Tarayıcıda çalışan nesne tespiti demosu ve kıyas model eğitimi

“Görüntü işleme yapıyoruz” cümlesini kanıtlamanın en dürüst yolu, ziyaretçinin tıklayıp deneyebileceği çalışan bir sistemdir. Ancak müşteri ve yarışma modelleri gizlilik ve ekip kuralları nedeniyle yayımlanamaz. Bu ikilemi, kamuya açık bir hava görüntüsü veri seti üzerinde sıfırdan kendi modelimizi eğiterek çözdük.

Model hafif bir mimariyle, on sınıflı bir hava görüntüsü setinde yirmi beş epoch eğitildi. Eğitilen ağırlık ONNX formatına çevrilip siteye kondu ve çıkarımın tamamı tarayıcıda, istemci tarafında çalışacak biçimde kuruldu: yüklenen görüntü hiçbir sunucuya gitmiyor. Bu, aynı zamanda gizlilik gerektiren müşteri senaryolarında kullandığımız mimarinin gösterimi.

Metriği süslemeden yazmak

Demoda iki model arasında geçiş yapılabiliyor: genel amaçlı hazır bir dedektör ve kendi eğittiğimiz hava görüntüsü modeli. Kullanıcı örnek görüntü, kendi dosyası veya kamera girdisiyle deneyebiliyor, güven eşiğini kaydırabiliyor, tespit sayısını ve çıkarım süresini görebiliyor.

Modelin doğrulama skorunu olduğu gibi yazıyoruz: mAP50 0,272, mAP50-95 0,152, precision 0,401, recall 0,305. Hafif bir modelin zorlu bir kamu veri setindeki gerçek değeri budur. Bu sayıyı süslemek ölçmenin anlamını ortadan kaldırırdı; kaldı ki aynı ekibin kendi kurduğu veri setinde çok daha yüksek değerlere ulaştığı ayrı bir proje de bu sayfada yer alıyor. İki sayı arasındaki fark, veri setinin modelden daha belirleyici olduğunu gösteren en somut kanıt.