការសាកល្បង និងការកំណត់រចនាសម្ព័ន្ធត្រូវបានអនុវត្តឡើងវិញ។

គ្រោងការណ៍ប្រតិបត្តិការ API

“ច្រកចូល” របស់ Vision សម្រាប់អ្នកប្រើប្រាស់គឺ REST API។ វាអាចទទួលរូបថត ឯកសារវីដេអូ និងការផ្សាយពីកាមេរ៉ាបណ្តាញ (RTSP streams) ជាការបញ្ចូល។

ដើម្បីប្រើ Vision អ្នកត្រូវការ ចុះឈ្មោះ នៅក្នុងសេវាកម្ម Mail.ru Cloud Solutions និងទទួលបានសញ្ញាសម្ងាត់ចូលប្រើ (client_id + client_secret)។ ការផ្ទៀងផ្ទាត់អ្នកប្រើប្រាស់ត្រូវបានអនុវត្តដោយប្រើពិធីការ OAuth ។ ទិន្នន័យប្រភពនៅក្នុងផ្នែកនៃសំណើ POST ត្រូវបានផ្ញើទៅ API ។ ហើយជាការឆ្លើយតប អតិថិជនទទួលបានពី API នូវលទ្ធផលទទួលស្គាល់ជាទម្រង់ JSON ហើយការឆ្លើយតបត្រូវបានរៀបចំឡើង៖ វាមានព័ត៌មានអំពីវត្ថុដែលបានរកឃើញ និងកូអរដោនេរបស់វា។

ចម្លើយគំរូ

{
   "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
}

ចម្លើយមានប៉ារ៉ាម៉ែត្រគួរឱ្យចាប់អារម្មណ៍ - នេះគឺជា "ភាពត្រជាក់" តាមលក្ខខណ្ឌនៃមុខនៅក្នុងរូបថត ដោយមានជំនួយរបស់វា យើងជ្រើសរើសរូបថតមុខដ៏ល្អបំផុតពីលំដាប់។ យើងបានបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទដើម្បីទស្សន៍ទាយលទ្ធភាពដែលរូបថតនឹងត្រូវបានចូលចិត្តនៅលើបណ្តាញសង្គម។ គុណភាព​រូបថត​កាន់​តែ​ល្អ និង​ទឹក​មុខ​ញញឹម​កាន់​តែ​ច្រើន ភាព​អស្ចារ្យ​កាន់​តែ​ខ្លាំង។

API Vision ប្រើគំនិតដែលហៅថាលំហ។ នេះគឺជាឧបករណ៍សម្រាប់បង្កើតទម្រង់មុខផ្សេងៗគ្នា។ ឧទាហរណ៍នៃចន្លោះគឺ បញ្ជីខ្មៅ និងស បញ្ជីអ្នកទស្សនា បុគ្គលិក អតិថិជន។ល។ សម្រាប់សញ្ញាសម្ងាត់នីមួយៗនៅក្នុង Vision អ្នកអាចបង្កើតចន្លោះរហូតដល់ 10 ដែលចន្លោះនីមួយៗអាចមានរហូតដល់ 50 PersonIDs ពោលគឺរហូតដល់ 500 ពាន់។ ក្នុងមួយនិមិត្តសញ្ញា។ លើសពីនេះទៅទៀត ចំនួននៃថូខឹនក្នុងមួយគណនីមិនត្រូវបានកំណត់ទេ។

សព្វ​ថ្ងៃ API គាំទ្រ​វិធីសាស្ត្រ​រក​ឃើញ និង​ការ​ទទួល​ស្គាល់​ដូច​ខាង​ក្រោម៖

• ទទួលស្គាល់/កំណត់ - ការរកឃើញ និងការទទួលស្គាល់មុខ។ ផ្តល់លេខសម្គាល់បុគ្គលដោយស្វ័យប្រវត្តិទៅបុគ្គលម្នាក់ៗ ប្រគល់លេខសម្គាល់បុគ្គល និងសំរបសំរួលនៃមនុស្សដែលបានរកឃើញ។
• លុប - ការលុបលេខសម្គាល់បុគ្គលជាក់លាក់ពីមូលដ្ឋានទិន្នន័យបុគ្គល។
• Trincate - ជម្រះចន្លោះទាំងមូលពី PersonID មានប្រយោជន៍ប្រសិនបើវាត្រូវបានប្រើជាកន្លែងសាកល្បង ហើយអ្នកត្រូវកំណត់មូលដ្ឋានទិន្នន័យឡើងវិញសម្រាប់ការផលិត។
• Detect - ការរកឃើញវត្ថុ កន្លែងកើតហេតុ ផ្លាកលេខ សញ្ញាសម្គាល់ ជួរ។ល។ ត្រឡប់ថ្នាក់នៃវត្ថុដែលបានរកឃើញ និងកូអរដោនេរបស់វា
• រកឃើញសម្រាប់ឯកសារ - រកឃើញប្រភេទឯកសារជាក់លាក់នៃសហព័ន្ធរុស្ស៊ី (សម្គាល់លិខិតឆ្លងដែន SNILS លេខអត្តសញ្ញាណពន្ធ។ ល។ ) ។

យើងក៏នឹងបញ្ចប់ការងារនាពេលឆាប់ៗនេះលើវិធីសាស្រ្តសម្រាប់ OCR កំណត់ភេទ អាយុ និងអារម្មណ៍ ក៏ដូចជាការដោះស្រាយបញ្ហានៃការលក់ទំនិញ ពោលគឺសម្រាប់ការគ្រប់គ្រងដោយស្វ័យប្រវត្តិនូវការបង្ហាញទំនិញនៅក្នុងហាង។ អ្នកអាចស្វែងរកឯកសារ API ពេញលេញនៅទីនេះ៖ https://mcs.mail.ru/help/vision-api

4 ។ សេចក្តីសន្និដ្ឋាន

ឥឡូវនេះ តាមរយៈ API សាធារណៈ អ្នកអាចចូលប្រើការសម្គាល់មុខនៅក្នុងរូបថត និងវីដេអូ ការកំណត់អត្តសញ្ញាណវត្ថុផ្សេងៗ ស្លាកលេខ កន្លែងសម្គាល់ ឯកសារ និងទិដ្ឋភាពទាំងមូលត្រូវបានគាំទ្រ។ សេណារីយ៉ូនៃកម្មវិធី - សមុទ្រ។ សូមអញ្ជើញមកសាកល្បងសេវាកម្មរបស់យើង កំណត់វាជាកិច្ចការដ៏លំបាកបំផុត។ ប្រតិបត្តិការ 5000 ដំបូងគឺឥតគិតថ្លៃ។ ប្រហែលជាវានឹងក្លាយជា "ធាតុផ្សំដែលបាត់" សម្រាប់គម្រោងរបស់អ្នក។

អ្នកអាចចូលប្រើ API ភ្លាមៗនៅពេលចុះឈ្មោះ និងភ្ជាប់។ ទស្សនៈ​វិស័យ. អ្នកប្រើប្រាស់ Habra ទាំងអស់ទទួលបានលេខកូដផ្សព្វផ្សាយសម្រាប់ប្រតិបត្តិការបន្ថែម។ សូមសរសេរមកខ្ញុំនូវអាសយដ្ឋានអ៊ីមែលដែលអ្នកធ្លាប់ចុះឈ្មោះគណនីរបស់អ្នក!

ប្រភព: www.habr.com