آموزشبینایی ماشین

درس ۴ از ۸۱، هوش مصنوعی، حدود ۲۵ دقیقه خواندن

چهار کار اصلی: دسته‌بندی، تشخیص، قطعه‌بندی، ساختن

جواب کوتاه

بینایی ماشین، چهار کار اصلی داره، که هر کدوم، به یه سوال جواب می‌ده. یک، دسته‌بندی تصویر، Image Classification: «توی این عکس، چی هست؟»؛ جوابش، یه برچسب، مثل «گربه». دو، تشخیص اشیا، Object Detection: «چند تا چیز هست، و هر کدوم کجاست؟»؛ جوابش، یه کادر دور هر چیز، با برچسبش. سه، قطعه‌بندی، Segmentation: «دقیقا کدوم پیکسل‌ها، مال چیه؟»؛ جوابش، یه نقشه که هر پیکسل، برچسب داره. یه درس‌نامه‌ی شناخته‌شده‌ی دانشگاهی، دو جورش رو جدا می‌کنه: قطعه‌بندی معنایی، که به هر پیکسل یه دسته می‌ده ولی نمونه‌ها رو از هم جدا نمی‌کنه، و قطعه‌بندی نمونه، که هر چیز رو، جدا، با پیکسل‌هاش، مشخص می‌کنه. چهار، ساختن، یا مدل‌های مولد، Generative Models: همون درس‌نامه می‌گه این مدل‌ها، از داده‌ی آموزش، نمونه‌های تازه‌ای از همون جنس می‌سازن؛ و کاربردهاش رو، ساختن نمونه‌ی واقع‌نما برای هنر، بالا بردن وضوح، و رنگی کردن عکس می‌دونه. مثل چهار سوال درباره‌ی یه عکس خانوادگی: کی توشه، هر کس کجا نشسته، دقیقا دور هر کس رو بکش، و یه عکس تازه، شبیه این بساز.

یه عکس، چهار سوال

درس قبل گفت چرا دیدن، برای ماشین، سخته. حالا ببینیم بینایی ماشین، دقیقا چه کارهایی می‌کنه. یه عکس رو تصور کنید: یه گربه و یه سگ، روی چمن، زیر یه درخت. می‌شه چهار سوال متفاوت، درباره‌ش پرسید.

یک: «توی این عکس، چی هست؟». دو: «هر حیوون، کجای عکسه؟». سه: «دقیقا دور گربه رو، پیکسل به پیکسل، بکش». چهار: «یه عکس تازه بساز، که یه گربه‌ی دیگه، روی چمن، توش باشه». هر کدوم از این سوال‌ها، یکی از چهار کار اصلی بینایی ماشینه.

چهار کار اصلی

این چهار کار، این‌هان: دسته‌بندی، یعنی گفتن اینکه چی هست؛ تشخیص اشیا، یعنی پیدا کردن هر چیز با یه کادر؛ قطعه‌بندی، یعنی مشخص کردن پیکسل‌های هر چیز؛ و ساختن، یعنی تولید عکس تازه.

یه درس‌نامه‌ی شناخته‌شده‌ی دانشگاهی درباره‌ی بینایی ماشین، کارهای «غیر از دسته‌بندی» رو، کنار هم نشون می‌ده: قطعه‌بندی معنایی، دسته‌بندی با مکان‌یابی، تشخیص اشیا، و قطعه‌بندی نمونه. و یه درس جدا، برای مدل‌های مولد، یعنی ساختن، داره. این درس، همه‌ی این‌ها رو، توی همون چهار گروه، باز می‌کنه.

از درشت، به ریز

یه راه خوب برای به خاطر سپردن سه کار اول، یه نردبونه، از درشت به ریز. پله‌ی اول، دسته‌بندی: یه برچسب، برای کل عکس. پله‌ی دوم، تشخیص: یه کادر، برای هر چیز. پله‌ی سوم، قطعه‌بندی: یه برچسب، برای هر پیکسل.

هر پله، اطلاعات دقیق‌تری می‌ده؛ ولی کار سخت‌تری هم هست، و داده‌ی آموزشش، گرون‌تره. کار چهارم، یعنی ساختن، جهتش برعکسه: به جای فهمیدن یه عکس، یه عکس تازه می‌سازه.

کار ۱: دسته‌بندی تصویر

همون درس‌نامه، دسته‌بندی تصویر رو، دادن یه برچسب، از یه مجموعه‌ی ثابت از دسته‌ها، به یه عکس ورودی تعریف می‌کنه؛ و می‌گه این، یکی از مسئله‌های اصلی بینایی ماشینه، که با وجود سادگیش، کاربردهای عملی خیلی زیادی داره.

مثلا یه مدل، که از بین چهار دسته‌ی «گربه، سگ، کلاه، لیوان»، باید بگه یه عکس، کدومه. جواب، فقط یه کلمه‌ست؛ و هیچ‌چی درباره‌ی اینکه گربه، کجای عکسه، یا چند تا گربه هست، نمی‌گه.

جواب، با احتمال

همون درس‌نامه، می‌گه مدل دسته‌بندی، گاهی به جای یه برچسب، یه توزیع روی برچسب‌ها می‌ده، تا نشون بده چقدر مطمئنه. مثلا: گربه، خیلی محتمل؛ سگ، کمی؛ کلاه و لیوان، تقریبا صفر.

این احتمال‌ها، خیلی به کار میان. اگه مدل، برای دو دسته، احتمال نزدیک به هم داده، یعنی مطمئن نیست؛ و شاید بهتر باشه یه آدم، نگاه کنه. توی خیلی از سیستم‌ها، یه مرز اطمینان تعیین می‌شه: اگه احتمال، از اون مرز کمتر بود، تصمیم، با آدمه.

دسته‌بندی، کجا به کار میاد

دسته‌بندی، برای جاهایی خوبه که هر عکس، یه موضوع اصلی داره، و فقط می‌خوایم بدونیم اون موضوع، چیه. مثلا جدا کردن عکس‌های گالری، به «غذا»، «طبیعت»، «آدم»؛ یا تشخیص اینکه یه محصول توی خط تولید، «سالمه» یا «معیوبه».

همون درس‌نامه، یه نکته‌ی مهم هم داره: خیلی از کارهای دیگه‌ی بینایی ماشین، که به نظر کاملا جدان، مثل تشخیص اشیا و قطعه‌بندی، رو می‌شه به دسته‌بندی تصویر، برگردوند. برای همین، دسته‌بندی، پایه‌ی بقیه‌ست.

محدودیت دسته‌بندی

محدودیت اصلی دسته‌بندی، اینه که فقط یه جواب، برای کل عکس، می‌ده. اگه توی عکس، هم گربه باشه هم سگ، مدل دسته‌بندی، یا یکی رو می‌گه، یا احتمال رو بین‌شون تقسیم می‌کنه؛ ولی نمی‌گه هر کدوم کجان.

و اگه چیز مهم، خیلی کوچیک باشه، مثلا یه ترک ریز روی یه قطعه، توی یه عکس بزرگ، دسته‌بندی ساده، شاید نبینه‌ش؛ چون بیشتر عکس، چیز دیگه‌ایه. برای این موقعیت‌ها، کارهای بعدی لازمه.

یه پله بالاتر: دسته‌بندی با مکان‌یابی

همون درس‌نامه، یه کار بین دسته‌بندی و تشخیص رو هم نشون می‌ده: دسته‌بندی با مکان‌یابی؛ به انگلیسی Classification + Localization. یعنی مدل، هم می‌گه چی هست، و هم یه کادر، دور اون می‌کشه. ولی فقط برای یه چیز.

توی همون درس‌نامه، این کار، زیر عنوان «یه شیء» اومده. یعنی فرض می‌کنه توی عکس، یه چیز اصلی هست؛ و می‌خواد هم اسمش، هم جاش رو بدونه. برای عکس‌هایی که یه موضوع اصلی دارن، مثل عکس محصول، این کافیه.

کادر، با عدد

یه کادر، برای کامپیوتر، فقط چند عدده: مثلا مختصات گوشه‌ی بالا چپ، و عرض و ارتفاع. یعنی مدل مکان‌یابی، به جای یه برچسب تنها، چند تا عدد هم پیش‌بینی می‌کنه.

همون درس‌نامه، توی توضیح روش‌ها، دو خروجی رو کنار هم نشون می‌ده: امتیاز دسته‌ها، که می‌گه چی هست؛ و مختصات کادر، که می‌گه کجاست. یعنی همون مدل دسته‌بندی، با یه بخش اضافه که عدد کادر رو حدس می‌زنه.

کار ۲: تشخیص اشیا

تشخیص اشیا، به انگلیسی Object Detection، یه قدم جلوتره: همه‌ی چیزها، از دسته‌های مشخص، توی عکس رو پیدا می‌کنه؛ هر کدوم با یه کادر و یه برچسب. همون درس‌نامه، این کار رو، زیر عنوان «چند شیء» نشون می‌ده.

یعنی توی عکس گربه و سگ، مدل تشخیص، دو کادر می‌کشه: یکی دور گربه، با برچسب «گربه»؛ یکی دور سگ، با برچسب «سگ». و اگه سه گربه باشه، سه کادر. تعداد کادرها، از قبل معلوم نیست؛ و همین، کار رو سخت‌تر از مکان‌یابی یه چیز می‌کنه.

یه ایده‌ی ساده: پنجره‌ی لغزان

چطوری می‌شه با یه مدل دسته‌بندی، تشخیص اشیا انجام داد؟ همون درس‌نامه، یه ایده‌ی ساده رو نشون می‌ده: تیکه‌های خیلی زیادی از عکس رو، جدا جدا، ببرید، و به مدل دسته‌بندی بدید، تا برای هر تیکه بگه: «سگه؟ گربه‌ست؟ یا پس‌زمینه؟».

به این، پنجره‌ی لغزان، به انگلیسی Sliding Window، می‌گن؛ چون یه پنجره، روی کل عکس، جابه‌جا می‌شه. همین ایده، برای قطعه‌بندی هم، امتحان شده: برای هر پیکسل، یه تیکه‌ی کوچیک دورش رو، دسته‌بندی کنید. این، دقیقا همون حرف درس‌نامه‌ست که کارهای دیگه، به دسته‌بندی برمی‌گردن.

مشکل پنجره‌ی لغزان

ولی همون درس‌نامه، مشکلش رو هم می‌گه: باید مدل رو، روی تعداد خیلی زیادی جا و اندازه، اجرا کرد؛ و این، از نظر محاسبه، خیلی پرهزینه‌ست. و برای قطعه‌بندی، می‌گه خیلی ناکارآمده، چون تیکه‌هایی که روی هم می‌افتن، محاسبه‌های مشترکشون رو، دوباره و دوباره، انجام می‌دن.

یعنی ایده، درسته، ولی کنده. بیشتر روش‌های بعدی، راه‌هایی برای انجام همین ایده، با محاسبه‌ی خیلی کمتر، هستن. ایستگاه‌های بعدی این مسیر، بعضی از این راه‌ها رو، ساده، باز می‌کنن.

یه راه سریع‌تر: پیشنهاد ناحیه

یکی از راه‌هایی که همون درس‌نامه نشون می‌ده، پیشنهاد ناحیه‌ست؛ به انگلیسی Region Proposal. ایده: به جای امتحان همه‌ی جاها، اول، با یه روش سریع، ناحیه‌هایی رو پیدا کن که احتمالا یه چیز توشونه؛ و بعد، فقط همون ناحیه‌ها رو، به مدل دسته‌بندی بده.

همون درس‌نامه، می‌گه این روش‌ها، نسبتا سریعن، و یه نمونه‌شون، حدود هزار ناحیه‌ی پیشنهادی رو، در چند ثانیه، روی یه پردازنده‌ی معمولی، پیدا می‌کنه. هزار ناحیه، خیلی کمتر از همه‌ی جاها و اندازه‌های ممکنه؛ و کار رو، خیلی سریع‌تر می‌کنه.

تشخیص، کجا به کار میاد

تشخیص اشیا، هر جا که بخوایم بدونیم چند تا چیز هست و هر کدوم کجاست، به کار میاد. مثلا شمردن آدم‌ها توی یه صف؛ پیدا کردن ماشین‌ها و عابرها جلوی یه ماشین؛ پیدا کردن پلاک، پیش از خوندنش؛ یا شمردن میوه‌ها روی درخت.

همین که می‌شه شمرد، خودش، کاربرد بزرگیه. خیلی از سوال‌های عملی، مثل «چند تا محصول روی قفسه مونده؟»، یا «چند نفر وارد مغازه شدن؟»، با تشخیص اشیا، جواب داده می‌شن.

کار ۳: قطعه‌بندی معنایی

قطعه‌بندی، از کادر هم دقیق‌تره. همون درس‌نامه، قطعه‌بندی معنایی، به انگلیسی Semantic Segmentation، رو اینطوری تعریف می‌کنه: به هر پیکسل عکس، یه برچسب دسته بده. یعنی هر پیکسل، می‌گه «من، آسمونم»، «من، درختم»، «من، چمنم»، یا «من، گربه‌ام».

همون درس‌نامه، زیر این کار، می‌نویسه: «شیء نه، فقط پیکسل». یعنی قطعه‌بندی معنایی، به چیزها، به عنوان چیزهای جدا، فکر نمی‌کنه؛ فقط به هر پیکسل، یه دسته می‌ده.

یه برچسب، برای هر پیکسل

خروجی قطعه‌بندی معنایی، یه عکس هم‌اندازه با عکس اصلیه، که توش، به جای رنگ، هر پیکسل، شماره‌ی یه دسته رو داره. وقتی هر دسته رو با یه رنگ نشون بدید، یه نقشه‌ی رنگی می‌بینید: آسمون آبی، درخت سبز، جاده خاکستری.

این، اطلاعات خیلی دقیقی می‌ده: نه فقط اینکه درخت هست، بلکه دقیقا لبه‌ش کجاست. برای کارهایی که شکل دقیق مهمه، مثل اینکه یه ماشین خودران بدونه دقیقا کجای جاده، قابل رانندگیه، این اطلاعات، خیلی به کار میاد.

ولی نمونه‌ها رو، جدا نمی‌کنه

همون درس‌نامه، یه محدودیت مهم قطعه‌بندی معنایی رو هم می‌گه: نمونه‌ها رو از هم جدا نمی‌کنه، و فقط به پیکسل‌ها اهمیت می‌ده. یعنی اگه دو گاو، کنار هم باشن، قطعه‌بندی معنایی، همه‌ی پیکسل‌هاشون رو «گاو» می‌دونه؛ ولی نمی‌گه کدوم پیکسل، مال گاو اوله، و کدوم، مال گاو دوم.

برای خیلی کارها، این اشکالی نداره؛ مثلا برای فهمیدن اینکه کجای عکس، آسمونه. ولی اگه بخوایم گاوها رو بشمریم، یا هر کدوم رو جدا دنبال کنیم، کافی نیست.

قطعه‌بندی نمونه

برای جدا کردن نمونه‌ها، کار دیگه‌ای هست: قطعه‌بندی نمونه؛ به انگلیسی Instance Segmentation. همون درس‌نامه، این رو هم، کنار بقیه، زیر عنوان «چند شیء» نشون می‌ده. یعنی هم مثل تشخیص، هر چیز رو جدا پیدا می‌کنه؛ و هم مثل قطعه‌بندی، پیکسل‌های دقیق هر کدوم رو مشخص می‌کنه.

توی مثال دو گاو، قطعه‌بندی نمونه، می‌گه: این پیکسل‌ها، گاو شماره‌ی یکن؛ این پیکسل‌ها، گاو شماره‌ی دو. یعنی ترکیبی از بهترین‌های تشخیص و قطعه‌بندی؛ و برای همین، از هر دو، سخت‌تره.

قطعه‌بندی، کجا به کار میاد

قطعه‌بندی، هر جا که شکل دقیق مهمه، به کار میاد. مثلا جدا کردن آدم از پس‌زمینه توی تماس تصویری، تا پس‌زمینه، تار یا عوض بشه؛ مشخص کردن دقیق یه ناحیه توی عکس پزشکی؛ یا اندازه‌گیری مساحت یه مزرعه، از روی عکس هوایی.

ابزارهای ویرایش عکس هم، از قطعه‌بندی استفاده می‌کنن؛ مثلا وقتی با یه کلیک، کل یه آدم، یا کل آسمون، انتخاب می‌شه. یعنی قطعه‌بندی، خیلی وقت‌ها، بی اینکه اسمش رو بدونیم، توی ابزارهای روزمره هست.

کار ۴: ساختن عکس

چهارمین کار، برعکس سه تای قبلیه. به جای فهمیدن یه عکس، یه عکس تازه می‌سازه. به مدل‌هایی که این کار رو می‌کنن، مدل‌های مولد، به انگلیسی Generative Models، می‌گن.

یه درس‌نامه‌ی دیگه از همون دوره، تعریفش رو اینطوری می‌گه: با داشتن داده‌ی آموزش، نمونه‌های تازه‌ای بساز، از همون توزیع. یعنی مدل، هزاران عکس گربه می‌بینه، و یاد می‌گیره عکس‌های تازه‌ای بسازه که شبیه همون‌ها باشن؛ گربه‌هایی که هیچ‌وقت وجود نداشتن.

از همون جنس

کلمه‌ی «همون توزیع»، توی تعریف، مهمه. یعنی عکس تازه، باید از همون جنس عکس‌های آموزشی باشه: اگه مدل، فقط عکس گربه دیده، عکس گربه می‌سازه، نه ماشین. و اگه فقط عکس‌های قدیمی سیاه‌وسفید دیده، عکس‌های تازه‌ش هم، احتمالا همون شکلی‌ان.

همون درس‌نامه، می‌گه هدف، اینه که مدل، توزیعی رو یاد بگیره که شبیه توزیع داده‌ی واقعی باشه. این، کاری بسیار سخت‌تر از دسته‌بندیه؛ چون مدل، باید بفهمه یه گربه، توی همه‌ی جزئیاتش، چه شکلیه، نه فقط اینکه گربه هست یا نه.

ساختن، کجا به کار میاد

همون درس‌نامه، چند کاربرد برای مدل‌های مولد می‌گه: ساختن نمونه‌های واقع‌نما برای کارهای هنری؛ بالا بردن وضوح، یعنی تبدیل یه عکس کم‌کیفیت به یه عکس باکیفیت‌تر؛ و رنگی کردن عکس‌های سیاه‌وسفید.

امروز، مدل‌های مولد، خیلی فراتر رفتن، و می‌تونن از روی یه جمله، یه عکس کامل بسازن. مسیر «یادگیری ماشین» و ایستگاه‌های آخر همین مسیر، درباره‌ی روش کار این مدل‌ها، بیشتر می‌گن.

عکس ساختگی، و احتیاط

توانایی ساختن عکس‌های واقع‌نما، یه طرف حساس هم داره: می‌شه ازش، برای ساختن عکس‌های جعلی از آدم‌های واقعی، یا اتفاق‌هایی که هیچ‌وقت نیفتادن، سوءاستفاده کرد. این، اعتماد به عکس‌ها رو، کمتر می‌کنه.

برای همین، یه عادت خوب، برای همه: پیش از باور کردن یا پخش کردن یه عکس عجیب یا خیلی عجیب، منبعش رو بپرسید. و برای سازنده‌ها: هر جا عکسی با یه مدل مولد ساخته شده، صادقانه بگید که ساختگیه.

کدوم کار رو لازم دارم

برای انتخاب، سوال ساده‌ست: «چه جوابی می‌خوام؟». اگه فقط می‌خواید بدونید عکس، درباره‌ی چیه، دسته‌بندی کافیه. اگه می‌خواید بشمرید، یا بدونید هر چیز کجاست، تشخیص اشیا. اگه شکل دقیق مهمه، قطعه‌بندی؛ و اگه هم شکل دقیق، هم جدا بودن هر نمونه مهمه، قطعه‌بندی نمونه.

و اگه می‌خواید عکس تازه بسازید، یا یه عکس رو، باکیفیت‌تر یا رنگی کنید، مدل‌های مولد. همیشه، ساده‌ترین کاری که جواب سوالتون رو می‌ده، رو انتخاب کنید.

هر پله، گرون‌تره

هر پله‌ی نردبون، معمولا، هزینه‌ی بیشتری داره: مدل بزرگ‌تر، کامپیوتر قوی‌تر، و زمان بیشتر برای هر عکس. یه مدل دسته‌بندی ساده، شاید روی یه گوشی، سریع اجرا بشه؛ یه مدل قطعه‌بندی نمونه، معمولا، کامپیوتر قوی‌تری لازم داره.

برای همین، انتخاب کار درست، فقط درباره‌ی دقت نیست؛ درباره‌ی سرعت و هزینه هم هست. اگه یه کادر، جواب سوالتون رو می‌ده، لازم نیست پیکسل به پیکسل، قطعه‌بندی کنید.

برچسب زدن، هم گرون‌تر می‌شه

یه هزینه‌ی مهم که اغلب، فراموش می‌شه، ساختن داده‌ی آموزشه. برای دسته‌بندی، کافیه برای هر عکس، یه کلمه بنویسید؛ کار چند ثانیه. برای تشخیص، باید دور هر چیز، یه کادر بکشید؛ چند برابر وقت بیشتر.

و برای قطعه‌بندی، باید دور هر چیز رو، دقیق، پیکسل به پیکسل، یا با یه چندضلعی دقیق، بکشید؛ که برای یه عکس شلوغ، می‌تونه خیلی وقت‌گیر باشه. پس هر پله‌ی بالاتر، داده‌ی گرون‌تری هم لازم داره.

توی سیستم‌های واقعی، با هم

خیلی وقت‌ها، یه سیستم واقعی، چند تا از این کارها رو، با هم، استفاده می‌کنه. مثلا یه سیستم خوندن پلاک: اول، تشخیص اشیا، ماشین و پلاک رو پیدا می‌کنه؛ بعد، یه مدل دیگه، حرف‌ها رو می‌خونه، که خودش، یه جور دسته‌بندی برای هر حرفه.

یا یه ماشین خودران: تشخیص اشیا، برای ماشین‌ها و عابرها؛ قطعه‌بندی، برای پیدا کردن جاده و خط‌ها. همون‌طور که درس‌نامه گفت، این کارها، از هم جدا نیستن؛ ریشه‌ی مشترک دارن، و خوب با هم کار می‌کنن.

چند کار دیگه

کنار این چهار کار، کارهای دیگه‌ای هم هست، که معمولا، ترکیبی از این‌هان. دنبال کردن، به انگلیسی Tracking: پیدا کردن یه چیز توی فریم‌های پشت سر هم‌ی ویدیو. خوندن نوشته، OCR: پیدا کردن نوشته و خوندن حرف‌هاش. و تخمین حالت بدن، Pose Estimation: پیدا کردن جای مفصل‌های بدن آدم، مثل شونه، آرنج، و زانو.

هر کدوم از این‌ها، از همون پایه‌ها، یعنی دسته‌بندی، کادر، و پیکسل، ساخته شدن. وقتی این چهار کار اصلی رو بفهمید، فهمیدن بقیه، خیلی آسون‌تره.

برای صاحب‌های کسب‌وکار

اگه به استفاده از بینایی ماشین فکر می‌کنید، اول، سوالتون رو، دقیق، با یکی از این چهار کار، جور کنید. «می‌خوام بدونم محصول، سالمه یا نه» یعنی دسته‌بندی. «می‌خوام بدونم چند تا جنس روی قفسه‌ست» یعنی تشخیص.

این جور کردن، کمک می‌کنه وقتی با یه برنامه‌نویس یا شرکت حرف می‌زنید، دقیق بگید چی می‌خواید؛ و هزینه‌ی یه کار سخت‌تر و گرون‌تر از لازم رو، ندید.

برای هر سنی

یه بازی ساده، این چهار کار رو، برای هر سنی، روشن می‌کنه. یه عکس خانوادگی چاپ کنید. کار اول: بگید توی عکس، چی هست؛ «خانواده توی پارک». کار دوم: با یه مداد، دور هر نفر، یه مستطیل بکشید. کار سوم: با ماژیک، دقیقا دور بدن یه نفر رو، رنگ کنید.

و کار چهارم: یه نقاشی تازه بکشید، از یه خانواده‌ی دیگه، توی یه پارک دیگه. همین چهار کار، همون کارهاییه که بینایی ماشین، با عددها، انجام می‌ده.

چند واژه

Image Classification، یعنی دسته‌بندی تصویر. Localization، یعنی مکان‌یابی. Object Detection، یعنی تشخیص اشیا. Bounding Box، یعنی کادر دور یه چیز. Semantic Segmentation، یعنی قطعه‌بندی معنایی.

Instance Segmentation، یعنی قطعه‌بندی نمونه. Generative Model، یعنی مدل مولد. Super-Resolution، یعنی بالا بردن وضوح. Colorization، یعنی رنگی کردن. Tracking، یعنی دنبال کردن. Pose Estimation، یعنی تخمین حالت بدن.

جواب کوتاه

اگه کسی پرسید «کارهای اصلی بینایی ماشین چی‌ان»:

چهار کار: دسته‌بندی، یعنی «چی هست؟» با یه برچسب برای کل عکس؛ تشخیص اشیا، یعنی «چند تا و کجا؟» با یه کادر و برچسب برای هر چیز؛ قطعه‌بندی، یعنی «کدوم پیکسل‌ها؟»، که معنایی، به هر پیکسل یه دسته می‌ده ولی نمونه‌ها رو جدا نمی‌کنه، و نمونه، هر چیز رو با پیکسل‌هاش جدا می‌کنه؛ و ساختن، با مدل‌های مولد، که نمونه‌ی تازه از همون جنس می‌سازن، مثل رنگی کردن و بالا بردن وضوح. از درشت به ریز؛ هر پله، گرون‌تر؛ و توی سیستم‌های واقعی، اغلب، با هم.

چند باور رایج

  • «دسته‌بندی، می‌گه چیز کجاست.» فقط می‌گه چی هست.
  • «تشخیص و قطعه‌بندی، یکین.» کادر، یا پیکسل‌های دقیق.
  • «قطعه‌بندی معنایی، گاوها رو می‌شمره.» نمونه‌ها رو جدا نمی‌کنه.
  • «همیشه، دقیق‌ترین کار، بهترینه.» ساده‌ترین کار که جواب می‌ده.
  • «عکس ساختگی، همیشه پیداست.» منبع رو بپرسید.

یه مثال

یه باغدار، می‌خواست بدونه کی، سیب‌هاش، آماده‌ی چیدنن. اول، به یه دسته‌بندی ساده فکر کرد: «درخت، آماده‌ست یا نه». ولی فهمید این، کافی نیست؛ چون روی یه درخت، بعضی سیب‌ها رسیده‌ان و بعضی نه.

رفت سراغ تشخیص اشیا: مدل، دور هر سیب، یه کادر می‌کشید و می‌گفت رسیده‌ست یا نه، و تعداد رسیده‌ها رو می‌شمرد. قطعه‌بندی، لازم نشد؛ چون شکل دقیق هر سیب، برای سوالش مهم نبود. با ساده‌ترین کاری که جواب سوالش رو می‌داد، هم داده‌ی آموزشش ارزون‌تر شد، هم مدلش، روی یه گوشی، کار کرد.

تمرین امروز

امروز، چهار کار رو، روی یه عکس، با دست، انجام بدید.

  1. یه عکس که چند چیز توشه، چاپ کنید یا روی گوشی باز کنید.
  2. توی یه کلمه، بگید عکس، درباره‌ی چیه؛ این، دسته‌بندیه.
  3. دور هر چیز، یه مستطیل بکشید و برچسب بزنید؛ این، تشخیص اشیاست.
  4. دور یکی از چیزها رو، دقیق، رنگ کنید؛ این، قطعه‌بندیه.
  5. برای یه کار توی زندگی یا کارتون، بنویسید کدوم یکی از چهار کار رو لازم داره، و چرا.

درس بعدی، کاربردهای بینایی ماشین رو، توی صنعت، پزشکی، کشاورزی و زندگی روزمره، می‌گه.

جمع‌بندی. آنچه از این درس با خودتان می‌برید.

  • دسته‌بندی: چی هست؟ یه برچسب.
  • تشخیص اشیا: چند تا و کجا؟ کادر و برچسب.
  • قطعه‌بندی: کدوم پیکسل‌ها؟ معنایی یا نمونه.
  • ساختن: نمونه‌ی تازه از همون جنس.
  • از درشت به ریز؛ و اغلب، با هم.

خودتون رو بسنجید

۱۵ پرسش، هر بار تازه از میان ۳۰ پرسش این درس. آخرش فقط کارنامه رو می‌بینید: چند تا درست، چند تا نادرست.

خودتون رو بسنجید

۱۵ پرسش

  • هر بار پرسش‌ها و ترتیب گزینه‌ها عوض می‌شه.
  • تا آخر نمی‌گیم کدوم جواب درست بوده؛ می‌تونید برگردید و جوابتون رو عوض کنید.
  • آخرش کارنامه می‌گیرید: چند تا درست، چند تا نادرست.
  • اگه وسطش بستید، دوباره که باز کنید از همون‌جا ادامه می‌دید.

فصل‌های این درس

درس بعد