Начать

Как определить цели проекта компьютерного зрения

Чтобы определить цели проекта компьютерного зрения, сформулируй проблему, указав основную задачу, область охвата, заинтересованные стороны и ограничения; задай измеримые цели со сроками; сопоставь проблему с задачей компьютерного зрения, от которой зависят выбор модели и набора данных, а также решения по развертыванию. В этом руководстве каждый шаг разобран на конкретном примере.



Смотри: Как определить цель проекта компьютерного зрения | Связь постановки задачи с задачами VisionAI 🚀

Обзор всего процесса — от сбора данных до развертывания — см. в руководстве о ключевых этапах проекта компьютерного зрения.

Как сформулировать проблему проекта компьютерного зрения#

Четкая постановка задачи — первый важный шаг к поиску наиболее эффективного решения. Она состоит из четырех частей:

  • Определи основную проблему: Укажи конкретную задачу, которую должен решить твой проект компьютерного зрения.
  • Определи область охвата: Установи границы своей задачи.
  • Учти конечных пользователей и заинтересованные стороны: Определи, на кого повлияет решение.
  • Проанализируй требования и ограничения проекта: Оцени доступные ресурсы (время, бюджет, персонал) и выяви технические или нормативные ограничения.

Пример формулировки бизнес-проблемы#

Рассмотрим проект компьютерного зрения, цель которого — оценивать скорость автомобилей на автомагистрали. Основная проблема заключается в том, что существующие методы контроля скорости неэффективны и часто дают сбои из-за устаревших радарных систем и ручных процессов. Цель проекта — разработать систему компьютерного зрения для работы в реальном времени, которая заменит устаревшие системы оценки скорости.

Vehicle speed estimation on a highway using Ultralytics YOLO

К основным пользователям относятся органы управления дорожным движением и правоохранительные органы, а к другим заинтересованным сторонам — проектировщики автомагистралей и жители, которым нужны более безопасные дороги. Ключевые требования включают оценку бюджета, сроков и персонала, а также решение технических задач, например использование камер высокого разрешения и обработку данных в реальном времени. Кроме того, необходимо учитывать нормативные ограничения в отношении конфиденциальности и безопасности данных.

Постановка измеримых целей#

Постановка измеримых целей — залог успеха проекта компьютерного зрения. Эффективные цели соответствуют критериям SMART:

КритерийЧто это означает
КонкретнаяСформулируй ясные и подробные цели.
ИзмеримаяУбедись, что цели можно количественно оценить.
ДостижимаяСтавь реалистичные цели, соответствующие твоим возможностям.
РелевантнаяСоотнеси цели с общими задачами проекта.
Ограниченная по времениУстанови сроки для каждой цели.

Для примера с оценкой скорости на шоссе SMART-цели могут быть такими:

  • Чтобы за шесть месяцев добиться не менее 95% точности при определении скорости, используя набор данных из 10 000 изображений автомобилей.
  • Система должна обрабатывать видеопотоки в реальном времени со скоростью 30 кадров в секунду с минимальной задержкой.

Ставя конкретные и поддающиеся количественной оценке цели, ты сможешь эффективно отслеживать прогресс, выявлять области для улучшения и следить за тем, чтобы проект не сбивался с курса.

Как выбрать подходящую задачу компьютерного зрения#

Описание проблемы помогает определить, какая задача компьютерного зрения может её решить. К наиболее популярным задачам относятся классификация изображений, обнаружение объектов и сегментация изображений — подробное сравнение смотри на странице задач Ultralytics.

Comparison of image classification, object detection, and image segmentation outputs

Например, если твоя задача — отслеживать скорость автомобилей на шоссе, тебе подойдёт обнаружение объектов в режиме отслеживания. Отслеживание присваивает каждому обнаруженному автомобилю постоянный идентификатор на всех кадрах видео — это необходимо для расчёта скорости.

Для этой задачи одного обнаружения недостаточно: оно находит автомобили в каждом кадре, но не сохраняет идентификатор каждого автомобиля между кадрами — без этого идентификатора система не сможет измерить перемещение с течением времени. Режим отслеживания присваивает автомобилям идентификаторы. После того как ты определишь подходящую задачу компьютерного зрения, это поможет принять несколько важных решений по проекту, например выбрать модель, подготовить набор данных и подобрать подходы к обучению модели.

С чего начать: с модели, данных или подхода к обучению?#

Порядок выбора модели, подготовки набора данных и определения подхода к обучению зависит от особенностей твоего проекта:

Твоя ситуацияС чего начатьПример
Чётко определённая проблема и целиВыбор моделиДля системы мониторинга дорожного движения, оценивающей скорость автомобилей, выбери модель обнаружения для работы в режиме отслеживания, собери и аннотируй видео с шоссе, а затем обучи модель с применением методов обработки видео в реальном времени.
Уникальные данные или данные в ограниченном объёмеПодготовка набора данныхДля системы распознавания лиц с небольшим набором данных сначала аннотируй данные, затем выбери модель, хорошо работающую с ограниченным объёмом данных, — например, предварительно обученную модель для трансферного обучения, — и спланируй аугментацию данных, чтобы расширить набор данных.
Важна экспериментальная работа (исследование)Подход к обучениюВ проекте по изучению новых методов обнаружения производственных дефектов сначала проведи эксперименты на небольшой части данных. Найдя перспективный метод, выбери модель с учётом результатов и подготовь полный набор данных.

Если начать с данных, платформа Ultralytics упростит организацию и разметку наборов данных, а также обучение по мере развития проекта.

Как варианты развёртывания влияют на проект#

Варианты развертывания модели существенно влияют на производительность проекта компьютерного зрения, поэтому учитывай их с самого начала. Среда развертывания должна справляться с вычислительной нагрузкой модели:

Вариант развёртыванияЛучше всего подходит дляПримеры технологий
Периферийные устройстваСмартфоны и устройства IoT с ограниченными вычислительными ресурсами; облегчённые моделиLiteRT, среда выполнения ONNX
Облачные серверыСложные модели с высокими вычислительными требованиями; оборудование, масштабируемое по мере развития проектаAWS, Google Cloud, Azure
Локальные серверыВысокие требования к конфиденциальности данных и безопасности; полный контроль над данными и инфраструктуройСерверы GPU с самостоятельным управлением
Гибридные решенияБаланс между производительностью, стоимостью и задержкой; обработка на периферийных устройствах и анализ в облакеСочетание периферийных сред выполнения и облачных платформ

У каждого варианта есть свои преимущества и сложности, а выбор зависит от требований конкретного проекта, например к производительности, стоимости и безопасности.

Заключение#

Успешный проект компьютерного зрения начинается с чёткого описания проблемы, измеримых SMART-целей и выбора подходящей задачи компьютерного зрения — эти решения определяют всё дальнейшее, от выбора модели до развёртывания. В качестве следующего шага узнай, как собирать и аннотировать данные, или обсуди проект с другими разработчиками на GitHub и сервере Ultralytics в Discord.

Часто задаваемые вопросы#

  • Чёткое описание проблемы определяет основную задачу проекта, его границы, конечных пользователей и заинтересованные стороны, а также ограничения по ресурсам и нормативным требованиям. Последовательно проработай эти четыре пункта, а затем согласуй описание с заинтересованными сторонами до принятия технических решений. Подробное руководство и пример смотри в статье «Как составить описание проблемы для проекта компьютерного зрения».

  • Соотнеси требуемый результат с задачей, которая его обеспечивает: если для каждого изображения нужна одна метка, подойдёт классификация изображений; если нужны координаты объектов — обнаружение объектов; если нужны границы на уровне пикселей — сегментация изображений; а если нужно сохранять идентификаторы между кадрами видео — используй ту же модель обнаружения в режиме отслеживания. Например, для мониторинга скорости автомобилей необходимо отслеживание, поскольку скорость вычисляется по перемещению каждого автомобиля с течением времени. Список всех поддерживаемых задач смотри на странице задач Ultralytics.

  • Используй критерии SMART: конкретные, измеримые, достижимые, релевантные и ограниченные по времени. Например: «Достичь точности 95% при определении скорости в течение шести месяцев, используя набор данных из 10 000 изображений автомобилей». Такой подход помогает отслеживать прогресс и выявлять области для улучшения. Подробнее читай о том, как ставить измеримые цели.

  • Нет, предварительно обученные модели не «запоминают» классы в традиционном смысле. Они изучают закономерности на огромных наборах данных, а во время пользовательского обучения (дообучения) эти закономерности адаптируются к конкретной задаче. Возможности модели ограничены, и сосредоточение на новой информации может привести к утрате части предыдущих знаний — это явление называется катастрофическим забыванием.

    Overview of transfer learning from a pretrained model to a custom model

    Если ты хочешь использовать классы, на которых модель была предварительно обучена, можно применить две модели: одна сохранит исходную производительность, а вторая будет дообучена для конкретной задачи. Так ты сможешь объединить результаты обеих моделей. Есть и другие варианты — заморозить слои, использовать предварительно обученную модель для извлечения признаков или создать ветвление под конкретные задачи, — но они сложнее и требуют большего опыта.

  • Варианты развёртывания определяют, какие размеры и форматы моделей можно использовать, поэтому они влияют на проект с самого начала. Для периферийных устройств нужны облегчённые модели, запускаемые в форматах и средах выполнения, таких как LiteRT или среда выполнения ONNX; облачные серверы обрабатывают сложные модели на масштабируемом оборудовании; локальные серверы обеспечивают полный контроль над данными в проектах с высокими требованиями к конфиденциальности; гибридные конфигурации сочетают оба подхода. Сравни варианты в таблице вариантов развёртывания или ознакомься с подробностями в руководстве по вариантам развёртывания моделей.

  • К распространённым трудностям относятся:

    • Расплывчатые или слишком широкие описания проблемы.
    • Нереалистичные цели.
    • Отсутствие согласованности между заинтересованными сторонами.
    • Недостаточное понимание технических ограничений.
    • Недооценка требований к данным.

    Решай эти проблемы с помощью тщательного предварительного исследования, чёткого общения с заинтересованными сторонами и постепенного уточнения описания проблемы и целей. Полный рабочий процесс проекта смотри в статье «Основные этапы проекта компьютерного зрения».

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. VeeranjaneyuluTokaGitHub

    Generally i follow the below criteria to select a model -> Have a look into the literature and have a high level understanding (need to spend a couple of days or weeks also if the problem statement is quite new) -> Experiment with a few samples to check how it really performs -> Check if the chosen model can be good fit on the environment that needs to be deployed.

    However currently we have a problem where we need to detect very small objects and that to be these objects are almost cluttered with background, i tried to follow the literature but most of the methods mentioned that they are good at small object detection. Would be really great if there are any suggestions on the model selection part on these kind of problem statements. Thanks in advance.