हाम्रो भविष्यको कम्प्युटर भिजन प्रणालीका लागि प्रविधिहरू र मोडेलहरू क्रमशः र हाम्रो कम्पनीका विभिन्न परियोजनाहरूमा - मेल, क्लाउड, खोजमा सिर्जना र सुधार गरियो। तिनीहरू राम्रो चीज वा कोग्नाक जस्तै परिपक्व भए। एक दिन हामीले महसुस गर्यौं कि हाम्रो तंत्रिका नेटवर्कहरूले पहिचानमा उत्कृष्ट परिणामहरू देखाउँछन्, र हामीले तिनीहरूलाई एकल b2b उत्पादनमा संयोजन गर्ने निर्णय गर्यौं - Vision - जुन हामी अहिले आफैं प्रयोग गर्छौं र तपाईंलाई प्रयोग गर्न प्रस्ताव गर्छौं।

आज, Mail.Ru Cloud Solutions प्लेटफर्ममा हाम्रो कम्प्युटर भिजन टेक्नोलोजी सफलतापूर्वक काम गर्दैछ र धेरै जटिल व्यावहारिक समस्याहरू समाधान गर्दैछ। यो धेरै न्यूरल नेटवर्कहरूमा आधारित छ जुन हाम्रो डेटा सेटहरूमा प्रशिक्षित छन् र लागू गरिएका समस्याहरू समाधान गर्न विशेषज्ञ छन्। सबै सेवाहरू हाम्रो सर्भर सुविधाहरूमा चल्छन्। तपाईं सार्वजनिक भिजन API लाई आफ्नो अनुप्रयोगहरूमा एकीकृत गर्न सक्नुहुन्छ, जसको माध्यमबाट सेवाका सबै क्षमताहरू उपलब्ध छन्। API छिटो छ - सर्भर GPUs को लागी धन्यवाद, हाम्रो नेटवर्क भित्र औसत प्रतिक्रिया समय 100 ms छ।

बिरालोमा जानुहोस्, त्यहाँ एक विस्तृत कथा र दर्शनको कामको धेरै उदाहरणहरू छन्।

एउटा सेवाको उदाहरणको रूपमा जसमा हामी आफैले उल्लिखित अनुहार पहिचान प्रविधिहरू प्रयोग गर्छौं, हामी उद्धृत गर्न सक्छौं घटनाक्रम। यसको कम्पोनेन्टहरू मध्ये एक भिजन फोटो स्ट्यान्ड हो, जुन हामी विभिन्न सम्मेलनहरूमा स्थापना गर्छौं। यदि तपाइँ यस्तो फोटो स्ट्यान्डमा पुग्नुभयो भने, बिल्ट-इन क्यामेराको साथ फोटो खिच्नुहोस् र तपाइँको इमेल प्रविष्ट गर्नुहोस्, प्रणालीले तुरुन्तै तस्बिरहरूको एर्रे बीचमा फेला पार्नेछ जसमा तपाइँ सम्मेलनका कर्मचारी फोटोग्राफरहरूले खिच्नु भएको थियो, र, यदि चाहियो भने, फेला परेका तस्बिरहरू तपाईंलाई इमेल मार्फत पठाउनेछ। र हामी स्टेज गरिएको पोर्ट्रेट शटहरूको बारेमा कुरा गरिरहेका छैनौं — भिजनले तपाईंलाई आगन्तुकहरूको भीडमा पनि पृष्ठभूमिमा चिन्न सक्छ। निस्सन्देह, यो फोटो स्ट्यान्डहरू आफैंले पहिचान गरिएको होइन, यी सुन्दर स्ट्यान्डहरूमा ट्याब्लेटहरू मात्र हुन् जसले तिनीहरूको निर्मित क्यामेराको साथ अतिथिहरूको तस्बिरहरू लिन्छन् र सर्भरहरूमा जानकारी पठाउँछन्, जहाँ सबै पहिचान जादू हुन्छ। र हामीले एक पटक भन्दा बढी देख्यौं कि प्रविधिको प्रभावकारिता छवि पहिचान विशेषज्ञहरू बीच पनि कत्ति आश्चर्यजनक छ। तल हामी केही उदाहरणहरूको बारेमा कुरा गर्नेछौं।

1. हाम्रो अनुहार पहिचान मोडेल

१.१। तंत्रिका नेटवर्क र प्रशोधन गति

पहिचानको लागि, हामी ResNet 101 न्यूरल नेटवर्क मोडेलको परिमार्जन प्रयोग गर्छौं जुन अन्तमा पूर्ण रूपमा जडान गरिएको लेयरद्वारा प्रतिस्थापन गरिएको छ, जसरी यो ArcFace मा गरिन्छ। यद्यपि, भेक्टर प्रतिनिधित्वको आकार 128 हो, 512 होइन। हाम्रो प्रशिक्षण सेटमा 10 व्यक्तिहरूको लगभग 273 मिलियन फोटोहरू छन्।

सावधानीपूर्वक चयन गरिएको सर्भर कन्फिगरेसन वास्तुकला र GPU कम्प्युटिङको लागि मोडेल धेरै छिटो चल्छ। हाम्रो आन्तरिक नेटवर्कहरूमा API बाट प्रतिक्रिया प्राप्त गर्न 100 ms देखि लाग्छ - यसमा अनुहार पत्ता लगाउने (फोटोमा अनुहार पत्ता लगाउने), पहिचान गर्ने र API प्रतिक्रियामा PersonID फर्काउने समावेश छ। आगमन डेटा को ठूलो मात्रा संग - फोटो र भिडियो - यो सेवा मा डाटा स्थानान्तरण गर्न र प्रतिक्रिया प्राप्त गर्न धेरै समय लाग्नेछ।

१.२। मोडेलको प्रभावकारिता मूल्याङ्कन

तर न्यूरल नेटवर्क को दक्षता निर्धारण एक धेरै अस्पष्ट कार्य हो। तिनीहरूको कामको गुणस्तर मोडेलहरूलाई कुन डेटा सेटहरूमा प्रशिक्षित गरिएको थियो र तिनीहरू विशिष्ट डेटाको साथ काम गर्नका लागि अनुकूलित थिए वा छैनन् भन्ने कुरामा निर्भर गर्दछ।

हामीले लोकप्रिय LFW प्रमाणिकरण परीक्षणको साथ हाम्रो मोडेलको शुद्धता मूल्याङ्कन गर्न थाल्यौं, तर यो धेरै सानो र सरल छ। 99,8% शुद्धतामा पुगेपछि, यो अब उपयोगी छैन। त्यहाँ मान्यता मोडेलहरू मूल्याङ्कन गर्नको लागि राम्रो प्रतिस्पर्धा छ - मेगाफेस, जसमा हामी क्रमशः ८२% श्रेणी १ मा पुग्यौं। मेगाफेस परीक्षणमा लाखौं तस्बिरहरू - डिस्ट्रक्टरहरू - र मोडेलले फेसस्क्रबबाट सेलिब्रेटीहरूको हजारौं फोटोहरू राम्रोसँग छुट्याउन सक्षम हुनुपर्छ। distractors बाट डाटासेट। यद्यपि, त्रुटिहरूको मेगाफेस परीक्षण सफा गरिसकेपछि, हामीले क्लियर गरिएको संस्करणको साथ 82% श्रेणी 1 (सेलिब्रेटीहरूका तस्बिरहरू सामान्यतया एकदम विशिष्ट हुन्छन्) को शुद्धता प्राप्त गरेका छौं। तसर्थ, तिनीहरूले मेगाफेस जस्तै, तर "सामान्य" मानिसहरूको तस्बिरहरू सहित, छुट्टै पहिचान परीक्षण सिर्जना गरे। त्यसपछि हामीले हाम्रो डेटासेटहरूमा पहिचानको शुद्धता सुधार गर्यौं र धेरै अगाडि बढ्यौं। थप रूपमा, हामी एक क्लस्टरिङ गुणस्तर परीक्षण प्रयोग गर्दछौं जुन धेरै हजार फोटोहरू समावेश गर्दछ; यसले प्रयोगकर्ताको क्लाउडमा अनुहार चिन्हहरू अनुकरण गर्दछ। यस अवस्थामा, क्लस्टरहरू समान व्यक्तिहरूको समूह हुन्, प्रत्येक पहिचान योग्य व्यक्तिको लागि एक समूह। हामीले वास्तविक समूह (सत्य) मा कामको गुणस्तर जाँच गर्यौं।

निस्सन्देह, पहिचान त्रुटिहरू कुनै पनि मोडेल संग हुन्छ। तर त्यस्ता परिस्थितिहरू प्रायः विशेष परिस्थितिहरूको लागि थ्रेसहोल्डहरू फाइन-ट्यून गरेर समाधान गरिन्छ (सबै सम्मेलनहरूको लागि हामी समान थ्रेसहोल्डहरू प्रयोग गर्छौं, तर, उदाहरणका लागि, पहुँच नियन्त्रण प्रणालीहरूको लागि हामीले थ्रेसहोल्डहरू धेरै बढाउनुपर्छ ताकि त्यहाँ कम गलत सकारात्मकहरू छन्)। सम्मेलन आगन्तुकहरूको विशाल बहुमत हाम्रो भिजन फोटो बुथहरू द्वारा सही रूपमा पहिचान गरिएको थियो। कहिलेकाहीँ कसैले क्रप गरिएको पूर्वावलोकन हेरेर भन्थे, "तपाईंको प्रणालीले गल्ती गर्यो, यो म होइन।" त्यसपछि हामीले तस्बिरलाई पूर्ण रूपमा खोल्यौं, र यो बाहिरियो कि त्यहाँ वास्तवमै यो आगन्तुक फोटोमा थियो, केवल हामीले उनको फोटो खिचिरहेका थिएनौं, तर अरू कोही, व्यक्ति भर्खरै धमिलो क्षेत्रमा पृष्ठभूमिमा भएको थियो। यसबाहेक, अनुहारको कुनै भाग नदेखिने वा व्यक्ति प्रोफाइलमा उभिएको वा आधा मोडिएको अवस्थामा पनि स्नायु नेटवर्कले प्रायः सही रूपमा पहिचान गर्छ। अनुहार अप्टिकल विकृतिको क्षेत्रमा भए पनि प्रणालीले व्यक्तिलाई चिन्न सक्छ, भनौं, वाइड-एंगल लेन्सको साथ शूटिंग गर्दा।

१.३। कठिन परिस्थितिहरूमा परीक्षणको उदाहरणहरू

तल हाम्रो न्यूरल नेटवर्कले कसरी काम गर्छ भन्ने उदाहरणहरू छन्। फोटोहरू इनपुटमा पेश गरिन्छन्, जसलाई उनले PersonID - एक व्यक्तिको अद्वितीय पहिचानकर्ता प्रयोग गरेर लेबल गर्नुपर्छ। यदि दुई वा बढी छविहरूमा एउटै आईडी छ भने, मोडेलहरू अनुसार, यी फोटोहरूले एउटै व्यक्तिलाई चित्रण गर्दछ।

हामीलाई तुरुन्तै ध्यान दिनुहोस् कि परीक्षण गर्दा, हामीसँग विभिन्न प्यारामिटरहरू र मोडेल थ्रेसहोल्डहरूमा पहुँच छ जुन हामीले एक विशेष परिणाम प्राप्त गर्न कन्फिगर गर्न सक्छौं। सार्वजनिक API लाई सामान्य केसहरूमा अधिकतम शुद्धताको लागि अनुकूलित गरिएको छ।

अगाडि अनुहार पहिचान संग, सरल कुरा संग सुरु गरौं।

खैर, त्यो धेरै सजिलो थियो। कामलाई जटिल बनाऔं, दाह्री र मुट्ठीभर वर्ष थपौं।

कोही भन्छन् कि यो पनि गाह्रो थिएन, किनभने दुवै अवस्थामा पूरै अनुहार देखिने छ, र अनुहारको बारेमा धेरै जानकारी एल्गोरिथ्ममा उपलब्ध छ। ठीक छ, टम हार्डीलाई प्रोफाइलमा परिणत गरौं। यो समस्या धेरै जटिल छ, र कम त्रुटि दर कायम राख्दै यसलाई सफलतापूर्वक समाधान गर्न हामीले धेरै प्रयासहरू खर्च गर्यौं: हामीले एक प्रशिक्षण सेट चयन गर्यौं, तंत्रिका नेटवर्कको वास्तुकला मार्फत सोच्यौं, हानि कार्यहरू सम्मानित गर्‍यौं र पूर्व-प्रशोधन सुधार गर्‍यौं। फोटोहरु को।

उहाँलाई हेडड्रेस लगाउनुहोस्:

वैसे, यो एक विशेष कठिन अवस्था को एक उदाहरण हो, अनुहार भारी अस्पष्ट छ, र तल्लो तस्बिर मा आँखा लुकाउने गहिरो छाया पनि छ। वास्तविक जीवनमा, मानिसहरू प्रायः कालो चश्माको मद्दतले आफ्नो उपस्थिति परिवर्तन गर्छन्। टमसँग पनि त्यस्तै गरौं।

ठीक छ, विभिन्न उमेरका तस्बिरहरू फ्याँक्ने प्रयास गरौं, र यस पटक हामी फरक अभिनेतासँग प्रयोग गर्नेछौं। आउनुहोस् एक धेरै जटिल उदाहरण लिनुहोस्, जहाँ उमेर-सम्बन्धित परिवर्तनहरू विशेष गरी उच्चारण गरिन्छ। स्थिति धेरै टाढाको छैन; यो धेरै पटक हुन्छ जब तपाईं वाहक को अनुहार संग पासपोर्ट मा फोटो तुलना गर्न आवश्यक छ। आखिर, पहिलो फोटो पासपोर्टमा थपिएको छ जब मालिक 20 वर्षको छ, र 45 वर्षको उमेरमा एक व्यक्तिले धेरै परिवर्तन गर्न सक्छ:

के तपाई सोच्नुहुन्छ कि असम्भव मिशनहरूमा मुख्य विशेषज्ञ उमेर संग धेरै परिवर्तन भएको छैन? मलाई लाग्छ कि केहि मानिसहरूले पनि माथि र तल फोटोहरू संयोजन गर्नेछन्, केटा वर्षौंमा धेरै परिवर्तन भएको छ।

न्युरल नेटवर्कहरूले धेरै पटक उपस्थितिमा परिवर्तनहरू सामना गर्छन्। उदाहरणका लागि, कहिलेकाहीँ महिलाहरूले कस्मेटिक्सको मद्दतले आफ्नो छविलाई धेरै परिवर्तन गर्न सक्छन्:

अब कार्यलाई अझ जटिल बनाउनुहोस्: मानौं कि अनुहारका विभिन्न भागहरू विभिन्न फोटोहरूमा ढाकिएका छन्। यस्तो अवस्थामा, एल्गोरिथ्मले सम्पूर्ण नमूनाहरू तुलना गर्न सक्दैन। यद्यपि, भिजनले यस्तो परिस्थितिलाई राम्रोसँग ह्यान्डल गर्छ।

वैसे, त्यहाँ एक तस्वीर मा धेरै अनुहार हुन सक्छ, उदाहरण को लागी, एक हल को एक सामान्य फोटो मा 100 भन्दा बढी मान्छे फिट हुन सक्छ। यो तंत्रिका सञ्जालहरूको लागि एक कठिन अवस्था हो, किनकि धेरै अनुहारहरू फरक तरिकाले जलाउन सकिन्छ, केही फोकस बाहिर। यद्यपि, यदि फोटो पर्याप्त रिजोल्युसन र गुणस्तरको साथ लिइएको छ (कम्तीमा 75 पिक्सेल प्रति वर्ग अनुहार छोप्ने), दृष्टिले यसलाई पत्ता लगाउन र पहिचान गर्न सक्षम हुनेछ।

निगरानी क्यामेराबाट रिपोर्टेज फोटोहरू र छविहरूको विशेषता यो हो कि मानिसहरू प्रायः धमिलो हुन्छन् किनभने तिनीहरू फोकस बाहिर थिए वा त्यो क्षणमा हिँडिरहेका थिए:

साथै, प्रकाशको तीव्रता छवि देखि छविमा धेरै फरक हुन सक्छ। यो, पनि, अक्सर एक ठोकर बाधा हुन्छ; धेरै एल्गोरिदमहरूलाई धेरै गाढा र धेरै हल्का छविहरू सही रूपमा प्रशोधन गर्न ठूलो कठिनाइ हुन्छ, तिनीहरूलाई सही रूपमा मेल खाने उल्लेख छैन। म तपाईंलाई यो नतिजा प्राप्त गर्नको लागि निश्चित तरिकामा थ्रेसहोल्डहरू कन्फिगर गर्न आवश्यक छ भनेर सम्झाउन दिनुहोस्; यो सुविधा अझै सार्वजनिक रूपमा उपलब्ध छैन। हामी सबै क्लाइन्टहरूका लागि समान न्यूरल नेटवर्क प्रयोग गर्छौं; यसमा धेरै व्यावहारिक कार्यहरूको लागि उपयुक्त थ्रेसहोल्डहरू छन्।

हामीले भर्खरै उच्च सटीकताका साथ एशियाली अनुहारहरू पहिचान गर्ने मोडेलको नयाँ संस्करण ल्याएका छौं। यो एक ठूलो समस्या थियो, जसलाई "मेसिन लर्निङ" (वा "न्यूरल नेटवर्क") जातिवाद पनि भनिन्थ्यो। युरोपेली र अमेरिकी तंत्रिका नेटवर्कहरूले कोकेशियन अनुहारहरू राम्रोसँग पहिचान गरे, तर मंगोलाइड र नेग्रोइड अनुहारहरूको साथ स्थिति धेरै खराब थियो। सायद, चीनमा स्थिति ठीक उल्टो थियो। यो सबै प्रशिक्षण डेटा सेटहरूको बारेमा हो जसले एक विशेष देशमा प्रमुख प्रकारका मानिसहरूलाई प्रतिबिम्बित गर्दछ। तर, आजको अवस्थामा यो समस्या त्यति गम्भीर छैन। भिजनमा विभिन्न जातिका मानिसहरूलाई कुनै समस्या छैन।

अनुहार पहिचान हाम्रो प्रविधिको धेरै अनुप्रयोगहरू मध्ये एक मात्र हो; उदाहरणका लागि, लाइसेन्स प्लेटहरू, एल्गोरिदमहरूका लागि कठिन परिस्थितिहरू सहित: तीखो कोणहरूमा, फोहोर र लाइसेन्स प्लेटहरू पढ्न गाह्रो।

2. व्यावहारिक प्रयोग केसहरू

२.१। भौतिक पहुँच नियन्त्रण: दुई व्यक्तिले एउटै पास प्रयोग गर्दा

भिजनको सहयोगमा, तपाईले कर्मचारीहरूको आगमन र प्रस्थान रेकर्ड गर्न प्रणालीहरू लागू गर्न सक्नुहुन्छ। इलेक्ट्रोनिक पासहरूमा आधारित परम्परागत प्रणालीमा स्पष्ट हानिहरू छन्, उदाहरणका लागि, तपाईंले एउटा ब्याज प्रयोग गरेर दुई व्यक्तिहरूलाई पास गर्न सक्नुहुन्छ। यदि पहुँच नियन्त्रण प्रणाली (ACS) Vision सँग पूरक छ भने, यसले इमान्दारीपूर्वक रेकर्ड गर्नेछ कि को आए/बायाँ र कहिले।

२.२। समय ट्रयाकिङ

यो दृष्टि प्रयोग मामला अघिल्लो एक संग नजिकको सम्बन्ध छ। यदि तपाईंले हाम्रो अनुहार पहिचान सेवाको साथ पहुँच प्रणालीको पूरक बनाउनुभयो भने, यसले पहुँच नियन्त्रण उल्लङ्घनहरू पत्ता लगाउन मात्र होइन, भवन वा सुविधामा कर्मचारीहरूको वास्तविक उपस्थिति दर्ता गर्न पनि सक्षम हुनेछ। अर्को शब्दमा भन्नुपर्दा, भिजनले तपाईलाई इमान्दारीपूर्वक काममा को आए र कुन समयमा छोडे, र कसले काम पूरै छोडे भन्ने कुरालाई इमान्दारीपूर्वक लिन मद्दत गर्नेछ, भले पनि उहाँका सहकर्मीहरूले उहाँका माथिल्लो अधिकारीहरूको अगाडि उहाँको लागि कभर गरे पनि।

२.३ भिडियो एनालिटिक्स: मान्छे ट्र्याकिङ र सुरक्षा

भिजन प्रयोग गरेर मानिसहरूलाई ट्र्याक गरेर, तपाईंले किनमेल क्षेत्रहरू, रेल स्टेशनहरू, मार्गहरू, सडकहरू र अन्य धेरै सार्वजनिक स्थानहरूको वास्तविक ट्राफिकको सही मूल्याङ्कन गर्न सक्नुहुन्छ। हाम्रो ट्र्याकिङले पहुँच नियन्त्रण गर्न पनि ठूलो मद्दत गर्न सक्छ, उदाहरणका लागि, गोदाम वा अन्य महत्त्वपूर्ण कार्यालय परिसरहरूमा। र निस्सन्देह, व्यक्ति र अनुहार ट्र्याक गर्दा सुरक्षा समस्याहरू समाधान गर्न मद्दत गर्दछ। तपाईको पसलबाट कसैले चोरी गरेको पक्रनुभयो? उसको PersonID, जुन Vision द्वारा फिर्ता गरिएको थियो, तपाईंको भिडियो एनालिटिक्स सफ्टवेयरको कालोसूचीमा थप्नुहोस्, र अर्को पटक यो प्रकार फेरि देखा परेमा प्रणालीले तुरुन्तै सुरक्षालाई सचेत गर्नेछ।

२.४। व्यापार मा

खुद्रा र विभिन्न सेवा व्यवसायहरू लाम पहिचानमा रुचि राख्छन्। भिजनको मद्दतले, तपाईंले यो मान्छेहरूको अनियमित भीड होइन, तर एउटा लाम हो भनेर चिन्न सक्नुहुन्छ र यसको लम्बाइ निर्धारण गर्न सक्नुहुन्छ। र त्यसपछि प्रणालीले लामको बारेमा इन्चार्जहरूलाई सूचित गर्दछ ताकि तिनीहरूले स्थिति पत्ता लगाउन सक्छन्: कि त त्यहाँ आगन्तुकहरूको भीड छ र थप कामदारहरूलाई बोलाउन आवश्यक छ, वा कसैले आफ्नो कामको कर्तव्यमा ढिलाइ गरिरहेको छ।

अर्को चाखलाग्दो काम आगन्तुकहरूबाट हलमा कम्पनीका कर्मचारीहरूलाई अलग गर्नु हो। सामान्यतया, प्रणालीलाई निश्चित लुगा (पोशाक कोड) लगाएका वस्तुहरू वा केही विशिष्ट विशेषताहरू (ब्रान्डेड स्कार्फ, छातीमा ब्याज, र यस्तै अन्य) लाई अलग गर्न प्रशिक्षित गरिन्छ। यसले उपस्थितिलाई अझ सही रूपमा मूल्याङ्कन गर्न मद्दत गर्दछ (ताकि कर्मचारीहरूले उनीहरूको मात्र उपस्थितिले हलमा मानिसहरूको तथ्याङ्क "फुलाउन" गर्दैनन्)।

अनुहार पहिचान प्रयोग गरेर, तपाइँ तपाइँको दर्शकहरूको मूल्याङ्कन पनि गर्न सक्नुहुन्छ: आगन्तुकहरूको वफादारी के हो, त्यो हो, कति मानिसहरू तपाइँको प्रतिष्ठानमा फर्कन्छन् र कति आवृत्ति संग। गणना गर्नुहोस् कति अद्वितीय आगन्तुकहरू प्रति महिना तपाईलाई आउँछन्। आकर्षण र अवधारणको लागत अनुकूलन गर्न, तपाइँ हप्ताको दिन र दिनको समयको आधारमा ट्राफिकमा परिवर्तन पनि पत्ता लगाउन सक्नुहुन्छ।

फ्रान्चाइजरहरू र चेन कम्पनीहरूले विभिन्न खुद्रा आउटलेटहरूको ब्रान्डिङको गुणस्तरको तस्बिरहरूको आधारमा मूल्याङ्कन अर्डर गर्न सक्छन्: लोगो, चिन्हहरू, पोस्टरहरू, ब्यानरहरू, र यस्तै अन्यको उपस्थिति।

२.५ यातायात द्वारा

भिडियो एनालिटिक्स प्रयोग गरेर सुरक्षा सुनिश्चित गर्ने अर्को उदाहरण एयरपोर्ट वा रेल स्टेशनहरूको हलहरूमा परित्याग गरिएका वस्तुहरू पहिचान गर्नु हो। दृष्टिलाई सयौं वर्गका वस्तुहरू पहिचान गर्न तालिम दिन सकिन्छ: फर्निचरका टुक्राहरू, झोलाहरू, सुटकेसहरू, छाताहरू, विभिन्न प्रकारका कपडाहरू, बोतलहरू, र यस्तै। यदि तपाईंको भिडियो एनालिटिक्स प्रणालीले कुनै मालिकविहीन वस्तु पत्ता लगाउँछ र भिजन प्रयोग गरेर पहिचान गर्छ भने, यसले सुरक्षा सेवालाई संकेत पठाउँछ। समान कार्य सार्वजनिक स्थानहरूमा असामान्य परिस्थितिहरूको स्वचालित पत्ता लगाउनेसँग सम्बन्धित छ: कसैलाई बिरामी महसुस हुन्छ, वा कसैले गलत ठाउँमा धुम्रपान गर्छ, वा एक व्यक्ति रेलहरूमा खस्छ, र यस्तै अन्य - यी सबै ढाँचाहरू भिडियो विश्लेषण प्रणालीहरूद्वारा पहिचान गर्न सकिन्छ। Vision API मार्फत।

२.६ कागजात प्रवाह

भिजनको अर्को चाखलाग्दो भविष्यको अनुप्रयोग जुन हामीले हाल विकास गरिरहेका छौं कागजात पहिचान र डाटाबेसमा तिनीहरूको स्वचालित पार्सिङ हो। अनन्त शृङ्खलाहरू, नम्बरहरू, मुद्दा मितिहरू, खाता नम्बरहरू, बैंक विवरणहरू, मितिहरू र जन्म स्थानहरू र अन्य धेरै औपचारिक डेटाहरू म्यानुअल रूपमा प्रविष्ट गर्नुको सट्टा (वा खराब, प्रविष्ट) को सट्टा, तपाईंले कागजातहरू स्क्यान गर्न सक्नुहुन्छ र तिनीहरूलाई स्वचालित रूपमा सुरक्षित च्यानल मार्फत पठाउन सक्नुहुन्छ। क्लाउडमा API, जहाँ प्रणालीले उडानमा यी कागजातहरू पहिचान गर्नेछ, तिनीहरूलाई पार्स गर्नेछ र डाटाबेसमा स्वचालित प्रविष्टिको लागि आवश्यक ढाँचामा डेटाको साथ जवाफ फर्काउँछ। आज भिजनलाई कागजातहरू (पीडीएफ सहित) वर्गीकरण गर्ने तरिका थाहा छ - राहदानी, SNILS, TIN, जन्म प्रमाणपत्र, विवाह प्रमाणपत्र र अन्यहरू बीचको भिन्नता छ।

निस्सन्देह, तंत्रिका नेटवर्कले यी सबै परिस्थितिहरूलाई बक्स बाहिर ह्यान्डल गर्न सक्षम छैन। प्रत्येक अवस्थामा, एक विशेष ग्राहकको लागि नयाँ मोडेल बनाइएको छ, धेरै कारकहरू, बारीकहरू र आवश्यकताहरूलाई ध्यानमा राखिएको छ, डेटा सेटहरू चयन गरिन्छ, र प्रशिक्षण, परीक्षण, र कन्फिगरेसनको पुनरावृत्तिहरू गरिन्छ।

3. API सञ्चालन योजना

प्रयोगकर्ताहरूको लागि भिजनको "प्रवेश द्वार" REST API हो। यसले इनपुटको रूपमा नेटवर्क क्यामेराहरू (RTSP स्ट्रिमहरू) बाट फोटोहरू, भिडियो फाइलहरू र प्रसारणहरू प्राप्त गर्न सक्छ।

दृष्टि प्रयोग गर्न, तपाईंलाई आवश्यक छ साइन अप Mail.ru क्लाउड समाधान सेवामा र पहुँच टोकनहरू प्राप्त गर्नुहोस् (client_id + client_secret)। OAuth प्रोटोकल प्रयोग गरेर प्रयोगकर्ता प्रमाणीकरण गरिन्छ। POST अनुरोधहरूको निकायमा स्रोत डेटा API मा पठाइन्छ। र प्रतिक्रियामा, ग्राहकले API बाट JSON ढाँचामा एक पहिचान परिणाम प्राप्त गर्दछ, र प्रतिक्रिया संरचित छ: यसमा फेला परेका वस्तुहरू र तिनीहरूको निर्देशांकहरूको बारेमा जानकारी समावेश छ।

नमूना जवाफ

{
   "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
}

जवाफमा एक रोचक प्यारामिटर अद्भुतता समावेश छ - यो फोटोमा अनुहारको सशर्त "शीतलता" हो, यसको मद्दतले हामी अनुक्रमबाट अनुहारको उत्कृष्ट शट चयन गर्छौं। हामीले सामाजिक सञ्जालमा तस्विरलाई मन पराउने सम्भावनाको भविष्यवाणी गर्न न्यूरल नेटवर्कलाई तालिम दियौं। फोटोको गुणस्तर जति राम्रो हुन्छ र अनुहार जति धेरै हँसिलो हुन्छ, त्यति नै उत्कृष्टता हुन्छ।

एपीआई भिजनले स्पेस भनिने अवधारणा प्रयोग गर्दछ। यो अनुहारको विभिन्न सेटहरू सिर्जना गर्न एउटा उपकरण हो। खाली ठाउँका उदाहरणहरू कालो र सेतो सूचीहरू, आगन्तुकहरूको सूचीहरू, कर्मचारीहरू, ग्राहकहरू, इत्यादि हुन्। भिजनमा प्रत्येक टोकनको लागि, तपाईंले 10 स्पेससम्म सिर्जना गर्न सक्नुहुन्छ, प्रत्येक स्पेसमा 50 हजार PersonIDs हुन सक्छ, अर्थात्, 500 हजार सम्म प्रति टोकन। यसबाहेक, प्रति खाता टोकनहरूको संख्या सीमित छैन।

आज API ले निम्न पहिचान र पहिचान विधिहरूलाई समर्थन गर्दछ:

• पहिचान/सेट - अनुहारहरूको पहिचान र पहिचान। प्रत्येक अद्वितीय व्यक्तिलाई स्वचालित रूपमा एक व्यक्ति आईडी प्रदान गर्दछ, व्यक्ति आईडी फिर्ता गर्दछ र फेला परेका व्यक्तिहरूको समन्वय गर्दछ।
• मेटाउनुहोस् - व्यक्ति डेटाबेसबाट एक विशिष्ट व्यक्ति आईडी मेटाउँदै।
• Truncate - PersonID बाट सम्पूर्ण ठाउँ खाली गर्दछ, उपयोगी छ यदि यो परीक्षण स्थानको रूपमा प्रयोग गरिएको थियो र तपाईंले उत्पादनको लागि डाटाबेस रिसेट गर्न आवश्यक छ।
• पत्ता लगाउनुहोस् - वस्तुहरू, दृश्यहरू, इजाजतपत्र प्लेटहरू, ल्यान्डमार्कहरू, लामहरू, इत्यादिको पत्ता लगाउने। फेला परेका वस्तुहरूको वर्ग र तिनीहरूका समन्वयहरू फर्काउँछ।
• कागजातहरूको लागि पत्ता लगाउनुहोस् - रूसी संघका विशेष प्रकारका कागजातहरू पत्ता लगाउँदछ (पासपोर्ट, SNILS, कर पहिचान नम्बर, आदि।)।

हामी छिट्टै ओसीआरका लागि विधिहरू, लिङ्ग, उमेर र भावनाहरू निर्धारण गर्ने, साथै व्यापारिक समस्याहरू समाधान गर्ने, अर्थात् पसलहरूमा सामानहरूको प्रदर्शन स्वचालित रूपमा नियन्त्रण गर्नका लागि काम पूरा गर्नेछौं। तपाईं यहाँ पूरा API कागजात पाउन सक्नुहुन्छ: https://mcs.mail.ru/help/vision-api

Con. निष्कर्ष

अब, सार्वजनिक API मार्फत, तपाईं विभिन्न वस्तुहरू, इजाजतपत्र प्लेटहरू, ल्यान्डमार्कहरू, कागजातहरू र सम्पूर्ण दृश्यहरूको पहिचानमा अनुहार पहिचान पहुँच गर्न सक्नुहुन्छ; आवेदन परिदृश्य - समुद्र। आउनुहोस्, हाम्रो सेवा परीक्षण गर्नुहोस्, यसलाई सबैभन्दा कठिन कार्यहरू सेट गर्नुहोस्। पहिलो 5000 लेनदेनहरू निःशुल्क छन्। सायद यो तपाइँको परियोजनाहरु को लागी "हराइरहेको घटक" हुनेछ।

तपाइँ तुरुन्तै दर्ता र जडान मा API पहुँच गर्न सक्नुहुन्छ। दर्शन। सबै Habra प्रयोगकर्ताहरूले थप लेनदेनको लागि प्रमोशनल कोड प्राप्त गर्छन्। कृपया मलाई आफ्नो खाता दर्ता गर्न प्रयोग गरेको इमेल ठेगाना लेख्नुहोस्!

स्रोत: www.habr.com