मशीन लर्निंग पद्धती वापरून व्हिडिओ प्रवाहात टाक्यांची ओळख (एल्ब्रस आणि बैकल प्लॅटफॉर्मवरील +2 व्हिडिओ)

आमच्‍या क्रियाकलापांमध्‍ये, आम्‍हाला दररोज विकासाचे प्राधान्यक्रम ठरवण्‍याच्‍या समस्‍येचा सामना करावा लागतो. आयटी उद्योगाच्या विकासाची उच्च गतिमानता, नवीन तंत्रज्ञानासाठी व्यवसाय आणि सरकारकडून सतत वाढणारी मागणी लक्षात घेऊन, प्रत्येक वेळी आम्ही विकासाचा वेक्टर ठरवतो आणि आमच्या कंपनीच्या वैज्ञानिक क्षमतेमध्ये आमचे स्वतःचे सैन्य आणि निधी गुंतवतो, तेव्हा आम्ही खात्री करतो की आमचे सर्व संशोधन आणि प्रकल्प मूलभूत आणि अंतःविषय स्वरूपाचे आहेत.

म्हणून, आमचे मुख्य तंत्रज्ञान विकसित करून - HIEROGLYPH डेटा ओळख फ्रेमवर्क, आम्ही दस्तऐवज ओळख (आमची मुख्य व्यवसाय लाइन) गुणवत्ता सुधारणे आणि संबंधित ओळख समस्या सोडवण्यासाठी तंत्रज्ञान वापरण्याची शक्यता या दोन्हींबद्दल चिंतित आहोत. आजच्या लेखात आम्ही तुम्हाला सांगू की, आमच्या ओळख इंजिनच्या (कागदपत्रांच्या) आधारावर, आम्ही व्हिडिओ प्रवाहात मोठ्या, धोरणात्मकदृष्ट्या महत्त्वाच्या वस्तूंची ओळख कशी केली.

समस्येची निर्मिती

विद्यमान घडामोडींचा वापर करून, एक टाकी ओळख प्रणाली तयार करा ज्यामुळे एखाद्या वस्तूचे वर्गीकरण करणे शक्य होते, तसेच विशेष उपकरणे न वापरता खराब नियंत्रित परिस्थितीत मूलभूत भौमितीय निर्देशक (भिमुखता आणि अंतर) निर्धारित करणे शक्य होते.

निर्णय

आम्ही समस्या सोडवण्यासाठी मुख्य अल्गोरिदम म्हणून सांख्यिकीय मशीन लर्निंग दृष्टिकोन निवडला. परंतु मशीन लर्निंगच्या मुख्य समस्यांपैकी एक म्हणजे पुरेशा प्रमाणात प्रशिक्षण डेटा असणे आवश्यक आहे. साहजिकच, आपल्याला आवश्यक असलेल्या वस्तू असलेल्या वास्तविक दृश्यांमधून प्राप्त नैसर्गिक प्रतिमा आपल्यासाठी उपलब्ध नाहीत. त्यामुळे सुदैवाने प्रशिक्षणासाठी आवश्यक डेटा व्युत्पन्न करण्याचा निर्णय घेण्यात आला आम्हाला या ठिकाणी खूप अनुभव आहे. आणि तरीही, या कार्यासाठी डेटा पूर्णपणे संश्लेषित करणे आम्हाला अनैसर्गिक वाटले, म्हणून वास्तविक दृश्यांचे अनुकरण करण्यासाठी एक विशेष मांडणी तयार केली गेली. मॉडेलमध्ये विविध वस्तू आहेत ज्या ग्रामीण भागाचे अनुकरण करतात: वैशिष्ट्यपूर्ण लँडस्केप आच्छादन, झुडुपे, झाडे, कुंपण इ. छोट्या स्वरूपातील डिजिटल कॅमेरा वापरून प्रतिमा कॅप्चर केल्या गेल्या. इमेज कॅप्चर प्रक्रियेदरम्यान, पार्श्वभूमी बदलांसाठी अल्गोरिदम अधिक मजबूत करण्यासाठी दृश्याची पार्श्वभूमी लक्षणीयरीत्या बदलली.

लक्ष्य वस्तू लढाऊ टाक्यांची 4 मॉडेल्स होती: T-90 (रशिया), M1A2 अब्राम्स (यूएसए), T-14 (रशिया), मेरकावा तिसरा (इस्रायल). ऑब्जेक्ट्स बहुभुजाच्या वेगवेगळ्या स्थानांवर स्थित होते, ज्यामुळे ऑब्जेक्टच्या स्वीकार्य दृश्यमान कोनांची सूची विस्तृत होते. अभियांत्रिकी अडथळे, झाडे, झुडुपे आणि इतर लँडस्केप घटकांनी महत्त्वपूर्ण भूमिका बजावली.

अशा प्रकारे, काही दिवसात आम्ही प्रशिक्षण आणि त्यानंतरच्या अल्गोरिदमच्या गुणवत्तेचे मूल्यांकन करण्यासाठी पुरेसा संच गोळा केला (अनेक हजारो प्रतिमा).

त्यांनी ओळख स्वतःच दोन भागांमध्ये विभाजित करण्याचा निर्णय घेतला: ऑब्जेक्ट स्थानिकीकरण आणि ऑब्जेक्ट वर्गीकरण. प्रशिक्षित व्हायोला आणि जोन्स क्लासिफायर वापरून स्थानिकीकरण केले गेले (शेवटी, टाकी ही एक सामान्य कठोर वस्तू आहे, चेहऱ्यापेक्षा वाईट नाही, म्हणून व्हायोला आणि जोन्सची "तपशील-अंध" पद्धत लक्ष्य ऑब्जेक्टचे त्वरीत स्थानिकीकरण करते). परंतु आम्ही कोनचे वर्गीकरण आणि निर्धार हे कन्व्होल्युशनल न्यूरल नेटवर्कवर सोपवले आहे - या कार्यात आमच्यासाठी हे महत्वाचे आहे की डिटेक्टरने ती वैशिष्ट्ये यशस्वीरित्या ओळखली आहेत जी T-90 ला मर्कावापासून वेगळे करतात. परिणामी, अल्गोरिदमची एक प्रभावी रचना तयार करणे शक्य झाले जे स्थानिकीकरण आणि समान प्रकारच्या वस्तूंचे वर्गीकरण यशस्वीरित्या सोडवते.

पुढे, आम्ही आमच्या सर्व विद्यमान प्लॅटफॉर्मवर (Intel, ARM, Elbrus, Baikal, KOMDIV) परिणामी प्रोग्राम लाँच केला, कार्यक्षमता वाढवण्यासाठी संगणकीयदृष्ट्या कठीण अल्गोरिदम ऑप्टिमाइझ केले (आम्ही आमच्या लेखांमध्ये याबद्दल आधीच अनेक वेळा लिहिले आहे, उदाहरणार्थ येथे https://habr.com/ru/company/smartengines/blog/438948/ किंवा https://habr.com/ru/company/smartengines/blog/351134/) आणि रिअल टाइममध्ये डिव्हाइसवर प्रोग्रामचे स्थिर ऑपरेशन साध्य केले.

वर्णन केलेल्या सर्व क्रियांच्या परिणामी, आम्ही महत्त्वपूर्ण रणनीतिक आणि तांत्रिक वैशिष्ट्यांसह एक पूर्ण विकसित सॉफ्टवेअर उत्पादन प्राप्त केले आहे.

स्मार्ट टँक रीडर

म्हणून, आम्ही तुम्हाला आमचा नवीन विकास सादर करतो - व्हिडिओ प्रवाहात टाक्यांच्या प्रतिमा ओळखण्यासाठी एक कार्यक्रम स्मार्ट टँक रीडर, जे:

• रिअल टाइममध्ये दिलेल्या ऑब्जेक्ट्ससाठी "मित्र किंवा शत्रू" समस्या सोडवते;
• भौमितिक पॅरामीटर्स (ऑब्जेक्टचे अंतर, ऑब्जेक्टचे प्राधान्य दिलेले अभिमुखता) निर्धारित करते;
• अनियंत्रित हवामानाच्या परिस्थितीत तसेच परदेशी वस्तूंद्वारे ऑब्जेक्टच्या आंशिक अवरोधित करण्याच्या बाबतीत कार्य करते;
• रेडिओ संप्रेषणाच्या अनुपस्थितीसह लक्ष्य डिव्हाइसवर पूर्णपणे स्वायत्त ऑपरेशन;
• समर्थित प्रोसेसर आर्किटेक्चर्सची यादी: एल्ब्रस, बैकल, कोमडिव्ह, तसेच x86, x86_64, ARM;
• समर्थित ऑपरेटिंग सिस्टमची यादी: Elbrus OS, AstraLinux OS, Atlix OS, तसेच MS Windows, macOS, gcc 4.8, Android, iOS चे समर्थन करणारे विविध Linux वितरण;
• पूर्णपणे देशांतर्गत विकास.

सामान्यतः, Habré वरील आमच्या लेखांच्या शेवटी, आम्ही मार्केटप्लेसची एक लिंक प्रदान करतो, जिथे कोणीही त्यांचा मोबाइल फोन वापरून तंत्रज्ञानाच्या कार्यक्षमतेचे वास्तविक मूल्यमापन करण्यासाठी अनुप्रयोगाची डेमो आवृत्ती डाउनलोड करू शकतो. यावेळी, परिणामी ऍप्लिकेशनची वैशिष्ट्ये लक्षात घेऊन, आम्ही इच्छितो की आमच्या सर्व वाचकांना त्यांच्या आयुष्यात टँक एखाद्या विशिष्ट बाजूची आहे की नाही हे त्वरीत ठरवण्याच्या समस्येचा सामना करावा लागू नये.

स्त्रोत: www.habr.com