آموزشبینایی ماشین

درس ۱ از ۸۱، هوش مصنوعی، حدود ۲۵ دقیقه خواندن

بینایی ماشین چیست

جواب کوتاه

بینایی ماشین، به انگلیسی Computer Vision، شاخه‌ای از هوش مصنوعیه که به کامپیوتر یاد می‌ده از عکس و ویدیو، معنی بیرون بکشه: توی این عکس، چی هست، کجاست، و چه اتفاقی داره می‌افته. یه دوربین، هر پیکسل رو، خیلی دقیق ثبت می‌کنه، ولی هیچ‌چی نمی‌فهمه؛ مثل وقتی که یه صفحه با خطی که بلد نیستید رو می‌بینید: هر خط رو روشن می‌بینید، ولی معنیش رو نه. برای کامپیوتر، یه عکس، فقط یه جدول بزرگ از عدده؛ مثلا طبق یه درس‌نامه‌ی شناخته‌شده‌ی دانشگاهی، یه عکس رنگی، برای کامپیوتر، یه آرایه‌ی سه‌بعدی از عددهای صفر تا ۲۵۵ ـه: عرض، ارتفاع، و سه کانال رنگ قرمز، سبز و آبی. کار بینایی ماشین، اینه که از این جدول عدد، به یه معنی برسه، مثل «این گربه‌ست». و چون نمی‌شه برای «گربه» یه دستور قدم به قدم نوشت، امروز این کار، بیشتر با یادگیری از مثال‌ها انجام می‌شه: هزاران عکس برچسب‌دار به مدل نشون داده می‌شه تا خودش، الگو رو یاد بگیره. همین فناوری، پشت قفل چهره‌ی گوشی، اسکن سند، و دوربین‌های خط تولیده.

یه صفحه، با خطی که بلد نیستید

یه صفحه کتاب، با خطی که اصلا بلد نیستید، جلوتونه. چشم‌هاتون، کار خودشون رو خوب انجام می‌دن: هر خط، هر نقطه، و هر پیچ‌وخم رو، روشن می‌بینید. ولی هیچ‌چی نمی‌فهمید؛ نمی‌دونید این صفحه، یه شعره، یه دستور آشپزی، یا یه نامه.

یه دوربین، دقیقا همین حالت رو داره. هر پیکسل رو، خیلی دقیق، ثبت می‌کنه؛ ولی نمی‌دونه توی عکس، یه گربه هست یا یه ماشین. بینایی ماشین، یعنی یاد دادن «خوندن» این صفحه، به کامپیوتر.

بینایی ماشین، یعنی چی

بینایی ماشین، که به انگلیسی بهش Computer Vision می‌گن، شاخه‌ای از هوش مصنوعیه که به کامپیوتر یاد می‌ده از عکس و ویدیو، معنی بیرون بکشه. سه سوال اصلیش: توی این عکس، چی هست؟ کجاست؟ و چه اتفاقی داره می‌افته؟

گاهی بهش «بینایی کامپیوتر» یا «بینایی رایانه‌ای» هم می‌گن؛ همه، یه چیزن. این مسیر کتابخونه، از همین تعریف شروع می‌کنه، و قدم به قدم، تا شبکه‌های عصبی‌ای که امروز، بیشتر این کارها رو انجام می‌دن، می‌ره.

دیدن، با فهمیدن فرق داره

آدم‌ها، دیدن و فهمیدن رو، تقریبا هم‌زمان انجام می‌دن. وقتی یه گربه رو می‌بینید، نیازی نیست فکر کنید؛ فقط «می‌دونید» گربه‌ست. برای همین، فکر می‌کنیم دیدن، کار ساده‌ایه. ولی بخش بزرگی از مغز ما، پشت همین «سادگی» کار می‌کنه.

یه درس‌نامه‌ی شناخته‌شده‌ی دانشگاهی درباره‌ی بینایی ماشین، همین رو می‌گه: کاری مثل شناختن یه گربه، برای آدم، نسبتا ساده‌ست؛ ولی از دید یه الگوریتم کامپیوتری، پر از چالشه. درس سوم این مسیر، کامل، درباره‌ی همین چالش‌هاست.

عکس، برای ماشین: جدول عدد

کامپیوتر، عکس رو، مثل ما نمی‌بینه. برای اون، یه عکس، فقط یه جدول بزرگ از عدده. همون درس‌نامه، می‌گه یه عکس، برای کامپیوتر، یه آرایه‌ی سه‌بعدی بزرگ از عدده: به اندازه‌ی عرض، ضربدر ارتفاع، ضربدر سه.

و یه مثال می‌زنه: یه عکس گربه، با ۲۴۸ پیکسل عرض و ۴۰۰ پیکسل ارتفاع، و سه کانال رنگ، یعنی ۲۴۸ ضربدر ۴۰۰ ضربدر ۳، یعنی ۲۹۷٬۶۰۰ عدد. کار بینایی ماشین، اینه که از این حدود سیصد هزار عدد، به یه کلمه برسه: «گربه».

پیکسل چیه

هر عکس دیجیتال، از نقطه‌های خیلی ریزی ساخته شده، که بهشون پیکسل می‌گن؛ به انگلیسی Pixel، کوتاه‌شده‌ی Picture Element، یعنی تیکه‌ی تصویر. اگه یه عکس رو، خیلی بزرگ کنید، این نقطه‌ها رو، مثل مربع‌های کوچیک، می‌بینید.

هر پیکسل، یه رنگ داره؛ و هر رنگ، با عدد نوشته می‌شه. همون درس‌نامه، می‌گه هر عدد، یه عدد صحیح بین صفره، یعنی سیاه، تا ۲۵۵، یعنی سفید. پس یه عکس، یعنی یه جدول بزرگ، که توی هر خونه‌ش، یه عدد بین صفر تا ۲۵۵ ـه.

سه کانال رنگ

عکس‌های رنگی، معمولا، برای هر پیکسل، سه عدد دارن، نه یکی: یکی برای مقدار قرمز، یکی برای سبز، و یکی برای آبی. به این سه، کانال‌های رنگ می‌گن، و به اختصار، RGB، کوتاه‌شده‌ی Red, Green, Blue.

همون درس‌نامه، همین رو می‌گه: عدد سه، توی «عرض ضربدر ارتفاع ضربدر سه»، یعنی سه کانال رنگ قرمز، سبز و آبی. ترکیب این سه، هر رنگی رو می‌سازه؛ مثلا قرمز و سبز کامل، با آبی صفر، رنگ زرد.

عکس سیاه‌سفید

همه‌ی عکس‌ها، سه کانال ندارن. یه عکس سیاه‌سفید، یا دقیق‌تر، خاکستری، برای هر پیکسل، فقط یه عدد داره: چقدر روشنه. صفر، سیاه؛ ۲۵۵، سفید؛ و عددهای وسط، خاکستری‌های مختلف.

خیلی از روش‌های بینایی ماشین، اول، عکس رنگی رو به خاکستری تبدیل می‌کنن؛ چون یه سوم عدد داره، و برای بعضی کارها، مثل پیدا کردن لبه‌ها یا خوندن نوشته، رنگ، اطلاعات زیادی اضافه نمی‌کنه. این، یکی از کارهای ساده‌ی پردازش تصویره، که درس بعدی، بیشتر بازش می‌کنه.

ویدیو، یعنی عکس پشت عکس

ویدیو، برای کامپیوتر، یه رشته‌ی پشت سر هم از عکس‌هاست، که بهشون فریم می‌گن؛ به انگلیسی Frame. هر ثانیه‌ی یه ویدیو، معمولا، ده‌ها فریم داره. پس یه ویدیوی کوتاه، یعنی هزاران جدول عدد، پشت سر هم.

سوال سوم بینایی ماشین، یعنی «چه اتفاقی داره می‌افته»، معمولا، از مقایسه‌ی همین فریم‌ها با هم، جواب داده می‌شه: مثلا اگه یه چیز، توی فریم‌های پشت سر هم، جابه‌جا بشه، یعنی داره حرکت می‌کنه. دنبال کردن یه چیز توی ویدیو، به انگلیسی Tracking، یکی از کارهای مهم بینایی ماشینه.

اندازه‌ی عکس، و هزینه

هر چی یه عکس، پیکسل بیشتری داشته باشه، جزئیات بیشتری داره؛ ولی عددهای بیشتری هم، باید پردازش بشن. یه عکس گوشی امروزی، میلیون‌ها پیکسل داره؛ یعنی میلیون‌ها عدد، ضربدر سه.

برای همین، خیلی وقت‌ها، پیش از دادن عکس به مدل، اون رو کوچیک‌تر می‌کنن؛ چون برای فهمیدن اینکه توی عکس، یه گربه هست، همه‌ی اون جزئیات، لازم نیست. انتخاب اندازه‌ی درست، یه تعادل بین دقت و سرعته.

فاصله‌ی بین عدد و معنی

حالا، مشکل اصلی روشن می‌شه: بین یه جدول عدد، و یه معنی مثل «گربه»، فاصله‌ی خیلی بزرگیه. هیچ عدد خاصی توی جدول نیست که بگه «اینجا گربه‌ست». گربه، یه الگوی پیچیده‌ست، که توی هزاران عدد، پخشه.

و بدتر: همون گربه، اگه یه کم بچرخه، توی نور دیگه‌ای باشه، یا نیمی‌ش پشت یه مبل باشه، یه جدول عدد کاملا متفاوت می‌سازه. کار بینایی ماشین، اینه که از روی این جدول‌های متفاوت، همیشه، به همون یه معنی برسه.

چرا نمی‌شه براش قانون نوشت

یه فکر طبیعی، اینه که برای شناختن گربه، یه سری قانون بنویسیم: «اگه دو گوش نوک‌تیز داشت، و سبیل داشت، و...». ولی خیلی زود، به بن‌بست می‌رسیم: گربه‌ای که گوشش پیدا نیست؟ گربه‌ای که از پشت دیده می‌شه؟ و چطوری «گوش نوک‌تیز» رو، با عدد، تعریف کنیم؟

همون درس‌نامه، دقیقا همین رو می‌گه: برخلاف نوشتن الگوریتم برای کاری مثل مرتب کردن یه فهرست عدد، روشن نیست که چطوری، یه الگوریتم برای شناختن گربه توی عکس، بنویسیم. برای همین، راه دیگه‌ای لازمه.

یاد گرفتن از مثال‌ها

همون درس‌نامه، راه رو اینطوری می‌گه: به جای اینکه سعی کنیم مستقیم، توی کد، بنویسیم هر چیز، چه شکلیه، کاری شبیه یاد دادن به یه بچه می‌کنیم: به کامپیوتر، تعداد زیادی مثال از هر دسته می‌دیم، و یه الگوریتم یادگیری می‌سازیم که این مثال‌ها رو ببینه، و ظاهر هر دسته رو، خودش، یاد بگیره.

به این روش، رویکرد داده‌محور می‌گن؛ به انگلیسی Data-Driven Approach. یعنی به جای قانون نوشتن، هزاران عکس برچسب‌دار، مثل «این گربه‌ست»، «این سگه»، به مدل نشون داده می‌شه، تا خودش، الگو رو پیدا کنه.

آموزش، و امتحان

این یادگیری، دو مرحله داره. اول، آموزش؛ یعنی مدل، هزاران عکس برچسب‌دار رو می‌بینه، و کم‌کم، طوری تنظیم می‌شه که برچسب درست رو حدس بزنه. به مجموعه‌ی این عکس‌ها، داده‌ی آموزش می‌گن.

دوم، امتحان؛ یعنی مدل رو، روی عکس‌هایی که هیچ‌وقت ندیده، می‌سنجیم. اگه روی این عکس‌های تازه هم، درست جواب بده، یعنی واقعا یاد گرفته، نه فقط حفظ کرده. مسیر «یادگیری ماشین» کتابخونه، این دو مرحله رو، با جزئیات، یاد می‌ده.

سه سوال: چی، کجا، چه اتفاقی

بینایی ماشین، به سه سوال اصلی جواب می‌ده. چی؟ یعنی توی عکس، چه چیزهایی هست: گربه، ماشین، آدم. کجا؟ یعنی هر کدوم، دقیقا کجای عکسه؛ مثلا با یه کادر دورش. و چه اتفاقی؟ یعنی توی یه ویدیو، چی داره پیش میاد: کسی داره راه می‌ره، یه ماشین داره می‌پیچه.

بیشتر کاربردهای بینایی ماشین، یه ترکیبی از این سه سوالن. درس چهارم این مسیر، کارهای اصلی بینایی ماشین رو، که هر کدوم، یه تیکه از این سوال‌ها رو جواب می‌دن، یکی‌یکی، باز می‌کنه.

ساده‌ترین کار: یه برچسب

ساده‌ترین کار بینایی ماشین، دسته‌بندی تصویره؛ به انگلیسی Image Classification. همون درس‌نامه، تعریفش رو اینطوری می‌گه: دادن یه برچسب، از یه مجموعه‌ی ثابت از دسته‌ها، به یه عکس ورودی. مثلا از بین «گربه، سگ، کلاه، لیوان»، بگه این عکس، کدومه.

و می‌گه این، یکی از مسئله‌های اصلی بینایی ماشینه، که با وجود سادگیش، کاربردهای عملی خیلی زیادی داره. گاهی هم، مدل، به جای یه برچسب، یه احتمال برای هر برچسب می‌ده؛ مثلا «نود درصد گربه، هشت درصد سگ».

پایه‌ی بقیه‌ی کارها

یه نکته‌ی جالب از همون درس‌نامه: خیلی از کارهای بینایی ماشین، که به نظر میاد کاملا جدان، مثل تشخیص اشیا و قطعه‌بندی، رو می‌شه به دسته‌بندی تصویر، برگردوند.

برای همین، خیلی از دوره‌های بینایی ماشین، از دسته‌بندی شروع می‌کنن؛ و این مسیر هم، همین‌طور. وقتی دسته‌بندی رو خوب بفهمید، بقیه‌ی کارها، مثل پیدا کردن اینکه یه چیز، کجای عکسه، فقط چند قدم دیگه‌ان.

بینایی ماشین، و هوش مصنوعی

بینایی ماشین، یکی از شاخه‌های هوش مصنوعیه. سرفصل جهانی علوم کامپیوتر، هوش مصنوعی رو، مطالعه‌ی مسئله‌هایی می‌دونه که با روش‌های الگوریتمی معمولی، سخت یا ناممکن حل می‌شن؛ و می‌گه این فنون، امروز، توی اپ‌های روزمره، از جمله عکاسی، هستن.

شناختن یه گربه توی عکس، دقیقا همین نوع مسئله‌ست: دیدیم که با قانون نوشتن معمولی، حل نمی‌شه. برای همین، بینایی ماشین، و هوش مصنوعی، از اول، با هم رشد کردن.

بینایی ماشین، و یادگیری ماشین

یادگیری ماشین، یعنی روش‌هایی که کامپیوتر، با اون‌ها، از داده یاد می‌گیره، به جای اینکه قانون‌ها، مستقیم، براش نوشته بشن. همون رویکرد داده‌محور که دیدیم، یه نمونه از یادگیری ماشینه.

امروز، بیشتر کارهای بینایی ماشین، با یادگیری ماشین، و مخصوصا با شبکه‌های عصبی، انجام می‌شن. ایستگاه‌های بعدی همین مسیر، به شبکه‌های عصبی کانولوشنی می‌رسن؛ نوعی شبکه که مخصوص کار با تصویره. مسیر «یادگیری ماشین» کتابخونه، پایه‌ی این‌هاست.

با پردازش تصویر، فرق داره

یه رشته‌ی نزدیک، پردازش تصویره؛ به انگلیسی Image Processing. پردازش تصویر، معمولا، یه عکس رو به یه عکس دیگه تبدیل می‌کنه: روشن‌ترش می‌کنه، تیزترش می‌کنه، نویزش رو کم می‌کنه، یا می‌چرخونه. مثل فیلترهای یه برنامه‌ی ویرایش عکس.

بینایی ماشین، یه قدم جلوتر می‌ره: از عکس، معنی بیرون می‌کشه؛ مثلا «این گربه‌ست». این دو، خیلی وقت‌ها با هم کار می‌کنن: پردازش تصویر، عکس رو آماده می‌کنه، و بینایی ماشین، ازش معنی می‌سازه. درس بعدی، کامل، درباره‌ی همین فرقه.

یه تاریخچه‌ی کوتاه

بینایی ماشین، یه رشته‌ی تازه نیست؛ پژوهشگرها، از دهه‌ها پیش، روش کار کردن. ولی برای سال‌ها، روش‌ها، بیشتر بر پایه‌ی قانون‌ها و ویژگی‌هایی بودن که آدم‌ها، با دست، طراحی می‌کردن؛ و فقط توی شرایط محدود، خوب کار می‌کردن.

با بزرگ شدن داده‌ها، قوی‌تر شدن کامپیوترها، و رشد شبکه‌های عصبی، توی سال‌های اخیر، بینایی ماشین، جهش بزرگی کرد؛ و از آزمایشگاه، به جیب همه‌ی ما، یعنی به گوشی‌ها، اومد. این مسیر، هم روش‌های قدیمی‌تر، مثل فیلتر، و هم روش‌های تازه رو، یاد می‌ده.

یه ابزار رایگان شناخته‌شده

یکی از شناخته‌شده‌ترین ابزارهای رایگان و متن‌باز برای بینایی ماشین، OpenCV ـه؛ کوتاه‌شده‌ی Open Source Computer Vision Library، یعنی کتابخونه‌ی متن‌باز بینایی ماشین. طبق راهنمای رسمی خودش، کارش رو سال ۱۹۹۹ شروع کرده، و اولین نسخه‌ش، سال ۲۰۰۰ منتشر شده.

همون راهنما، می‌گه این کتابخونه، امروز، تعداد زیادی الگوریتم مربوط به بینایی ماشین و یادگیری ماشین رو پشتیبانی می‌کنه، و با زبان‌هایی مثل پایتون، کار می‌کنه. درس‌های عملی این مسیر، از همین ابزار رایگان، استفاده می‌کنن.

توی زندگی روزمره

بینایی ماشین، الان، احتمالا، توی جیب شماست. وقتی گوشی، با دیدن چهره‌تون، باز می‌شه؛ وقتی دوربین گوشی، روی صورت‌ها، خودکار، فوکوس می‌کنه؛ وقتی یه برنامه، از روی عکس یه سند، متنش رو بیرون میاره؛ یا وقتی توی گالری عکس‌ها، با نوشتن «سگ»، همه‌ی عکس‌های سگ رو پیدا می‌کنید.

و خیلی جاهای دیگه: دوربین‌های خط تولید که محصول معیوب رو جدا می‌کنن؛ سیستم‌هایی که خط جاده رو، برای کمک به راننده، تشخیص می‌دن؛ و ابزارهایی که به خوندن عکس‌های پزشکی کمک می‌کنن. درس پنجم این مسیر، کامل، درباره‌ی کاربردهاست.

چند نمونه، از نزدیک

خوندن نوشته از روی عکس، که بهش OCR می‌گن، کوتاه‌شده‌ی Optical Character Recognition، یعنی شناسایی نوری نویسه، یکی از قدیمی‌ترین کاربردهای بینایی ماشینه: عکس یه صفحه، به متنی تبدیل می‌شه که می‌شه کپی و جست‌وجوش کرد.

یه نمونه‌ی دیگه، کمک به راننده‌ست: دوربین جلوی ماشین، خط‌های جاده رو تشخیص می‌ده، و اگه ماشین، بی‌اینکه راهنما بزنه، از خط بیرون بره، هشدار می‌ده. هر دو، از همون سه سوال، یعنی چی و کجا، استفاده می‌کنن.

بینایی ماشین هم، اشتباه می‌کنه

با همه‌ی پیشرفت‌ها، بینایی ماشین، هنوز اشتباه می‌کنه. گاهی دو چیز شبیه به هم رو، قاطی می‌کنه؛ گاهی توی نور کم یا زاویه‌ی عجیب، چیزی رو نمی‌بینه؛ و گاهی، روی عکس‌هایی که با عکس‌های آموزشش خیلی فرق دارن، جواب‌های عجیبی می‌ده.

برای همین، توی کارهای مهم، مثل پزشکی یا امنیت، معمولا، یه آدم، کنار سیستم، نتیجه رو می‌بینه و تصمیم آخر رو می‌گیره. بینایی ماشین، یه کمک‌دست خیلی خوبه؛ ولی همیشه، درست نیست.

بینایی ماشین، چی نیست

بینایی ماشین، یعنی فقط دوربین نیست؛ دوربین، فقط عکس می‌گیره. ویرایش عکس با فیلتر هم، به تنهایی، نیست؛ اون، پردازش تصویره. و یه جادوی همه‌چیزدان هم نیست؛ فقط چیزهایی رو می‌شناسه که براش آموزش دیده، و توی شرایطی که شبیه داده‌های آموزششه.

یه تصور غلط رایج، اینه که بینایی ماشین، مثل چشم آدم، «می‌فهمه». ولی چیزی که مدل یاد گرفته، الگوهای آماری توی عددهاست؛ نه فهمیدن به معنی آدمی. این فرق، توضیح می‌ده چرا گاهی، اشتباه‌هایی می‌کنه که برای آدم، خنده‌دار به نظر میاد.

حریم خصوصی

بینایی ماشین، یه طرف حساس هم داره: وقتی می‌تونه چهره‌ها رو بشناسه، یعنی می‌تونه آدم‌ها رو، توی عکس‌ها و دوربین‌ها، دنبال کنه. سرفصل جهانی علوم کامپیوتر، فناوری تشخیص چهره رو، یکی از مثال‌های مسائل اخلاقی می‌دونه، و می‌گه نظارت آدم، توی این سیستم‌ها، حیاتیه.

کسی که با بینایی ماشین کار می‌کنه، باید از اول، به این فکر کنه: داده‌ی عکس آدم‌ها رو، با اجازه‌ی کی جمع می‌کنم؟ کجا نگه می‌دارم؟ و این سیستم، اگه اشتباه کنه، به کی آسیب می‌زنه؟ مسیر «علوم کامپیوتر» کتابخونه، یه درس کامل درباره‌ی اخلاق داره.

برای صاحب‌های کسب‌وکار

برای یه صاحب کسب‌وکار، بینایی ماشین، شاید دورتر از اونی باشه که فکر می‌کنید، یا نزدیک‌تر. نزدیکش، چیزهایی مثل اسکن خودکار فاکتورها و رسیدها، یا شمردن خودکار موجودی از روی عکس قفسه‌هاست؛ که خیلی وقت‌ها، با ابزارهای آماده، انجام می‌شه.

یه سوال خوب برای شروع: «کدوم کار تکراری توی کسب‌وکارم، با نگاه کردن به یه عکس یا یه چیز، انجام می‌شه؟». اگه جوابی داشتید، شاید بینایی ماشین، بتونه کمک کنه. ولی پیش از خرج کردن، با چند نمونه‌ی واقعی خودتون، امتحانش کنید.

برای هر سنی

ایده‌ی اصلی بینایی ماشین، یعنی اینکه عکس، برای کامپیوتر، فقط یه جدول عدده، رو حتی یه بچه می‌تونه بفهمه: یه جدول روی کاغذ بکشید، هر خونه رو با یه رنگ، یا یه عدد، پر کنید، و از دور نگاه کنید؛ یه تصویر ساده، ساخته می‌شه.

برای بزرگ‌ترها، این مسیر، از صفر شروع می‌کنه؛ و برای بخش‌های عملیش، فقط یه کامپیوتر معمولی، پایتون، و یه ابزار رایگان لازمه. اگه با پایتون آشنا نیستید، مسیر «پایتون از صفر» کتابخونه، شروع خوبیه.

این مسیر، چی یاد می‌ده

ایستگاه اول این مسیر، تصویر کلی رو می‌ده: بینایی ماشین چیه، فرقش با پردازش تصویر، چرا دیدن برای ماشین سخته، چهار کار اصلی، و کاربردها. بعد، می‌ره سراغ پیکسل و رنگ، فیلترها، و پردازش ساده‌ی تصویر.

و بعد، به شبکه‌های عصبی کانولوشنی، تشخیص اشیا، خوندن نوشته، و ساختن تصویر می‌رسه. هر جا لازم باشه، به مسیرهای «یادگیری ماشین» و «ریاضی برای هوش مصنوعی» وصل می‌شه.

چند واژه

Computer Vision، یعنی بینایی ماشین. Pixel، یعنی پیکسل؛ کوچیک‌ترین تیکه‌ی تصویر. RGB، یعنی سه کانال رنگ قرمز، سبز، آبی. Image Classification، یعنی دسته‌بندی تصویر. Label، یعنی برچسب.

Data-Driven Approach، یعنی رویکرد داده‌محور. Training Data، یعنی داده‌ی آموزش. Image Processing، یعنی پردازش تصویر. OCR، یعنی خوندن نوشته از روی تصویر. Neural Network، یعنی شبکه‌ی عصبی.

جواب کوتاه

اگه کسی پرسید «بینایی ماشین چیه»:

بینایی ماشین، شاخه‌ای از هوش مصنوعیه که به کامپیوتر یاد می‌ده از عکس و ویدیو بفهمه چی هست، کجاست، و چه اتفاقی داره می‌افته. دوربین، می‌بینه ولی نمی‌فهمه؛ مثل صفحه‌ای با خط ناآشنا. عکس برای کامپیوتر، یه جدول عدده: عرض ضربدر ارتفاع ضربدر سه کانال رنگ، با عددهای صفر تا ۲۵۵. چون نمی‌شه برای «گربه» قانون نوشت، مدل، از هزاران عکس برچسب‌دار، الگو رو یاد می‌گیره. پشت قفل چهره، اسکن سند، و دوربین خط تولیده؛ ولی هنوز هم، اشتباه می‌کنه.

چند باور رایج

  • «بینایی ماشین، همون دوربینه.» دوربین می‌بینه؛ بینایی ماشین، می‌فهمه.
  • «کامپیوتر، عکس رو مثل ما می‌بینه.» برای اون، جدول عدده.
  • «می‌شه براش قانون نوشت.» از مثال‌ها یاد می‌گیره.
  • «هیچ‌وقت اشتباه نمی‌کنه.» می‌کنه؛ آدم، کنارش لازمه.
  • «با پردازش تصویر، یکیه.» پردازش، عکس می‌سازه؛ بینایی، معنی.

یه مثال

یه کارگاه کوچیک بسته‌بندی خرما، هر روز، چند نفر داشت که خرماهای خراب رو، با چشم، جدا می‌کردن. کار خسته‌کننده‌ای بود، و آخر روز، که چشم‌ها خسته بودن، اشتباه‌ها بیشتر می‌شد.

یه دانشجوی بینایی ماشین، پیشنهاد داد یه دوربین، بالای تسمه بذارن. هزاران عکس از خرمای سالم و خراب گرفتن، و یه مدل دسته‌بندی، روی این عکس‌ها، آموزش دیدن. مدل، خرماهای احتمالا خراب رو علامت می‌زد، و یه نفر، فقط همون‌ها رو، دوباره نگاه می‌کرد. کار، سریع‌تر شد، و آخر روز هم، دقتش کم نمی‌شد؛ ولی تصمیم آخر، هنوز با یه آدم بود.

تمرین امروز

امروز، یه عکس رو، مثل یه کامپیوتر، ببینید.

  1. یه عکس روی گوشی‌تون رو، اونقدر بزرگ کنید که پیکسل‌ها رو، مثل مربع ببینید.
  2. یه جدول ده در ده روی کاغذ بکشید و با دو رنگ، یه شکل ساده، مثل یه قلب، توش بسازید.
  3. به جای رنگ‌ها، توی هر خونه، صفر یا ۲۵۵ بنویسید؛ این، عکس شما برای یه کامپیوتره.
  4. سه جا که امروز، بینایی ماشین رو، توی گوشی یا اطرافتون دیدید، بنویسید.
  5. برای یکی‌شون بنویسید: چی رو تشخیص می‌ده، و کجا ممکنه اشتباه کنه.

درس بعدی، فرق بینایی ماشین و پردازش تصویر رو می‌گه.

جمع‌بندی. آنچه از این درس با خودتان می‌برید.

  • بینایی ماشین: فهمیدن معنی از عکس و ویدیو.
  • دوربین می‌بینه؛ ولی نمی‌فهمه؛ مثل خط ناآشنا.
  • عکس برای ماشین: جدول عدد، صفر تا ۲۵۵، سه کانال رنگ.
  • روش امروز: یادگیری از هزاران مثال برچسب‌دار.
  • قفل چهره، اسکن سند، خط تولید، و خیلی جاهای دیگه.

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