ഞങ്ങളുടെ ഭാവി കമ്പ്യൂട്ടർ വിഷൻ സിസ്റ്റത്തിനായുള്ള സാങ്കേതികവിദ്യകളും മോഡലുകളും ഞങ്ങളുടെ കമ്പനിയുടെ വ്യത്യസ്ത പ്രോജക്റ്റുകളിൽ - മെയിൽ, ക്ലൗഡ്, തിരയൽ എന്നിവയിൽ ക്രമേണ സൃഷ്ടിക്കുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്തു. അവർ നല്ല ചീസ് അല്ലെങ്കിൽ കോഗ്നാക് പോലെ പക്വത പ്രാപിച്ചു. ഞങ്ങളുടെ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ തിരിച്ചറിയുന്നതിൽ മികച്ച ഫലങ്ങൾ കാണിക്കുന്നുവെന്ന് ഒരു ദിവസം ഞങ്ങൾ മനസ്സിലാക്കി, അവയെ ഒരൊറ്റ b2b ഉൽപ്പന്നമായി സംയോജിപ്പിക്കാൻ ഞങ്ങൾ തീരുമാനിച്ചു - വിഷൻ - അത് ഞങ്ങൾ ഇപ്പോൾ സ്വയം ഉപയോഗിക്കുകയും നിങ്ങൾക്ക് ഉപയോഗിക്കാൻ വാഗ്ദാനം ചെയ്യുകയും ചെയ്യുന്നു.

ഇന്ന്, Mail.Ru ക്ലൗഡ് സൊല്യൂഷൻസ് പ്ലാറ്റ്‌ഫോമിലെ ഞങ്ങളുടെ കമ്പ്യൂട്ടർ വിഷൻ സാങ്കേതികവിദ്യ വിജയകരമായി പ്രവർത്തിക്കുകയും വളരെ സങ്കീർണ്ണമായ പ്രായോഗിക പ്രശ്നങ്ങൾ പരിഹരിക്കുകയും ചെയ്യുന്നു. ഇത് ഞങ്ങളുടെ ഡാറ്റാ സെറ്റുകളിൽ പരിശീലിപ്പിക്കുകയും പ്രായോഗിക പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിൽ വൈദഗ്ധ്യം നേടുകയും ചെയ്യുന്ന നിരവധി ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. എല്ലാ സേവനങ്ങളും ഞങ്ങളുടെ സെർവർ സൗകര്യങ്ങളിൽ പ്രവർത്തിക്കുന്നു. നിങ്ങളുടെ ആപ്ലിക്കേഷനുകളിലേക്ക് പബ്ലിക് വിഷൻ API സംയോജിപ്പിക്കാൻ നിങ്ങൾക്ക് കഴിയും, അതിലൂടെ സേവനത്തിന്റെ എല്ലാ കഴിവുകളും ലഭ്യമാണ്. API വേഗതയുള്ളതാണ് - സെർവർ GPU-കൾക്ക് നന്ദി, ഞങ്ങളുടെ നെറ്റ്‌വർക്കിലെ ശരാശരി പ്രതികരണ സമയം 100 ms ആണ്.

പൂച്ചയുടെ അടുത്തേക്ക് പോകുക, ഒരു വിശദമായ കഥയും വിഷന്റെ പ്രവർത്തനത്തിന്റെ നിരവധി ഉദാഹരണങ്ങളും ഉണ്ട്.

സൂചിപ്പിച്ച മുഖം തിരിച്ചറിയൽ സാങ്കേതികവിദ്യകൾ ഞങ്ങൾ തന്നെ ഉപയോഗിക്കുന്ന ഒരു സേവനത്തിന്റെ ഉദാഹരണം ഇവന്റുകൾ. വിവിധ കോൺഫറൻസുകളിൽ ഞങ്ങൾ ഇൻസ്റ്റാൾ ചെയ്യുന്ന വിഷൻ ഫോട്ടോ സ്റ്റാൻഡുകളാണ് അതിന്റെ ഘടകങ്ങളിലൊന്ന്. നിങ്ങൾ അത്തരമൊരു ഫോട്ടോ സ്റ്റാൻഡിനെ സമീപിക്കുകയാണെങ്കിൽ, ബിൽറ്റ്-ഇൻ ക്യാമറ ഉപയോഗിച്ച് ഒരു ഫോട്ടോ എടുത്ത് നിങ്ങളുടെ ഇമെയിൽ നൽകുക, കോൺഫറൻസിലെ സ്റ്റാഫ് ഫോട്ടോഗ്രാഫർമാർ നിങ്ങളെ പകർത്തിയ ഫോട്ടോഗ്രാഫുകളുടെ നിരയിൽ സിസ്റ്റം ഉടനടി കണ്ടെത്തും, ആവശ്യമെങ്കിൽ, കണ്ടെത്തിയ ഫോട്ടോഗ്രാഫുകൾ നിങ്ങൾക്ക് ഇമെയിൽ വഴി അയയ്ക്കും. സ്റ്റേജ് ചെയ്‌ത പോർട്രെയിറ്റ് ഷോട്ടുകളെക്കുറിച്ചല്ല ഞങ്ങൾ സംസാരിക്കുന്നത് - സന്ദർശകരുടെ തിരക്കിനിടയിൽ പശ്ചാത്തലത്തിൽ പോലും വിഷൻ നിങ്ങളെ തിരിച്ചറിയുന്നു. തീർച്ചയായും, ഫോട്ടോ സ്റ്റാൻഡുകളല്ല തിരിച്ചറിയപ്പെടുന്നത്, അതിഥികളുടെ ബിൽറ്റ്-ഇൻ ക്യാമറകൾ ഉപയോഗിച്ച് ഫോട്ടോയെടുക്കുകയും സെർവറുകളിലേക്ക് വിവരങ്ങൾ കൈമാറുകയും ചെയ്യുന്ന മനോഹരമായ സ്റ്റാൻഡുകളിലെ ടാബ്‌ലെറ്റുകൾ മാത്രമാണ് ഇവ. ഇമേജ് റെക്കഗ്നിഷൻ സ്പെഷ്യലിസ്റ്റുകൾക്കിടയിൽ പോലും സാങ്കേതികവിദ്യയുടെ ഫലപ്രാപ്തി എത്ര ആശ്ചര്യകരമാണെന്ന് ഞങ്ങൾ ഒന്നിലധികം തവണ കണ്ടു. ചുവടെ ഞങ്ങൾ ചില ഉദാഹരണങ്ങളെക്കുറിച്ച് സംസാരിക്കും.

1. ഞങ്ങളുടെ മുഖം തിരിച്ചറിയൽ മോഡൽ

1.1 ന്യൂറൽ നെറ്റ്‌വർക്കും പ്രോസസ്സിംഗ് വേഗതയും

തിരിച്ചറിയലിനായി, ഞങ്ങൾ ResNet 101 ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡലിന്റെ ഒരു പരിഷ്‌ക്കരണം ഉപയോഗിക്കുന്നു. അവസാനത്തെ ശരാശരി പൂളിംഗ് ആർക്ക്ഫേസിൽ ചെയ്യുന്നത് പോലെ തന്നെ പൂർണ്ണമായി കണക്റ്റുചെയ്‌ത ഒരു ലെയർ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുന്നു. എന്നിരുന്നാലും, വെക്റ്റർ പ്രാതിനിധ്യങ്ങളുടെ വലുപ്പം 128 ആണ്, 512 അല്ല. ഞങ്ങളുടെ പരിശീലന സെറ്റിൽ 10 ആളുകളുടെ ഏകദേശം 273 ദശലക്ഷം ഫോട്ടോകൾ അടങ്ങിയിരിക്കുന്നു.

ശ്രദ്ധാപൂർവം തിരഞ്ഞെടുത്ത സെർവർ കോൺഫിഗറേഷൻ ആർക്കിടെക്ചറും ജിപിയു കമ്പ്യൂട്ടിംഗും കാരണം മോഡൽ വളരെ വേഗത്തിൽ പ്രവർത്തിക്കുന്നു. ഞങ്ങളുടെ ആന്തരിക നെറ്റ്‌വർക്കുകളിലെ API-ൽ നിന്ന് ഒരു പ്രതികരണം ലഭിക്കുന്നതിന് 100 ms മുതൽ എടുക്കും - ഇതിൽ മുഖം കണ്ടെത്തൽ (ഫോട്ടോയിൽ ഒരു മുഖം കണ്ടെത്തൽ), API പ്രതികരണത്തിൽ PersonID തിരിച്ചറിയുകയും തിരികെ നൽകുകയും ചെയ്യുന്നതും ഉൾപ്പെടുന്നു. ഇൻകമിംഗ് ഡാറ്റയുടെ വലിയ അളവിലുള്ള - ഫോട്ടോകളും വീഡിയോകളും - സേവനത്തിലേക്ക് ഡാറ്റ കൈമാറുന്നതിനും പ്രതികരണം സ്വീകരിക്കുന്നതിനും കൂടുതൽ സമയമെടുക്കും.

1.2 മോഡലിന്റെ ഫലപ്രാപ്തി വിലയിരുത്തുന്നു

എന്നാൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ കാര്യക്ഷമത നിർണ്ണയിക്കുന്നത് വളരെ അവ്യക്തമായ ഒരു ജോലിയാണ്. അവരുടെ ജോലിയുടെ ഗുണനിലവാരം, മോഡലുകൾ ഏത് ഡാറ്റാ സെറ്റുകളെ പരിശീലിപ്പിച്ചുവെന്നും നിർദ്ദിഷ്ട ഡാറ്റയിൽ പ്രവർത്തിക്കാൻ അവ ഒപ്റ്റിമൈസ് ചെയ്തിട്ടുണ്ടോ എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു.

ജനപ്രിയ LFW പരിശോധനാ പരിശോധന ഉപയോഗിച്ച് ഞങ്ങളുടെ മോഡലിന്റെ കൃത്യത ഞങ്ങൾ വിലയിരുത്താൻ തുടങ്ങി, എന്നാൽ ഇത് വളരെ ചെറുതും ലളിതവുമാണ്. 99,8% കൃത്യതയിൽ എത്തിയ ശേഷം, അത് ഉപയോഗപ്രദമല്ല. തിരിച്ചറിയൽ മോഡലുകൾ വിലയിരുത്തുന്നതിന് നല്ല മത്സരമുണ്ട് - മെഗാഫേസ്, അതിൽ ഞങ്ങൾ ക്രമേണ 82% റാങ്ക് 1 ൽ എത്തി. മെഗാഫേസ് ടെസ്റ്റിൽ ഒരു ദശലക്ഷം ഫോട്ടോഗ്രാഫുകൾ അടങ്ങിയിരിക്കുന്നു - ഡിസ്ട്രാക്ടറുകൾ - കൂടാതെ മോഡലിന് ഫെയ്സ്‌സ്‌ക്രബിൽ നിന്ന് സെലിബ്രിറ്റികളുടെ ആയിരക്കണക്കിന് ഫോട്ടോഗ്രാഫുകൾ നന്നായി വേർതിരിച്ചറിയാൻ കഴിയണം. ഡിസ്ട്രാക്ടറുകളിൽ നിന്നുള്ള ഡാറ്റാസെറ്റ്. എന്നിരുന്നാലും, പിശകുകളുടെ മെഗാഫേസ് പരിശോധന മായ്‌ച്ച ശേഷം, ക്ലിയർ ചെയ്‌ത പതിപ്പ് ഉപയോഗിച്ച് ഞങ്ങൾ 98% റാങ്ക് 1-ന്റെ കൃത്യത കൈവരിക്കുന്നതായി ഞങ്ങൾ കണ്ടെത്തി (സെലിബ്രിറ്റികളുടെ ഫോട്ടോകൾ പൊതുവെ വളരെ നിർദ്ദിഷ്ടമാണ്). അതിനാൽ, അവർ മെഗാഫേസിന് സമാനമായ ഒരു പ്രത്യേക ഐഡന്റിഫിക്കേഷൻ ടെസ്റ്റ് സൃഷ്ടിച്ചു, പക്ഷേ "സാധാരണ" ആളുകളുടെ ഫോട്ടോഗ്രാഫുകൾ. തുടർന്ന് ഞങ്ങൾ ഞങ്ങളുടെ ഡാറ്റാസെറ്റുകളിലെ തിരിച്ചറിയൽ കൃത്യത മെച്ചപ്പെടുത്തി വളരെ മുന്നോട്ട് പോയി. കൂടാതെ, ഞങ്ങൾ ആയിരക്കണക്കിന് ഫോട്ടോകൾ അടങ്ങുന്ന ഒരു ക്ലസ്റ്ററിംഗ് ഗുണനിലവാര പരിശോധന ഉപയോഗിക്കുന്നു; ഇത് ഉപയോക്താവിന്റെ ക്ലൗഡിൽ ഫെയ്സ് ടാഗിംഗ് അനുകരിക്കുന്നു. ഈ സാഹചര്യത്തിൽ, ക്ലസ്റ്ററുകൾ സമാന വ്യക്തികളുടെ ഗ്രൂപ്പുകളാണ്, തിരിച്ചറിയാവുന്ന ഓരോ വ്യക്തിക്കും ഒരു ഗ്രൂപ്പ്. യഥാർത്ഥ ഗ്രൂപ്പുകളിലെ ജോലിയുടെ ഗുണനിലവാരം ഞങ്ങൾ പരിശോധിച്ചു (ശരി).

തീർച്ചയായും, ഏത് മോഡലിലും തിരിച്ചറിയൽ പിശകുകൾ സംഭവിക്കുന്നു. എന്നാൽ അത്തരം സാഹചര്യങ്ങൾ പലപ്പോഴും നിർദ്ദിഷ്ട വ്യവസ്ഥകൾക്കായി ത്രെഷോൾഡുകൾ നന്നായി ക്രമീകരിക്കുന്നതിലൂടെ പരിഹരിക്കപ്പെടുന്നു (എല്ലാ കോൺഫറൻസുകൾക്കും ഞങ്ങൾ ഒരേ പരിധികൾ ഉപയോഗിക്കുന്നു, പക്ഷേ, ഉദാഹരണത്തിന്, ആക്സസ് കൺട്രോൾ സിസ്റ്റങ്ങൾക്ക് ഞങ്ങൾ പരിധികൾ വളരെയധികം വർദ്ധിപ്പിക്കേണ്ടതുണ്ട്, അതിനാൽ തെറ്റായ പോസിറ്റീവുകൾ കുറവാണ്). കോൺഫറൻസ് സന്ദർശകരിൽ ഭൂരിഭാഗവും ഞങ്ങളുടെ വിഷൻ ഫോട്ടോ ബൂത്തുകൾ ശരിയായി തിരിച്ചറിഞ്ഞു. ചിലപ്പോൾ ക്രോപ്പ് ചെയ്ത പ്രിവ്യൂ നോക്കി ആരെങ്കിലും പറയും, "നിങ്ങളുടെ സിസ്റ്റത്തിന് ഒരു തെറ്റ് സംഭവിച്ചു, അത് ഞാനല്ല." തുടർന്ന് ഞങ്ങൾ ഫോട്ടോ പൂർണ്ണമായി തുറന്നു, ഫോട്ടോയിൽ ഈ സന്ദർശകൻ ശരിക്കും ഉണ്ടെന്ന് മനസ്സിലായി, ഞങ്ങൾ അവനെ ഫോട്ടോയെടുക്കുന്നില്ലെന്ന് മാത്രം, പക്ഷേ മറ്റാരോ, ആ വ്യക്തി മങ്ങൽ സോണിൽ പശ്ചാത്തലത്തിലായിരുന്നു. മാത്രമല്ല, മുഖത്തിന്റെ ഒരു ഭാഗം ദൃശ്യമാകാതിരിക്കുമ്പോഴോ വ്യക്തി പ്രൊഫൈലിൽ നിൽക്കുമ്പോഴോ പകുതി തിരിഞ്ഞിരിക്കുമ്പോഴോ പോലും ന്യൂറൽ നെറ്റ്‌വർക്ക് പലപ്പോഴും ശരിയായി തിരിച്ചറിയുന്നു. വൈഡ് ആംഗിൾ ലെൻസ് ഉപയോഗിച്ച് ഷൂട്ട് ചെയ്യുമ്പോൾ മുഖം ഒപ്റ്റിക്കൽ ഡിസ്റ്റോർഷൻ ഏരിയയിലാണെങ്കിലും സിസ്റ്റത്തിന് ഒരാളെ തിരിച്ചറിയാൻ കഴിയും.

1.3 ബുദ്ധിമുട്ടുള്ള സാഹചര്യങ്ങളിൽ പരിശോധനയുടെ ഉദാഹരണങ്ങൾ

ഞങ്ങളുടെ ന്യൂറൽ നെറ്റ്‌വർക്ക് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന്റെ ഉദാഹരണങ്ങൾ ചുവടെയുണ്ട്. ഫോട്ടോകൾ ഇൻപുട്ടിലേക്ക് സമർപ്പിക്കുന്നു, അത് ഒരു വ്യക്തിയുടെ തനതായ ഐഡന്റിഫയർ ആയ PersonID ഉപയോഗിച്ച് അവൾ ലേബൽ ചെയ്യണം. രണ്ടോ അതിലധികമോ ചിത്രങ്ങൾക്ക് ഒരേ ഐഡി ഉണ്ടെങ്കിൽ, മോഡലുകൾ അനുസരിച്ച്, ഈ ഫോട്ടോകൾ ഒരേ വ്യക്തിയെ ചിത്രീകരിക്കുന്നു.

പരിശോധിക്കുമ്പോൾ, ഒരു പ്രത്യേക ഫലം നേടുന്നതിന് നമുക്ക് ക്രമീകരിക്കാൻ കഴിയുന്ന വിവിധ പാരാമീറ്ററുകളിലേക്കും മോഡൽ ത്രെഷോൾഡുകളിലേക്കും ഞങ്ങൾക്ക് ആക്സസ് ഉണ്ടെന്ന് ഞങ്ങൾ ഉടൻ ശ്രദ്ധിക്കാം. സാധാരണ കേസുകളിൽ പരമാവധി കൃത്യതയ്ക്കായി പൊതു API ഒപ്റ്റിമൈസ് ചെയ്തിരിക്കുന്നു.

മുഖത്തെ മുഖം തിരിച്ചറിയുന്ന ഏറ്റവും ലളിതമായ കാര്യത്തിൽ നിന്ന് നമുക്ക് ആരംഭിക്കാം.

ശരി, അത് വളരെ എളുപ്പമായിരുന്നു. നമുക്ക് ചുമതല സങ്കീർണ്ണമാക്കാം, ഒരു താടിയും ഒരു പിടി വർഷങ്ങളും ചേർക്കുക.

ഇതും വളരെ ബുദ്ധിമുട്ടുള്ള കാര്യമല്ലെന്ന് ചിലർ പറയും, കാരണം രണ്ട് സാഹചര്യങ്ങളിലും മുഖം മുഴുവൻ ദൃശ്യമാണ്, കൂടാതെ മുഖത്തെക്കുറിച്ചുള്ള ധാരാളം വിവരങ്ങൾ അൽഗോരിതത്തിന് ലഭ്യമാണ്. ശരി, നമുക്ക് ടോം ഹാർഡിയെ പ്രൊഫൈലാക്കി മാറ്റാം. ഈ പ്രശ്നം കൂടുതൽ സങ്കീർണ്ണമാണ്, കുറഞ്ഞ പിശക് നിരക്ക് നിലനിർത്തിക്കൊണ്ട് ഇത് വിജയകരമായി പരിഹരിക്കാൻ ഞങ്ങൾ വളരെയധികം പരിശ്രമിച്ചു: ഞങ്ങൾ ഒരു പരിശീലന സെറ്റ് തിരഞ്ഞെടുത്തു, ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ ആർക്കിടെക്ചറിലൂടെ ചിന്തിച്ചു, നഷ്ടത്തിന്റെ പ്രവർത്തനങ്ങൾ മെച്ചപ്പെടുത്തി, പ്രീ-പ്രോസസ്സിംഗ് മെച്ചപ്പെടുത്തി. ഫോട്ടോഗ്രാഫുകളുടെ.

നമുക്ക് അദ്ദേഹത്തിന് ഒരു ശിരോവസ്ത്രം ധരിക്കാം:

വഴിയിൽ, ഇത് പ്രത്യേകിച്ച് ബുദ്ധിമുട്ടുള്ള ഒരു സാഹചര്യത്തിന്റെ ഒരു ഉദാഹരണമാണ്, കാരണം മുഖം വളരെയധികം മറഞ്ഞിരിക്കുന്നു, കൂടാതെ ചുവടെയുള്ള ഫോട്ടോയിൽ കണ്ണുകൾ മറയ്ക്കുന്ന ആഴത്തിലുള്ള നിഴലും ഉണ്ട്. യഥാർത്ഥ ജീവിതത്തിൽ, ഇരുണ്ട ഗ്ലാസുകളുടെ സഹായത്തോടെ ആളുകൾ പലപ്പോഴും അവരുടെ രൂപം മാറ്റുന്നു. ടോമിന്റെ കാര്യത്തിലും അങ്ങനെ തന്നെ ചെയ്യാം.

ശരി, നമുക്ക് വ്യത്യസ്ത പ്രായത്തിലുള്ള ഫോട്ടോകൾ എടുക്കാൻ ശ്രമിക്കാം, ഇത്തവണ ഞങ്ങൾ മറ്റൊരു നടനെ പരീക്ഷിക്കും. കൂടുതൽ സങ്കീർണ്ണമായ ഒരു ഉദാഹരണം എടുക്കാം, അവിടെ പ്രായവുമായി ബന്ധപ്പെട്ട മാറ്റങ്ങൾ പ്രത്യേകിച്ചും ഉച്ചരിക്കപ്പെടുന്നു. സാഹചര്യം വിദൂരമല്ല; പാസ്‌പോർട്ടിലെ ഫോട്ടോ ചുമക്കുന്നയാളുടെ മുഖവുമായി താരതമ്യം ചെയ്യേണ്ടിവരുമ്പോൾ ഇത് പലപ്പോഴും സംഭവിക്കാറുണ്ട്. എല്ലാത്തിനുമുപരി, ഉടമയ്ക്ക് 20 വയസ്സുള്ളപ്പോൾ ആദ്യത്തെ ഫോട്ടോ പാസ്‌പോർട്ടിലേക്ക് ചേർക്കുന്നു, കൂടാതെ 45 വയസ്സ് ആകുമ്പോഴേക്കും ഒരു വ്യക്തിക്ക് വളരെയധികം മാറാൻ കഴിയും:

അസാധ്യമായ ദൗത്യങ്ങളിലെ പ്രധാന സ്പെഷ്യലിസ്റ്റ് പ്രായത്തിനനുസരിച്ച് വളരെയധികം മാറിയിട്ടില്ലെന്ന് നിങ്ങൾ കരുതുന്നുണ്ടോ? കുറച്ച് ആളുകൾ പോലും മുകളിലും താഴെയുമുള്ള ഫോട്ടോകൾ സംയോജിപ്പിക്കുമെന്ന് ഞാൻ കരുതുന്നു, വർഷങ്ങളായി ആൺകുട്ടി വളരെയധികം മാറി.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ കാഴ്ചയിൽ പലപ്പോഴും മാറ്റങ്ങൾ നേരിടുന്നു. ഉദാഹരണത്തിന്, ചിലപ്പോൾ സ്ത്രീകൾക്ക് സൗന്ദര്യവർദ്ധക വസ്തുക്കളുടെ സഹായത്തോടെ അവരുടെ ഇമേജ് വളരെയധികം മാറ്റാൻ കഴിയും:

ഇപ്പോൾ നമുക്ക് ടാസ്ക് കൂടുതൽ സങ്കീർണ്ണമാക്കാം: മുഖത്തിന്റെ വിവിധ ഭാഗങ്ങൾ വ്യത്യസ്ത ഫോട്ടോഗ്രാഫുകളിൽ മൂടിയിരിക്കുന്നുവെന്ന് കരുതുക. അത്തരം സന്ദർഭങ്ങളിൽ, അൽഗോരിതം മുഴുവൻ സാമ്പിളുകളും താരതമ്യം ചെയ്യാൻ കഴിയില്ല. എന്നിരുന്നാലും, വിഷൻ ഇതുപോലുള്ള സാഹചര്യങ്ങളെ നന്നായി കൈകാര്യം ചെയ്യുന്നു.

വഴിയിൽ, ഒരു ഫോട്ടോയിൽ ധാരാളം മുഖങ്ങൾ ഉണ്ടാകാം; ഉദാഹരണത്തിന്, ഒരു ഹാളിന്റെ ഒരു പൊതു ഫോട്ടോയിൽ 100-ലധികം ആളുകൾക്ക് ഉൾക്കൊള്ളാൻ കഴിയും. ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് ഇത് ബുദ്ധിമുട്ടുള്ള ഒരു സാഹചര്യമാണ്, കാരണം പല മുഖങ്ങളും വ്യത്യസ്തമായി പ്രകാശിപ്പിക്കാം, ചിലത് ഫോക്കസില്ല. എന്നിരുന്നാലും, മതിയായ റെസല്യൂഷനോടും ഗുണനിലവാരത്തോടും കൂടി (മുഖം മൂടുന്ന ഒരു ചതുരത്തിന് കുറഞ്ഞത് 75 പിക്സലുകൾ) ഫോട്ടോ എടുക്കുകയാണെങ്കിൽ, വിഷന് അത് കണ്ടെത്താനും തിരിച്ചറിയാനും കഴിയും.

നിരീക്ഷണ ക്യാമറകളിൽ നിന്നുള്ള റിപ്പോർട്ടേജ് ഫോട്ടോഗ്രാഫുകളുടെയും ചിത്രങ്ങളുടെയും പ്രത്യേകത, ആളുകൾ പലപ്പോഴും ഫോക്കസ് ഇല്ലാത്തതിനാലോ ആ നിമിഷം നീങ്ങുന്നതിനാലോ മങ്ങിക്കപ്പെടുന്നു എന്നതാണ്:

കൂടാതെ, ലൈറ്റിംഗ് തീവ്രത ഇമേജിൽ നിന്ന് ചിത്രത്തിലേക്ക് വളരെയധികം വ്യത്യാസപ്പെടാം. ഇതും പലപ്പോഴും ഒരു തടസ്സമായി മാറുന്നു; വളരെ ഇരുണ്ടതും വളരെ ഭാരം കുറഞ്ഞതുമായ ഇമേജുകൾ ശരിയായി പ്രോസസ്സ് ചെയ്യുന്നതിന് പല അൽഗോരിതങ്ങൾക്കും വലിയ ബുദ്ധിമുട്ടാണ്, അവ കൃത്യമായി പൊരുത്തപ്പെടുത്തുന്നത് പരാമർശിക്കേണ്ടതില്ല. ഈ ഫലം നേടുന്നതിന് നിങ്ങൾ പരിധികൾ ഒരു പ്രത്യേക രീതിയിൽ ക്രമീകരിക്കേണ്ടതുണ്ടെന്ന് ഞാൻ നിങ്ങളെ ഓർമ്മിപ്പിക്കട്ടെ; ഈ സവിശേഷത ഇതുവരെ പൊതുവായി ലഭ്യമല്ല. എല്ലാ ക്ലയന്റുകൾക്കും ഞങ്ങൾ ഒരേ ന്യൂറൽ നെറ്റ്‌വർക്ക് ഉപയോഗിക്കുന്നു; മിക്ക പ്രായോഗിക ജോലികൾക്കും അനുയോജ്യമായ പരിധികളുണ്ട്.

ഉയർന്ന കൃത്യതയോടെ ഏഷ്യൻ മുഖങ്ങളെ തിരിച്ചറിയുന്ന മോഡലിന്റെ പുതിയ പതിപ്പ് ഞങ്ങൾ അടുത്തിടെ പുറത്തിറക്കി. ഇത് ഒരു വലിയ പ്രശ്നമായിരുന്നു, ഇതിനെ "മെഷീൻ ലേണിംഗ്" (അല്ലെങ്കിൽ "ന്യൂറൽ നെറ്റ്‌വർക്ക്") വംശീയത എന്നും വിളിക്കുന്നു. യൂറോപ്യൻ, അമേരിക്കൻ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ കൊക്കേഷ്യൻ മുഖങ്ങളെ നന്നായി തിരിച്ചറിഞ്ഞു, എന്നാൽ മംഗോളോയിഡ്, നീഗ്രോയിഡ് മുഖങ്ങളിൽ സ്ഥിതി വളരെ മോശമായിരുന്നു. ഒരുപക്ഷേ, ചൈനയിൽ സ്ഥിതി നേരെ വിപരീതമായിരുന്നു. ഒരു പ്രത്യേക രാജ്യത്തെ പ്രബലരായ ആളുകളെ പ്രതിഫലിപ്പിക്കുന്ന പരിശീലന ഡാറ്റാ സെറ്റുകളെക്കുറിച്ചാണ് ഇതെല്ലാം. എന്നിരുന്നാലും, സ്ഥിതി മാറുകയാണ്; ഇന്ന് ഈ പ്രശ്നം അത്ര രൂക്ഷമല്ല. വ്യത്യസ്ത വർഗ്ഗത്തിൽപ്പെട്ടവരുമായി കാഴ്ചയ്ക്ക് ഒരു പ്രശ്നവുമില്ല.

മുഖം തിരിച്ചറിയൽ എന്നത് നമ്മുടെ സാങ്കേതികവിദ്യയുടെ നിരവധി ആപ്ലിക്കേഷനുകളിൽ ഒന്ന് മാത്രമാണ്; എന്തും തിരിച്ചറിയാൻ വിഷൻ പരിശീലിപ്പിക്കാവുന്നതാണ്. ഉദാഹരണത്തിന്, ലൈസൻസ് പ്ലേറ്റുകൾ, അൽഗോരിതങ്ങൾക്ക് ബുദ്ധിമുട്ടുള്ള സാഹചര്യങ്ങളിൽ ഉൾപ്പെടെ: മൂർച്ചയുള്ള കോണുകളിൽ, വൃത്തികെട്ടതും ലൈസൻസ് പ്ലേറ്റുകൾ വായിക്കാൻ പ്രയാസവുമാണ്.

2. പ്രായോഗിക ഉപയോഗ കേസുകൾ

2.1 ഫിസിക്കൽ ആക്‌സസ് നിയന്ത്രണം: രണ്ട് ആളുകൾ ഒരേ പാസ് ഉപയോഗിക്കുമ്പോൾ

വിഷൻ സഹായത്തോടെ, ജീവനക്കാരുടെ വരവും പോക്കും രേഖപ്പെടുത്തുന്നതിനുള്ള സംവിധാനങ്ങൾ നിങ്ങൾക്ക് നടപ്പിലാക്കാൻ കഴിയും. ഇലക്ട്രോണിക് പാസുകളെ അടിസ്ഥാനമാക്കിയുള്ള പരമ്പരാഗത സംവിധാനത്തിന് വ്യക്തമായ പോരായ്മകളുണ്ട്, ഉദാഹരണത്തിന്, ഒരു ബാഡ്ജ് ഉപയോഗിച്ച് നിങ്ങൾക്ക് രണ്ട് ആളുകളെ കടന്നുപോകാൻ കഴിയും. ആക്‌സസ് കൺട്രോൾ സിസ്റ്റം (എസിഎസ്) വിഷനുമായി സപ്ലിമെന്റ് ചെയ്‌തിട്ടുണ്ടെങ്കിൽ, അത് ആരാണ് വന്നത്/ഇടത്, എപ്പോൾ എന്ന് സത്യസന്ധമായി രേഖപ്പെടുത്തും.

2.2 സമയം ട്രാക്കിംഗ്

ഈ വിഷൻ ഉപയോഗ കേസ് മുമ്പത്തേതുമായി അടുത്ത ബന്ധമുള്ളതാണ്. ഞങ്ങളുടെ ഫേഷ്യൽ റെക്കഗ്നിഷൻ സേവനവുമായി നിങ്ങൾ ആക്‌സസ് സിസ്റ്റം അനുബന്ധമായി നൽകിയാൽ, ആക്‌സസ് കൺട്രോൾ ലംഘനങ്ങൾ കണ്ടെത്തുന്നതിന് മാത്രമല്ല, കെട്ടിടത്തിലോ സൗകര്യത്തിലോ ഉള്ള ജീവനക്കാരുടെ യഥാർത്ഥ സാന്നിധ്യം രജിസ്റ്റർ ചെയ്യാനും ഇതിന് കഴിയും. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, തന്റെ സഹപ്രവർത്തകർ തന്റെ മേലുദ്യോഗസ്ഥരുടെ മുന്നിൽ അവനുവേണ്ടി കവർ ചെയ്താലും, ആരാണ് ജോലിക്ക് വന്നത്, ഏത് സമയത്ത് പോയി, ആരാണ് ജോലി ഒഴിവാക്കിയത് എന്നിവ സത്യസന്ധമായി കണക്കിലെടുക്കാൻ വിഷൻ നിങ്ങളെ സഹായിക്കും.

2.3 വീഡിയോ അനലിറ്റിക്‌സ്: പീപ്പിൾ ട്രാക്കിംഗും സുരക്ഷയും

വിഷൻ ഉപയോഗിച്ച് ആളുകളെ ട്രാക്ക് ചെയ്യുന്നതിലൂടെ, ഷോപ്പിംഗ് ഏരിയകൾ, ട്രെയിൻ സ്റ്റേഷനുകൾ, വഴികൾ, തെരുവുകൾ, മറ്റ് പൊതു സ്ഥലങ്ങൾ എന്നിവയുടെ യഥാർത്ഥ ട്രാഫിക് നിങ്ങൾക്ക് കൃത്യമായി വിലയിരുത്താനാകും. ഒരു വെയർഹൗസിലേക്കോ മറ്റ് പ്രധാനപ്പെട്ട ഓഫീസ് പരിസരങ്ങളിലേക്കോ ഉള്ള ആക്സസ് നിയന്ത്രിക്കുന്നതിനും ഞങ്ങളുടെ ട്രാക്കിംഗ് വലിയ സഹായകമാകും. തീർച്ചയായും, ആളുകളെയും മുഖങ്ങളെയും ട്രാക്ക് ചെയ്യുന്നത് സുരക്ഷാ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ സഹായിക്കുന്നു. നിങ്ങളുടെ കടയിൽ നിന്ന് ആരെങ്കിലും മോഷ്ടിക്കുന്നത് പിടിക്കപ്പെട്ടോ? നിങ്ങളുടെ വീഡിയോ അനലിറ്റിക്‌സ് സോഫ്‌റ്റ്‌വെയറിന്റെ ബ്ലാക്ക്‌ലിസ്റ്റിലേക്ക് വിഷൻ തിരികെ നൽകിയ അവന്റെ പേഴ്‌സൺഐഡി ചേർക്കുക, അടുത്ത തവണ ഈ തരം വീണ്ടും ദൃശ്യമാകുകയാണെങ്കിൽ സിസ്റ്റം ഉടൻ തന്നെ സുരക്ഷയെ അറിയിക്കും.

2.4 വ്യാപാരത്തിൽ

റീട്ടെയിൽ, വിവിധ സേവന ബിസിനസുകൾ ക്യൂ തിരിച്ചറിയുന്നതിൽ താൽപ്പര്യം പ്രകടിപ്പിക്കുന്നു. വിഷൻ സഹായത്തോടെ, ഇത് ആളുകളുടെ ക്രമരഹിതമായ ജനക്കൂട്ടമല്ല, മറിച്ച് ഒരു ക്യൂ ആണെന്ന് നിങ്ങൾക്ക് തിരിച്ചറിയാനും അതിന്റെ ദൈർഘ്യം നിർണ്ണയിക്കാനും കഴിയും. തുടർന്ന് സിസ്റ്റം ചുമതലയുള്ളവരെ ഒരു ക്യൂവിനെക്കുറിച്ച് അറിയിക്കുന്നു, അതുവഴി അവർക്ക് സാഹചര്യം മനസിലാക്കാൻ കഴിയും: ഒന്നുകിൽ സന്ദർശകരുടെ ഒരു കുത്തൊഴുക്ക് ഉണ്ട്, കൂടാതെ അധിക തൊഴിലാളികളെ വിളിക്കേണ്ടതുണ്ട്, അല്ലെങ്കിൽ ആരെങ്കിലും അവരുടെ ജോലിയുടെ ചുമതലകളിൽ അലംഭാവം കാണിക്കുന്നു.

ഹാളിലെ കമ്പനി ജീവനക്കാരെ സന്ദർശകരിൽ നിന്ന് വേർതിരിക്കുക എന്നതാണ് മറ്റൊരു രസകരമായ ജോലി. സാധാരണഗതിയിൽ, ചില വസ്ത്രങ്ങൾ (ഡ്രസ് കോഡ്) അല്ലെങ്കിൽ ചില പ്രത്യേക സവിശേഷതകൾ (ബ്രാൻഡഡ് സ്കാർഫ്, നെഞ്ചിലെ ബാഡ്ജ് മുതലായവ) ധരിക്കുന്ന വസ്തുക്കളെ വേർതിരിക്കാൻ സിസ്റ്റം പരിശീലിപ്പിക്കപ്പെടുന്നു. ഹാജർ കൂടുതൽ കൃത്യമായി വിലയിരുത്താൻ ഇത് സഹായിക്കുന്നു (അതിനാൽ ജീവനക്കാർ ഹാളിലുള്ള ആളുകളുടെ സ്ഥിതിവിവരക്കണക്കുകൾ അവരുടെ സാന്നിധ്യത്താൽ "പെരുപ്പിക്കരുത്").

മുഖം തിരിച്ചറിയൽ ഉപയോഗിച്ച്, നിങ്ങളുടെ പ്രേക്ഷകരെ നിങ്ങൾക്ക് വിലയിരുത്താനും കഴിയും: സന്ദർശകരുടെ വിശ്വസ്തത എന്താണ്, അതായത്, നിങ്ങളുടെ സ്ഥാപനത്തിലേക്ക് എത്ര ആളുകൾ മടങ്ങിവരുന്നു, ഏത് ആവൃത്തിയിലാണ്. പ്രതിമാസം എത്ര അദ്വിതീയ സന്ദർശകർ നിങ്ങളുടെ അടുക്കൽ വരുന്നുവെന്ന് കണക്കാക്കുക. ആകർഷണത്തിന്റെയും നിലനിർത്തലിന്റെയും ചെലവുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന്, ആഴ്‌ചയിലെ ദിവസവും ദിവസത്തിന്റെ സമയവും പോലും അനുസരിച്ച് ട്രാഫിക്കിലെ മാറ്റം നിങ്ങൾക്ക് കണ്ടെത്താനാകും.

വിവിധ റീട്ടെയിൽ ഔട്ട്‌ലെറ്റുകളുടെ ബ്രാൻഡിംഗിന്റെ ഗുണനിലവാരത്തിന്റെ ഫോട്ടോഗ്രാഫുകളെ അടിസ്ഥാനമാക്കി ഫ്രാഞ്ചൈസർമാർക്കും ചെയിൻ കമ്പനികൾക്കും ഒരു വിലയിരുത്തൽ ഓർഡർ ചെയ്യാൻ കഴിയും: ലോഗോകളുടെ സാന്നിധ്യം, അടയാളങ്ങൾ, പോസ്റ്ററുകൾ, ബാനറുകൾ മുതലായവ.

2.5 ഗതാഗതം വഴി

വീഡിയോ അനലിറ്റിക്‌സ് ഉപയോഗിച്ച് സുരക്ഷ ഉറപ്പാക്കുന്നതിനുള്ള മറ്റൊരു ഉദാഹരണം വിമാനത്താവളങ്ങളിലോ ട്രെയിൻ സ്റ്റേഷനുകളിലോ ഉപേക്ഷിക്കപ്പെട്ട വസ്തുക്കൾ തിരിച്ചറിയുക എന്നതാണ്. നൂറുകണക്കിന് ക്ലാസുകളിലെ വസ്തുക്കൾ തിരിച്ചറിയാൻ വിഷൻ പരിശീലിപ്പിക്കാൻ കഴിയും: ഫർണിച്ചറുകൾ, ബാഗുകൾ, സ്യൂട്ട്കേസുകൾ, കുടകൾ, വിവിധതരം വസ്ത്രങ്ങൾ, കുപ്പികൾ മുതലായവ. നിങ്ങളുടെ വീഡിയോ അനലിറ്റിക്‌സ് സിസ്റ്റം ഉടമയില്ലാത്ത ഒബ്‌ജക്‌റ്റ് കണ്ടെത്തുകയും വിഷൻ ഉപയോഗിച്ച് അത് തിരിച്ചറിയുകയും ചെയ്‌താൽ, അത് സുരക്ഷാ സേവനത്തിലേക്ക് ഒരു സിഗ്നൽ അയയ്‌ക്കുന്നു. പൊതു സ്ഥലങ്ങളിലെ അസാധാരണ സാഹചര്യങ്ങൾ സ്വയമേവ കണ്ടെത്തുന്നതുമായി സമാനമായ ഒരു ജോലി ബന്ധപ്പെട്ടിരിക്കുന്നു: ഒരാൾക്ക് അസുഖം തോന്നുന്നു, അല്ലെങ്കിൽ ആരെങ്കിലും തെറ്റായ സ്ഥലത്ത് പുകവലിക്കുന്നു, അല്ലെങ്കിൽ ഒരു വ്യക്തി റെയിലിൽ വീഴുന്നു, അങ്ങനെ പലതും - ഈ പാറ്റേണുകളെല്ലാം വീഡിയോ അനലിറ്റിക്സ് സിസ്റ്റങ്ങൾക്ക് തിരിച്ചറിയാൻ കഴിയും. വിഷൻ API വഴി.

2.6 ഡോക്യുമെന്റ് ഫ്ലോ

ഞങ്ങൾ നിലവിൽ വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്ന വിഷന്റെ മറ്റൊരു രസകരമായ ഭാവി ആപ്ലിക്കേഷൻ ഡോക്യുമെന്റ് റെക്കഗ്നിഷനും ഡാറ്റാബേസുകളിലേക്ക് അവയുടെ സ്വയമേവ പാഴ്‌സിംഗും ആണ്. അനന്തമായ സീരീസ്, നമ്പറുകൾ, ഇഷ്യൂ ചെയ്ത തീയതികൾ, അക്കൗണ്ട് നമ്പറുകൾ, ബാങ്ക് വിശദാംശങ്ങൾ, തീയതികൾ, ജനന സ്ഥലങ്ങൾ എന്നിവയും മറ്റ് ഔപചാരിക ഡാറ്റയും സ്വമേധയാ നൽകുന്നതിന് (അല്ലെങ്കിൽ മോശമായത്, നൽകുക) പകരം, നിങ്ങൾക്ക് ഡോക്യുമെന്റുകൾ സ്കാൻ ചെയ്യാനും സുരക്ഷിതമായ ചാനലിലൂടെ അവ സ്വയമേവ അയയ്ക്കാനും കഴിയും ക്ലൗഡിലേക്കുള്ള API, അവിടെ സിസ്റ്റം ഈ ഡോക്യുമെന്റുകൾ ഫ്ലൈയിൽ തിരിച്ചറിയുകയും അവ പാഴ്‌സ് ചെയ്യുകയും ഡാറ്റാബേസിലേക്ക് സ്വയമേവ പ്രവേശിക്കുന്നതിന് ആവശ്യമായ ഫോർമാറ്റിൽ ഡാറ്റ സഹിതം ഒരു പ്രതികരണം നൽകുകയും ചെയ്യും. പാസ്‌പോർട്ടുകൾ, SNILS, TIN, ജനന സർട്ടിഫിക്കറ്റുകൾ, വിവാഹ സർട്ടിഫിക്കറ്റുകൾ എന്നിവയും മറ്റുള്ളവയും തമ്മിൽ വേർതിരിച്ചറിയാൻ - ഇന്ന് വിഷന് പ്രമാണങ്ങൾ (PDF ഉൾപ്പെടെ) എങ്ങനെ തരംതിരിക്കാം എന്ന് ഇതിനകം അറിയാം.

തീർച്ചയായും, ഈ സാഹചര്യങ്ങളെല്ലാം കൈകാര്യം ചെയ്യാൻ ന്യൂറൽ നെറ്റ്‌വർക്കിന് കഴിയില്ല. ഓരോ സാഹചര്യത്തിലും, ഒരു നിർദ്ദിഷ്ട ഉപഭോക്താവിനായി ഒരു പുതിയ മോഡൽ നിർമ്മിക്കപ്പെടുന്നു, നിരവധി ഘടകങ്ങളും സൂക്ഷ്മതകളും ആവശ്യകതകളും കണക്കിലെടുക്കുന്നു, ഡാറ്റ സെറ്റുകൾ തിരഞ്ഞെടുത്തു, പരിശീലനം, പരിശോധന, കോൺഫിഗറേഷൻ എന്നിവയുടെ ആവർത്തനങ്ങൾ നടത്തുന്നു.

3. API പ്രവർത്തന പദ്ധതി

ഉപയോക്താക്കൾക്കുള്ള വിഷന്റെ "പ്രവേശന ഗേറ്റ്" REST API ആണ്. നെറ്റ്‌വർക്ക് ക്യാമറകളിൽ നിന്ന് (RTSP സ്ട്രീമുകൾ) ഫോട്ടോകളും വീഡിയോ ഫയലുകളും പ്രക്ഷേപണങ്ങളും ഇതിന് ഇൻപുട്ടായി സ്വീകരിക്കാനാകും.

വിഷൻ ഉപയോഗിക്കുന്നതിന്, നിങ്ങൾക്ക് ആവശ്യമാണ് സൈൻ അപ്പ് Mail.ru ക്ലൗഡ് സൊല്യൂഷൻസ് സേവനത്തിൽ ആക്സസ് ടോക്കണുകൾ സ്വീകരിക്കുക (client_id + client_secret). OAuth പ്രോട്ടോക്കോൾ ഉപയോഗിച്ചാണ് ഉപയോക്തൃ പ്രാമാണീകരണം നടത്തുന്നത്. POST അഭ്യർത്ഥനകളുടെ ബോഡികളിലെ ഉറവിട ഡാറ്റ API-ലേക്ക് അയയ്ക്കുന്നു. പ്രതികരണമായി, ക്ലയന്റ് API-ൽ നിന്ന് JSON ഫോർമാറ്റിൽ ഒരു തിരിച്ചറിയൽ ഫലം സ്വീകരിക്കുന്നു, പ്രതികരണം ഘടനാപരമായതാണ്: അതിൽ കണ്ടെത്തിയ ഒബ്‌ജക്റ്റുകളെക്കുറിച്ചും അവയുടെ കോർഡിനേറ്റുകളെക്കുറിച്ചും ഉള്ള വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നു.

സാമ്പിൾ ഉത്തരം

{
   "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
}

ഉത്തരത്തിൽ രസകരമായ ഒരു പാരാമീറ്റർ ആകർഷണീയത അടങ്ങിയിരിക്കുന്നു - ഇത് ഒരു ഫോട്ടോയിലെ ഒരു മുഖത്തിന്റെ സോപാധികമായ "തണുപ്പ്" ആണ്, അതിന്റെ സഹായത്തോടെ ഞങ്ങൾ ക്രമത്തിൽ നിന്ന് ഒരു മുഖത്തിന്റെ മികച്ച ഷോട്ട് തിരഞ്ഞെടുക്കുന്നു. സോഷ്യൽ നെറ്റ്‌വർക്കുകളിൽ ഒരു ഫോട്ടോ ലൈക്ക് ചെയ്യപ്പെടാനുള്ള സാധ്യത പ്രവചിക്കാൻ ഞങ്ങൾ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലിപ്പിച്ചു. ഫോട്ടോയുടെ ഗുണമേന്മയും കൂടുതൽ പുഞ്ചിരിക്കുന്ന മുഖവും, ആകർഷണീയത വർദ്ധിപ്പിക്കും.

API വിഷൻ സ്പേസ് എന്ന ആശയം ഉപയോഗിക്കുന്നു. വ്യത്യസ്ത മുഖങ്ങൾ സൃഷ്ടിക്കുന്നതിനുള്ള ഒരു ഉപകരണമാണിത്. ബ്ലാക്ക് ആൻഡ് വൈറ്റ് ലിസ്‌റ്റുകൾ, സന്ദർശകർ, ജീവനക്കാർ, ക്ലയന്റുകൾ തുടങ്ങിയവയുടെ ലിസ്‌റ്റുകൾ, വിഷനിലെ ഓരോ ടോക്കണിനും, നിങ്ങൾക്ക് 10 സ്‌പെയ്‌സുകൾ വരെ സൃഷ്‌ടിക്കാം, ഓരോ സ്‌പെയ്‌സിനും 50 പേഴ്‌സൺഐഡികൾ വരെ ഉണ്ടായിരിക്കാം, അതായത് 500 വരെ സ്‌പെയ്‌സുകളുടെ ഉദാഹരണങ്ങളാണ്. ഓരോ ടോക്കൺ മാത്രമല്ല, ഓരോ അക്കൗണ്ടിനും ടോക്കണുകളുടെ എണ്ണം പരിമിതമല്ല.

ഇന്ന് API ഇനിപ്പറയുന്ന കണ്ടെത്തലും തിരിച്ചറിയൽ രീതികളും പിന്തുണയ്ക്കുന്നു:

• തിരിച്ചറിയുക/സജ്ജീകരിക്കുക - മുഖങ്ങൾ കണ്ടെത്തലും തിരിച്ചറിയലും. ഓരോ അദ്വിതീയ വ്യക്തിക്കും സ്വയമേവ ഒരു വ്യക്തി ഐഡി നൽകുന്നു, കണ്ടെത്തിയ വ്യക്തികളുടെ വ്യക്തി ഐഡിയും കോർഡിനേറ്റുകളും തിരികെ നൽകുന്നു.
• ഇല്ലാതാക്കുക - വ്യക്തി ഡാറ്റാബേസിൽ നിന്ന് ഒരു നിർദ്ദിഷ്ട വ്യക്തി ഐഡി ഇല്ലാതാക്കുന്നു.
• വെട്ടിച്ചുരുക്കുക - PersonID-ൽ നിന്ന് മുഴുവൻ സ്ഥലവും മായ്‌ക്കുന്നു, ഇത് ഒരു ടെസ്റ്റ് സ്‌പെയ്‌സായി ഉപയോഗിച്ചിരുന്നെങ്കിൽ ഉപയോഗപ്രദമാണ്, കൂടാതെ നിങ്ങൾ ഉൽപ്പാദനത്തിനായി ഡാറ്റാബേസ് പുനഃസജ്ജമാക്കേണ്ടതുണ്ട്.
• കണ്ടെത്തൽ - ഒബ്‌ജക്‌റ്റുകൾ, സീനുകൾ, ലൈസൻസ് പ്ലേറ്റുകൾ, ലാൻഡ്‌മാർക്കുകൾ, ക്യൂകൾ മുതലായവ കണ്ടെത്തൽ. കണ്ടെത്തിയ ഒബ്‌ജക്റ്റുകളുടെയും അവയുടെ കോർഡിനേറ്റുകളുടെയും ക്ലാസുകൾ നൽകുന്നു
• ഡോക്യുമെന്റുകൾക്കായി കണ്ടെത്തുക - റഷ്യൻ ഫെഡറേഷന്റെ പ്രത്യേക തരം പ്രമാണങ്ങൾ കണ്ടെത്തുന്നു (പാസ്പോർട്ട്, എസ്എൻഐഎൽഎസ്, ടാക്സ് ഐഡന്റിഫിക്കേഷൻ നമ്പർ മുതലായവ വേർതിരിക്കുന്നു).

OCR-നുള്ള രീതികൾ, ലിംഗഭേദം, പ്രായം, വികാരങ്ങൾ എന്നിവ നിർണ്ണയിക്കുക, അതുപോലെ തന്നെ വ്യാപാര പ്രശ്‌നങ്ങൾ പരിഹരിക്കുക, അതായത്, സ്റ്റോറുകളിലെ സാധനങ്ങളുടെ പ്രദർശനം സ്വയമേവ നിയന്ത്രിക്കുന്നതിനുള്ള പ്രവർത്തനങ്ങൾ ഞങ്ങൾ ഉടൻ പൂർത്തിയാക്കും. നിങ്ങൾക്ക് പൂർണ്ണമായ API ഡോക്യുമെന്റേഷൻ ഇവിടെ കണ്ടെത്താം: https://mcs.mail.ru/help/vision-api

4. ഉപസംഹാരം

ഇപ്പോൾ, പൊതു API വഴി, നിങ്ങൾക്ക് ഫോട്ടോകളിലും വീഡിയോകളിലും മുഖം തിരിച്ചറിയൽ ആക്സസ് ചെയ്യാൻ കഴിയും; വിവിധ വസ്തുക്കളുടെയും ലൈസൻസ് പ്ലേറ്റുകളുടെയും ലാൻഡ്‌മാർക്കുകളുടെയും ഡോക്യുമെന്റുകളുടെയും മുഴുവൻ ദൃശ്യങ്ങളുടെയും തിരിച്ചറിയൽ പിന്തുണയ്ക്കുന്നു. ആപ്ലിക്കേഷൻ സാഹചര്യങ്ങൾ - കടൽ. വരൂ, ഞങ്ങളുടെ സേവനം പരീക്ഷിക്കുക, ഏറ്റവും തന്ത്രപ്രധാനമായ ജോലികൾ സജ്ജമാക്കുക. ആദ്യത്തെ 5000 ഇടപാടുകൾ സൗജന്യമാണ്. ഒരുപക്ഷേ അത് നിങ്ങളുടെ പ്രോജക്റ്റുകൾക്കായുള്ള "കാണാതായ ചേരുവ" ആയിരിക്കും.

രജിസ്ട്രേഷനും കണക്ഷനും നിങ്ങൾക്ക് തൽക്ഷണം API ആക്സസ് ചെയ്യാൻ കഴിയും. കാഴ്ച. എല്ലാ ഹബ്ര ഉപയോക്താക്കൾക്കും അധിക ഇടപാടുകൾക്കായി ഒരു പ്രൊമോഷണൽ കോഡ് ലഭിക്കും. നിങ്ങളുടെ അക്കൗണ്ട് രജിസ്റ്റർ ചെയ്യാൻ നിങ്ങൾ ഉപയോഗിച്ച ഇമെയിൽ വിലാസം ദയവായി എനിക്ക് എഴുതുക!

അവലംബം: www.habr.com