 |
與我們一起深入探索電腦視覺的應用。我們還將介紹各種電腦視覺任務，例如目標偵測和分割。
在探索電腦視覺模型的歷史時，我們了解了電腦視覺的演變過程，以及它是如何發展成為如今先進的視覺模型的。像 Ultralytics YOLOv8 這樣的現代模型支援多種電腦視覺任務，並廣泛應用於各種令人興奮的應用中。
在本報導中，我們將介紹電腦視覺和視覺模型的基礎知識。我們將介紹它們的工作原理及其在各行業的多樣化應用。電腦視覺創新無所不在，默默地塑造我們的世界。讓我們 一一 揭曉它們！
什麼是電腦視覺？
人工智慧 (AI) 是一個涵蓋性術語，涵蓋了眾多目的在複製部分人類智慧的技術。電腦視覺就是人工智慧的一個分支領域。電腦視覺致力於賦予機器「眼睛」，使其能夠觀察、理解周圍環境。
與人類視覺一樣，電腦視覺解決方案目的在區分物體、計算距離和檢測運動。然而，與人類不同，人類擁有一生的經驗來幫助他們觀察和理解，而電腦則依賴大量的數據、高清攝影機和複雜的演算法。
電腦視覺系統能夠以驚人的速度和精確度，處理和分析影像、圖像等視覺資料。快速且準確地分析大量視覺資訊的能力，使電腦視覺成為從製造業，到醫療保健等，各行各業的強大工具。
視覺模型支援各種電腦視覺任務
電腦視覺模型是任何電腦視覺應用的核心。它們本質上是由深度學習技術驅動的計算演算法，目的在賦予機器解釋和理解視覺資訊的能力。視覺模型支援從影像分類到物體偵測等，一系列關鍵的電腦視覺任務。讓我們更詳細地了解其中一些任務及其用例。
影像分類
影像分類是指將影像分類，並標註到預先定義的類別中。像 YOLOv8 這樣的視覺模型，可以利用大型標註圖像資料集進行訓練。在訓練過程中，模型會學習辨識與每個類別相關的模式和特徵。訓練完成後，它可以透過分析新影像的特徵，並將其與已學習的模式進行比較，來預測新影像的類別。
影像分類有多種類型。例如，處理醫學影像時，你可以使用二分類將圖片分為兩類，例如健康或患病。另一種類型是多類分類。它可以幫助將圖像分成許多組，例如將農場裡的不同動物分類，例如豬、山羊和牛。或者，假設你想將動物分成不同的組和子組，例如將動物分為哺乳動物和鳥類，然後再進一步分為獅子、老虎、鷹和麻雀等物種；那麼層次分類將是最佳選擇。
物體偵測
物體偵測是使用電腦視覺在影像和視訊影格中，辨識和定位物體的過程。它包含兩個任務：物體定位（在物體周圍繪製邊界框）和物體分類（辨識每個物體的類別）。基於邊界框標註，視覺模型可以學習辨識，每個物體類別特有的模式和特徵，並預測這些物體在新的、未見過的影像中的存在和位置。
.png)
物體偵測技術在各行各業都有廣泛的應用，從運動體育到海洋生物，無所不包。例如，在零售業，亞馬遜的 Just Walk Out 技術，利用物件偵測技術辨識顧客挑選的商品，實現自動結帳。電腦視覺和感測器數據的結合，讓顧客無需排隊即可取走商品離開。
以下是其工作原理的詳細介紹：
- 安裝在天花板上的攝影機捕捉顧客在商店中的移動，並透過視覺模型即時處理這些影像片段。
- 物體偵測技術用於偵測顧客挑選，並放入購物車的商品，並相應地更新虛擬購物車。
- 貨架上的重量感測器，透過偵測商品的取出或放回來提高準確性。
- 當顧客離開商店時，物體偵測和臉部辨識技術，可以用來確認顧客已經離開，並根據他們的付款資訊（例如信用卡）自動扣款。
語意分割和實例分割
語意分割和實例分割都是電腦視覺任務，有助於將影像分割成有意義的片段。語義分割根據像素的語義含義對其進行分類，並將同一類別中的所有物件視為具有相同標籤的單一實體。它適用於標記不可數的對象，例如「天空」或「海洋」，或聚類對象，例如「樹葉」或「草」。另一方面，實例分割可以透過為每個偵測到的物件分配唯一的標籤，來區分同一類別的不同實例。你可以使用實例分割來分割可數對象，其中物件的數量和獨立性非常重要。它可以實現更精確的識別和區分。
.png)
我們可以透過一個與自動駕駛汽車相關的範例，更清楚地理解語義分割和實例分割之間的差異。語義分割非常適合需要理解場景內容的任務，並且可以在自動駕駛汽車中，用於對道路上的特徵（例如人行橫道和交通標誌）進行分類。同時，實例分割可用於在自動駕駛汽車中，辨識單一行人、車輛和障礙物。
姿態估計
姿態估計是一項電腦視覺任務，專注於檢測和追蹤圖像或影像中，物體姿態的關鍵點。它最常用於人體姿態估計，關鍵點包括肩膀和膝蓋等區域。估計人體姿態有助於我們理解和辨識，對各種應用非常重要的動作和運動。
姿勢估計可用於體育運動中，分析運動員的運動方式。NBA 使用姿勢估計，來研究球員在比賽中的動作和位置。透過追蹤肩膀、手肘、膝蓋和腳踝等關鍵點，姿勢估計可以深入了解球員的動作。這些洞察有助於教練制訂更合理的戰術，優化訓練計劃，並在比賽中進行即時調整。此外，這些數據還可以幫助監測球員的疲勞程度和受傷風險，從而改善球員的整體健康和運動表現。
定向邊界框物體偵測
定向邊界框物體偵測 (OBB，Oriented bounding boxes object detection) 使用旋轉矩形，來精確辨識和定位影像中的物體。與與影像軸對齊的標準邊界框不同，OBB 會旋轉以符合物體的方向。這使得它們對於非完全水平或垂直的物體特別有用。它們非常擅長精確定位和隔離旋轉的物體，以防止在擁擠的環境中重疊。
.png)
在海上監控中，辨識和追蹤船舶是安全和資源管理的關鍵。OBB 偵測可用於精確定位船舶，即使船舶密集排列或方向各異。它有助於監控航道、管理海上交通並優化港口運作。它還可以透過快速辨識和評估，颶風或漏油等事件後，船舶和基礎設施的損壞情況，來協助災難應變。
對象追蹤
到目前為止，我們已經討論了處理影像的電腦視覺任務。物件追蹤是一項電腦視覺任務，可以在影像的整個影格中追蹤物件。它首先使用檢測演算法辨識第一幀中的對象，然後持續追蹤其在影像中移動的位置。對象追蹤涉及對象檢測、特徵提取和運動預測等技術，以確保追蹤的準確性。
.png)
YOLOv8 等視覺模型，可用於追蹤海洋生物學中的魚類。研究人員可以使用水下攝影機監測魚類，在其自然棲息地的活動和行為。該過程首先檢測影像的前幾幀中的單一魚類，然後在整個影像中追蹤它們的位置。追蹤魚類有助於科學家了解遷徙模式、社會行為，以及它們與環境的互動。此外，它還能透過提供魚類分佈和豐度方面的洞見，支持永續的捕撈實踐。
電腦視覺的最後回顧
電腦視覺正在積極改變我們使用科技和與世界互動的方式。透過使用深度學習模型和複雜演算法，來理解圖像和影像，電腦視覺幫助各行各業簡化了許多流程。諸如物體檢測和物體追蹤之類的電腦視覺任務，正在使創建前所未有的解決方案成為可能。隨著電腦視覺技術的不斷進步，未來將湧現更多創新應用！
讓我們共同學習、一起成長！瀏覽我們的 GitHub 程式碼庫，了解我們對人工智慧的貢獻。了解我們如何利用人工智慧，重新定義自動駕駛汽車和農業等行業。🚀
| iF+ 系列雙系統免接觸式智慧門鎖 |
0 comments:
張貼留言