AI-For-Beginners/translations/pl/lessons/4-ComputerVision/11-ObjectDetection/README.md

Wykrywanie Obiektów

Modele klasyfikacji obrazów, które omawialiśmy do tej pory, przyjmowały obraz i zwracały wynik kategoryczny, na przykład klasę 'liczba' w problemie MNIST. Jednak w wielu przypadkach nie wystarczy wiedzieć, że na zdjęciu znajdują się obiekty – chcemy również określić ich dokładne położenie. Na tym właśnie polega wykrywanie obiektów.

Quiz przed wykładem

Obraz z strony YOLO v2

Naiwne podejście do wykrywania obiektów

Załóżmy, że chcemy znaleźć kota na zdjęciu. Bardzo naiwne podejście do wykrywania obiektów mogłoby wyglądać następująco:

1. Podziel obraz na wiele kafelków.
2. Przeprowadź klasyfikację obrazu dla każdego kafelka.
3. Kafelki, które dają wystarczająco wysoką aktywację, można uznać za zawierające poszukiwany obiekt.

Obraz z notatnika ćwiczeniowego

Jednak takie podejście jest dalekie od ideału, ponieważ pozwala algorytmowi na bardzo niedokładne określenie granic obiektu. Aby uzyskać bardziej precyzyjne lokalizacje, musimy zastosować pewien rodzaj regresji, aby przewidzieć współrzędne granic obiektów – a do tego potrzebne są odpowiednie zestawy danych.

Regresja w wykrywaniu obiektów

Ten wpis na blogu oferuje świetne wprowadzenie do wykrywania kształtów.

Zestawy danych do wykrywania obiektów

Możesz natknąć się na następujące zestawy danych do tego zadania:

• PASCAL VOC – 20 klas
• COCO – Common Objects in Context. 80 klas, granice obiektów i maski segmentacyjne

Metryki wykrywania obiektów

Intersection over Union

Podczas gdy w klasyfikacji obrazów łatwo jest zmierzyć, jak dobrze działa algorytm, w wykrywaniu obiektów musimy ocenić zarówno poprawność klasy, jak i precyzję lokalizacji przewidzianych granic obiektów. Do tego ostatniego używamy metryki zwanej Intersection over Union (IoU), która mierzy, jak dobrze dwa obszary (lub dwie dowolne figury) się pokrywają.

Rysunek 2 z tego świetnego wpisu na blogu o IoU

Idea jest prosta – dzielimy obszar przecięcia dwóch figur przez obszar ich unii. Dla dwóch identycznych obszarów IoU wynosi 1, a dla całkowicie rozłącznych obszarów wynosi 0. W innych przypadkach wartość IoU mieści się w przedziale od 0 do 1. Zazwyczaj bierzemy pod uwagę tylko te granice obiektów, dla których IoU przekracza określoną wartość.

Średnia precyzja (Average Precision)

Załóżmy, że chcemy zmierzyć, jak dobrze rozpoznawana jest dana klasa obiektów C. Do tego celu używamy metryki Average Precision, która jest obliczana w następujący sposób:

1. Rozważ krzywą Precision-Recall, która pokazuje dokładność w zależności od wartości progu detekcji (od 0 do 1).
2. W zależności od progu, wykryjemy więcej lub mniej obiektów na obrazie, co da różne wartości precyzji i czułości.
3. Krzywa wygląda tak:

Obraz z NeuroWorkshop

Średnia precyzja dla danej klasy C to pole pod tą krzywą. Dokładniej, oś Recall jest zazwyczaj podzielona na 10 części, a precyzja jest uśredniana dla wszystkich tych punktów:

AP = {1\over11}\sum_{i=0}^{10}\mbox{Precision}(\mbox{Recall}={i\over10})

AP i IoU

Rozważamy tylko te detekcje, dla których IoU przekracza określoną wartość. Na przykład w zestawie danych PASCAL VOC zazwyczaj \mbox{IoU Threshold} = 0.5, podczas gdy w COCO AP jest mierzony dla różnych wartości \mbox{IoU Threshold}.

Obraz z NeuroWorkshop

Średnia średnia precyzja – mAP

Główna metryka dla wykrywania obiektów nazywa się Mean Average Precision, czyli mAP. Jest to wartość Average Precision, uśredniona dla wszystkich klas obiektów, a czasami także dla różnych wartości \mbox{IoU Threshold}. Szczegółowy opis procesu obliczania mAP znajdziesz w tym wpisie na blogu), a także tutaj z przykładami kodu.

Różne podejścia do wykrywania obiektów

Istnieją dwie główne klasy algorytmów wykrywania obiektów:

• Sieci propozycji regionów (R-CNN, Fast R-CNN, Faster R-CNN). Główna idea polega na generowaniu Regionów Zainteresowania (ROI) i uruchamianiu CNN na nich, szukając maksymalnej aktywacji. Jest to trochę podobne do naiwnego podejścia, z wyjątkiem tego, że ROI są generowane w bardziej inteligentny sposób. Jednym z głównych minusów takich metod jest ich wolne działanie, ponieważ wymagają wielu przejść klasyfikatora CNN przez obraz.
• Metody jednoprzebiegowe (YOLO, SSD, RetinaNet). W tych architekturach projektujemy sieć tak, aby przewidywała zarówno klasy, jak i ROI w jednym przebiegu.

R-CNN: Region-Based CNN

R-CNN używa Selective Search do generowania hierarchicznej struktury regionów ROI, które następnie są przepuszczane przez ekstraktory cech CNN i klasyfikatory SVM, aby określić klasę obiektu, oraz regresję liniową, aby określić współrzędne granicy obiektu. Oficjalny artykuł

Obraz z van de Sande et al. ICCV’11

Obrazy z tego bloga

F-RCNN - Fast R-CNN

To podejście jest podobne do R-CNN, ale regiony są definiowane po zastosowaniu warstw konwolucyjnych.

Obraz z oficjalnego artykułu, arXiv, 2015

Faster R-CNN

Główna idea tego podejścia polega na użyciu sieci neuronowej do przewidywania ROI – tak zwanej Region Proposal Network. Artykuł, 2016

Obraz z oficjalnego artykułu

R-FCN: Region-Based Fully Convolutional Network

Ten algorytm jest jeszcze szybszy niż Faster R-CNN. Główna idea jest następująca:

1. Wyciągamy cechy za pomocą ResNet-101.
2. Cechy są przetwarzane przez Position-Sensitive Score Map. Każdy obiekt z C klas jest podzielony na k\times k regiony, a sieć uczy się przewidywać części obiektów.
3. Dla każdej części z k\times k regionów wszystkie sieci głosują na klasy obiektów, a klasa obiektu z największą liczbą głosów jest wybierana.

Obraz z oficjalnego artykułu

YOLO - You Only Look Once

YOLO to algorytm jednoprzebiegowy w czasie rzeczywistym. Główna idea jest następująca:

• Obraz jest podzielony na S\times S regiony.
• Dla każdego regionu CNN przewiduje n możliwych obiektów, współrzędne granicy obiektu oraz pewność=prawdopodobieństwo * IoU.

Obraz z oficjalnego artykułu

Inne algorytmy

• RetinaNet: oficjalny artykuł
  • Implementacja w PyTorch w Torchvision
  • Implementacja w Keras
  • Wykrywanie obiektów za pomocą RetinaNet w przykładach Keras
• SSD (Single Shot Detector): oficjalny artykuł

✍️ Ćwiczenia: Wykrywanie Obiektów

Kontynuuj naukę w następującym notatniku:

ObjectDetection.ipynb

Podsumowanie

W tej lekcji odbyłeś szybki przegląd różnych sposobów, w jakie można realizować wykrywanie obiektów!

🚀 Wyzwanie

Przeczytaj te artykuły i notatniki o YOLO i spróbuj je samodzielnie:

• Dobry wpis na blogu opisujący YOLO
• Oficjalna strona
• YOLO: Implementacja w Keras, notatnik krok po kroku
• YOLO v2: Implementacja w Keras, notatnik krok po kroku

Quiz po wykładzie

Przegląd i samodzielna nauka

• Wykrywanie Obiektów autorstwa Nikhila Sardany
• Dobry przegląd algorytmów wykrywania obiektów
• Przegląd algorytmów głębokiego uczenia do wykrywania obiektów
• Wprowadzenie krok po kroku do podstawowych algorytmów wykrywania obiektów
• Implementacja Faster R-CNN w Pythonie do wykrywania obiektów

Zadanie: Wykrywanie Obiektów

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż staramy się zapewnić dokładność, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.