ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵੀਡੀਓ ਸਟ੍ਰੀਮ ਵਿੱਚ ਟੈਂਕਾਂ ਦੀ ਪਛਾਣ (ਏਲਬਰਸ ਅਤੇ ਬੈਕਲ ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ +2 ਵੀਡੀਓ)

ਸਾਡੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੇ ਦੌਰਾਨ, ਸਾਨੂੰ ਰੋਜ਼ਾਨਾ ਵਿਕਾਸ ਦੀਆਂ ਤਰਜੀਹਾਂ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਆਈ.ਟੀ. ਉਦਯੋਗ ਦੇ ਵਿਕਾਸ ਦੀ ਉੱਚ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਨਵੀਂਆਂ ਤਕਨਾਲੋਜੀਆਂ ਲਈ ਵਪਾਰ ਅਤੇ ਸਰਕਾਰ ਤੋਂ ਲਗਾਤਾਰ ਵੱਧ ਰਹੀ ਮੰਗ, ਹਰ ਵਾਰ ਜਦੋਂ ਅਸੀਂ ਵਿਕਾਸ ਦੇ ਵੈਕਟਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ ਅਤੇ ਆਪਣੀ ਕੰਪਨੀ ਦੀ ਵਿਗਿਆਨਕ ਸਮਰੱਥਾ ਵਿੱਚ ਆਪਣੀਆਂ ਸ਼ਕਤੀਆਂ ਅਤੇ ਫੰਡਾਂ ਦਾ ਨਿਵੇਸ਼ ਕਰਦੇ ਹਾਂ, ਅਸੀਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਸਾਰੇ ਖੋਜ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਬੁਨਿਆਦੀ ਅਤੇ ਅੰਤਰ-ਅਨੁਸ਼ਾਸਨੀ ਸੁਭਾਅ ਦੇ ਹਨ।

ਇਸ ਲਈ, ਸਾਡੀ ਮੁੱਖ ਤਕਨਾਲੋਜੀ - HIEROGLYPH ਡੇਟਾ ਮਾਨਤਾ ਫਰੇਮਵਰਕ ਨੂੰ ਵਿਕਸਤ ਕਰਕੇ, ਅਸੀਂ ਦਸਤਾਵੇਜ਼ ਮਾਨਤਾ (ਸਾਡੀ ਮੁੱਖ ਵਪਾਰਕ ਲਾਈਨ) ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਅਤੇ ਸੰਬੰਧਿਤ ਮਾਨਤਾ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਦੋਵਾਂ ਬਾਰੇ ਚਿੰਤਤ ਹਾਂ। ਅੱਜ ਦੇ ਲੇਖ ਵਿੱਚ ਅਸੀਂ ਤੁਹਾਨੂੰ ਦੱਸਾਂਗੇ ਕਿ ਕਿਵੇਂ, ਸਾਡੇ ਮਾਨਤਾ ਇੰਜਣ (ਦਸਤਾਵੇਜ਼ਾਂ) ਦੇ ਅਧਾਰ ਤੇ, ਅਸੀਂ ਇੱਕ ਵੀਡੀਓ ਸਟ੍ਰੀਮ ਵਿੱਚ ਵੱਡੀਆਂ, ਰਣਨੀਤਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਵਸਤੂਆਂ ਦੀ ਪਛਾਣ ਕੀਤੀ।

ਸਮੱਸਿਆ ਦਾ ਗਠਨ

ਮੌਜੂਦਾ ਵਿਕਾਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇੱਕ ਟੈਂਕ ਮਾਨਤਾ ਪ੍ਰਣਾਲੀ ਦਾ ਨਿਰਮਾਣ ਕਰੋ ਜੋ ਕਿਸੇ ਵਸਤੂ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ, ਨਾਲ ਹੀ ਵਿਸ਼ੇਸ਼ ਉਪਕਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੇ ਬਿਨਾਂ ਮਾੜੀ ਨਿਯੰਤਰਿਤ ਸਥਿਤੀਆਂ ਵਿੱਚ ਬੁਨਿਆਦੀ ਜਿਓਮੈਟ੍ਰਿਕ ਸੂਚਕਾਂ (ਓਰੀਐਂਟੇਸ਼ਨ ਅਤੇ ਦੂਰੀ) ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ।

ਫੈਸਲੇ ਦਾ

ਅਸੀਂ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਮੁੱਖ ਐਲਗੋਰਿਦਮ ਵਜੋਂ ਅੰਕੜਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪਹੁੰਚ ਨੂੰ ਚੁਣਿਆ ਹੈ। ਪਰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀਆਂ ਮੁੱਖ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀ ਲੋੜੀਂਦੀ ਮਾਤਰਾ ਦੀ ਲੋੜ। ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ, ਅਸਲ ਦ੍ਰਿਸ਼ਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੀਆਂ ਕੁਦਰਤੀ ਤਸਵੀਰਾਂ ਸਾਡੇ ਲਈ ਉਪਲਬਧ ਨਹੀਂ ਹਨ। ਇਸ ਲਈ, ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਸਿਖਲਾਈ ਲਈ ਜ਼ਰੂਰੀ ਡੇਟਾ ਤਿਆਰ ਕਰਨ ਦਾ ਸਹਾਰਾ ਲੈਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਗਿਆ ਸੀ ਸਾਡੇ ਕੋਲ ਇਸ ਜਗ੍ਹਾ ਦਾ ਬਹੁਤ ਤਜਰਬਾ ਹੈ. ਅਤੇ ਫਿਰ ਵੀ, ਇਸ ਕੰਮ ਲਈ ਡੇਟਾ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸੰਸਲੇਸ਼ਣ ਕਰਨਾ ਸਾਡੇ ਲਈ ਗੈਰ-ਕੁਦਰਤੀ ਜਾਪਦਾ ਸੀ, ਇਸ ਲਈ ਅਸਲ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਨਕਲ ਕਰਨ ਲਈ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਖਾਕਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਮਾਡਲ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਵਸਤੂਆਂ ਸ਼ਾਮਲ ਹਨ ਜੋ ਕਿ ਪੇਂਡੂ ਖੇਤਰਾਂ ਦੀ ਨਕਲ ਕਰਦੀਆਂ ਹਨ: ਵਿਸ਼ੇਸ਼ ਲੈਂਡਸਕੇਪ ਕਵਰ, ਝਾੜੀਆਂ, ਰੁੱਖ, ਵਾੜ, ਆਦਿ। ਚਿੱਤਰਾਂ ਨੂੰ ਇੱਕ ਛੋਟੇ ਫਾਰਮੈਟ ਡਿਜੀਟਲ ਕੈਮਰੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੈਪਚਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਚਿੱਤਰ ਕੈਪਚਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਦੌਰਾਨ, ਐਲਗੋਰਿਦਮ ਨੂੰ ਬੈਕਗ੍ਰਾਉਂਡ ਤਬਦੀਲੀਆਂ ਲਈ ਵਧੇਰੇ ਮਜਬੂਤ ਬਣਾਉਣ ਲਈ ਦ੍ਰਿਸ਼ ਦੀ ਬੈਕਗ੍ਰਾਉਂਡ ਮਹੱਤਵਪੂਰਣ ਰੂਪ ਵਿੱਚ ਬਦਲ ਗਈ।

ਟਾਰਗੇਟ ਆਬਜੈਕਟ ਲੜਾਈ ਟੈਂਕਾਂ ਦੇ 4 ਮਾਡਲ ਸਨ: T-90 (ਰੂਸ), M1A2 ਅਬਰਾਮਸ (ਯੂਐਸਏ), ਟੀ-14 (ਰੂਸ), ਮਰਕਾਵਾ III (ਇਜ਼ਰਾਈਲ)। ਵਸਤੂਆਂ ਬਹੁਭੁਜ ਦੀਆਂ ਵੱਖੋ ਵੱਖਰੀਆਂ ਸਥਿਤੀਆਂ 'ਤੇ ਸਥਿਤ ਸਨ, ਇਸ ਤਰ੍ਹਾਂ ਵਸਤੂ ਦੇ ਸਵੀਕਾਰਯੋਗ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਦੀ ਸੂਚੀ ਦਾ ਵਿਸਤਾਰ ਕੀਤਾ ਗਿਆ। ਇੰਜੀਨੀਅਰਿੰਗ ਰੁਕਾਵਟਾਂ, ਰੁੱਖਾਂ, ਝਾੜੀਆਂ ਅਤੇ ਹੋਰ ਲੈਂਡਸਕੇਪ ਤੱਤਾਂ ਨੇ ਮਹੱਤਵਪੂਰਣ ਭੂਮਿਕਾ ਨਿਭਾਈ।

ਇਸ ਤਰ੍ਹਾਂ, ਕੁਝ ਦਿਨਾਂ ਵਿੱਚ ਅਸੀਂ ਸਿਖਲਾਈ ਅਤੇ ਐਲਗੋਰਿਦਮ ਦੀ ਗੁਣਵੱਤਾ (ਕਈ ਹਜ਼ਾਰਾਂ ਤਸਵੀਰਾਂ) ਦੇ ਬਾਅਦ ਦੇ ਮੁਲਾਂਕਣ ਲਈ ਇੱਕ ਕਾਫੀ ਸੈੱਟ ਇਕੱਠਾ ਕੀਤਾ।

ਉਹਨਾਂ ਨੇ ਮਾਨਤਾ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਦੋ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ: ਵਸਤੂ ਸਥਾਨੀਕਰਨ ਅਤੇ ਵਸਤੂ ਵਰਗੀਕਰਨ। ਸਥਾਨਕਕਰਨ ਇੱਕ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਵਿਓਲਾ ਅਤੇ ਜੋਨਸ ਵਰਗੀਕਰਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਸੀ (ਆਖ਼ਰਕਾਰ, ਇੱਕ ਟੈਂਕ ਇੱਕ ਆਮ ਕਠੋਰ ਵਸਤੂ ਹੈ, ਇੱਕ ਚਿਹਰੇ ਤੋਂ ਮਾੜਾ ਨਹੀਂ ਹੈ, ਇਸਲਈ ਵਿਓਲਾ ਅਤੇ ਜੋਨਸ ਦੀ "ਵੇਰਵੇ-ਅੰਨ੍ਹੇ" ਵਿਧੀ ਤੇਜ਼ੀ ਨਾਲ ਨਿਸ਼ਾਨਾ ਵਸਤੂ ਨੂੰ ਸਥਾਨੀਕਰਨ ਕਰਦੀ ਹੈ)। ਪਰ ਅਸੀਂ ਕੋਣ ਦਾ ਵਰਗੀਕਰਨ ਅਤੇ ਨਿਰਧਾਰਨ ਇੱਕ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਸੌਂਪਿਆ ਹੈ - ਇਸ ਕੰਮ ਵਿੱਚ ਸਾਡੇ ਲਈ ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਡਿਟੈਕਟਰ ਉਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਪਛਾਣ ਕਰੇ, ਜੋ ਕਹੋ, ਮੇਰਕਾਵਾ ਤੋਂ T-90 ਨੂੰ ਵੱਖਰਾ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ, ਐਲਗੋਰਿਦਮ ਦੀ ਇੱਕ ਪ੍ਰਭਾਵੀ ਰਚਨਾ ਦਾ ਨਿਰਮਾਣ ਕਰਨਾ ਸੰਭਵ ਹੋ ਗਿਆ ਸੀ ਜੋ ਇੱਕੋ ਕਿਸਮ ਦੀਆਂ ਵਸਤੂਆਂ ਦੇ ਸਥਾਨੀਕਰਨ ਅਤੇ ਵਰਗੀਕਰਨ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਹੱਲ ਕਰਦਾ ਹੈ।

ਅੱਗੇ, ਅਸੀਂ ਆਪਣੇ ਸਾਰੇ ਮੌਜੂਦਾ ਪਲੇਟਫਾਰਮਾਂ (Intel, ARM, Elbrus, Baikal, KOMDIV) 'ਤੇ ਨਤੀਜਾ ਪ੍ਰੋਗਰਾਮ ਲਾਂਚ ਕੀਤਾ, ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਵਧਾਉਣ ਲਈ ਅਨੁਕੂਲਿਤ ਗਣਨਾਤਮਕ ਤੌਰ 'ਤੇ ਮੁਸ਼ਕਲ ਐਲਗੋਰਿਦਮ (ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਇਸ ਬਾਰੇ ਸਾਡੇ ਲੇਖਾਂ ਵਿੱਚ ਕਈ ਵਾਰ ਲਿਖਿਆ ਹੈ, ਉਦਾਹਰਣ ਲਈ ਇੱਥੇ https://habr.com/ru/company/smartengines/blog/438948/ ਜ https://habr.com/ru/company/smartengines/blog/351134/) ਅਤੇ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਡਿਵਾਈਸ ਤੇ ਪ੍ਰੋਗਰਾਮ ਦਾ ਸਥਿਰ ਸੰਚਾਲਨ ਪ੍ਰਾਪਤ ਕੀਤਾ।

ਸਾਰੀਆਂ ਵਰਣਿਤ ਕਾਰਵਾਈਆਂ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਅਸੀਂ ਮਹੱਤਵਪੂਰਨ ਰਣਨੀਤਕ ਅਤੇ ਤਕਨੀਕੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਨਾਲ ਇੱਕ ਪੂਰਾ-ਵਧਿਆ ਹੋਇਆ ਸਾਫਟਵੇਅਰ ਉਤਪਾਦ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ।

ਸਮਾਰਟ ਟੈਂਕ ਰੀਡਰ

ਇਸ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਸਾਡਾ ਨਵਾਂ ਵਿਕਾਸ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ - ਇੱਕ ਵੀਡੀਓ ਸਟ੍ਰੀਮ ਵਿੱਚ ਟੈਂਕਾਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਇੱਕ ਪ੍ਰੋਗਰਾਮ ਸਮਾਰਟ ਟੈਂਕ ਰੀਡਰ, ਜੋ:

• ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਵਸਤੂਆਂ ਦੇ ਇੱਕ ਦਿੱਤੇ ਸਮੂਹ ਲਈ "ਦੋਸਤ ਜਾਂ ਦੁਸ਼ਮਣ" ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ;
• ਜਿਓਮੈਟ੍ਰਿਕ ਪੈਰਾਮੀਟਰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ (ਵਸਤੂ ਦੀ ਦੂਰੀ, ਵਸਤੂ ਦੀ ਤਰਜੀਹੀ ਸਥਿਤੀ);
• ਬੇਕਾਬੂ ਮੌਸਮ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ, ਨਾਲ ਹੀ ਵਿਦੇਸ਼ੀ ਵਸਤੂਆਂ ਦੁਆਰਾ ਆਬਜੈਕਟ ਦੇ ਅੰਸ਼ਕ ਬਲਾਕਿੰਗ ਦੇ ਮਾਮਲੇ ਵਿੱਚ;
• ਰੇਡੀਓ ਸੰਚਾਰ ਦੀ ਅਣਹੋਂਦ ਸਮੇਤ, ਟਾਰਗੇਟ ਡਿਵਾਈਸ 'ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖੁਦਮੁਖਤਿਆਰ ਕਾਰਵਾਈ;
• ਸਮਰਥਿਤ ਪ੍ਰੋਸੈਸਰ ਆਰਕੀਟੈਕਚਰ ਦੀ ਸੂਚੀ: ਐਲਬਰਸ, ਬੈਕਲ, ਕੋਮਡਿਵ, ਅਤੇ ਨਾਲ ਹੀ x86, x86_64, ARM;
• ਸਮਰਥਿਤ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮਾਂ ਦੀ ਸੂਚੀ: Elbrus OS, AstraLinux OS, Atlix OS, ਅਤੇ ਨਾਲ ਹੀ MS Windows, macOS, gcc 4.8, Android, iOS ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਵੱਖ-ਵੱਖ Linux ਵੰਡ;
• ਪੂਰੀ ਤਰ੍ਹਾਂ ਘਰੇਲੂ ਵਿਕਾਸ.

ਆਮ ਤੌਰ 'ਤੇ, ਹੈਬਰੇ 'ਤੇ ਸਾਡੇ ਲੇਖਾਂ ਦੇ ਸਿੱਟੇ ਵਜੋਂ, ਅਸੀਂ ਮਾਰਕੀਟਪਲੇਸ ਲਈ ਇੱਕ ਲਿੰਕ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ, ਜਿੱਥੇ ਕੋਈ ਵੀ ਵਿਅਕਤੀ ਆਪਣੇ ਮੋਬਾਈਲ ਫੋਨ ਦੀ ਵਰਤੋਂ ਕਰ ਰਿਹਾ ਹੈ ਤਾਂ ਜੋ ਤਕਨਾਲੋਜੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਅਸਲ ਵਿੱਚ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਇੱਕ ਡੈਮੋ ਸੰਸਕਰਣ ਡਾਊਨਲੋਡ ਕੀਤਾ ਜਾ ਸਕੇ। ਇਸ ਵਾਰ, ਨਤੀਜੇ ਵਜੋਂ ਐਪਲੀਕੇਸ਼ਨ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਸਾਰੇ ਪਾਠਕਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਜੀਵਨ ਵਿੱਚ ਕਦੇ ਵੀ ਜਲਦੀ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਦਾ ਸਾਹਮਣਾ ਨਾ ਕਰਨਾ ਪਵੇ ਕਿ ਕੀ ਇੱਕ ਟੈਂਕ ਇੱਕ ਖਾਸ ਪਾਸੇ ਨਾਲ ਸਬੰਧਤ ਹੈ ਜਾਂ ਨਹੀਂ।

ਸਰੋਤ: www.habr.com