Просмотрел сообщение, сорри за такой долгий ответ(
Спасибо за положительный отзыв.
По поводу скорости. Обнаружение номера и бревен, а также распознавание номера происходят быстро, на каждый этап меньше одной секунды. С учетом конвертации размеров изображения на входе итого <2 сек (на сервере колаб с бесплатной GPU).
В пилоте была добавлена еще классификация сортов дерева. Это условно вырезать из фото несколько десятков бревен и каждое пропустить через нейронную сеть для получения вектора признаков. Время увеличивалось на столько, что даже не прилично тут писать) Есть куда оптимизировать.
Судя по количеству посетителей, а на выходных был во Вкусно и точка в Солнечногорске, надо было свободный столик ждать, Вкусно и точка совсем не отталкивает посетителей, скорее наоборот.. По моему это все в головах конкретных людей. Как стереотип, что предприниматель = спекулянт/вор. Имхо, необоснованный хейт.
>как детектор лиц на питоне я может быть даже MediaPipe посоветовал бы сейчас Советуйте тогда до конца) Recognition дальше чем делать, чтобы лучше, чем с dlib?
Как раз изучаю как через docker разместить ТГ бота на виртуальный сервер. Сейчас бот написан в colab ноутбуке. Прочитал статью. Нифига не понял. Наверно я тупой(
Если посмотреть на фото из статьи и найти на них точки равные ширине лесовоза, а потом использовать эти точки для определения размеров бревен или штабеля, то станет понятно, что научить этому нейронную сеть будет совсем не просто, а в некоторых случаях невозможно.
Измерение по верхнему диаметру и среднему сбегу один из методов. Нам не подходит, т.к. стволы уложены "вальтом". Такие вводные от заказчика.
Проверка объема рассчитанная на основе диаметров бревен (1го сорта) с торца в нашем случае показала, что при правильном подборе коэффициентов автоматического расчета он соответствует объему рассчитанному способом "Групповой метод определения объема бревен в штабеле, сформированном на железнодорожном и автомобильном транспорте".
Вы правы, что для встраивания такой автоматизации в бизнес-процесс надо еще решить ряд вопросов.
Но как раз с протиранием номера проблем не видится. На примере складов Wildberries, там автоматический шлагбаум, который открывается если номер авто есть в заказанном электронном пропуске. И вы не найдете ни одного авто на приемке с грязными номерами)
Обучающая база состояла сначала из трех, потом 7 фото лесовозов. Понадобилось расширять базу до подачи в YOLO. Часть аугментации в самой YOLO отключал. И хотелось визуально контролировать на чем обучается сеть. Можно конечно было попробовать отдавать копии изображений и аугментировать самой YOLO. Надо проверить, интересно сравнить.
Albumentations умеет корректно работать с рамками при поповоротах.
чтобы повернуть рамку вокруг круглого объекта надо понимать, что внутри рамки именно круг. Иначе рамка увеличится. Но такой параметр нигде не задаётся. Или есть способ зафиксировать размер bbox при повороте? ?
Средняя точность в сравнении с ручным методом измерения находится в пределах 2% с выбросами до 6%. Проверялось на 12 лесовозах. Также проверяли этим методом длину приложенной метровой линейки, ошибка получилась в пределах 3%
В пилотном решении разную конусность у разных пород не учитывали. Но можно научить сеть определять сорт и применять соответствующий коэффициент по таблицам ГОСТа.
Размечали рамками по контуру бревна, упоминается в статье. В ТЗ учитывалось перекрытие, нецелые бревна и прочее.
Да, влияние разной длины бревен будет как у ручного измерения без разгрузки лесовоза. Это ограничение.
Не понял вопрос. ИИ счтитает с тоностью предусмотренной типом float) Дальше вопрос округления и размера ошибки.
1) Добавление ручной корректировки, если визуально видно ошибку. 2) Дообучение, если ошибки возникают слишком часто.
Есть ограничение любого решения ИИ - это черный ящик, и как получен результат ИИ объяснить не может. Т.е. использовать для судов и прочее не получится. Также как распознавание преступника на камере не может служить 100% доказательством вины. Но упростить ручной расчет вполне можно.
Протереть номер не сложно, если это требуется для сдачи груза установленными правилами.
Считать размер по расстояниям между колёсами, фарами и пр. думаю тоже рабочий вариант. Надо только учесть разную плоскость у бревен и условного моста. И большую базу собрать будет сложнее.
Просмотрел сообщение, сорри за такой долгий ответ(
Спасибо за положительный отзыв.
По поводу скорости. Обнаружение номера и бревен, а также распознавание номера происходят быстро, на каждый этап меньше одной секунды. С учетом конвертации размеров изображения на входе итого <2 сек (на сервере колаб с бесплатной GPU).
В пилоте была добавлена еще классификация сортов дерева. Это условно вырезать из фото несколько десятков бревен и каждое пропустить через нейронную сеть для получения вектора признаков. Время увеличивалось на столько, что даже не прилично тут писать) Есть куда оптимизировать.
Судя по количеству посетителей, а на выходных был во Вкусно и точка в Солнечногорске, надо было свободный столик ждать, Вкусно и точка совсем не отталкивает посетителей, скорее наоборот.. По моему это все в головах конкретных людей. Как стереотип, что предприниматель = спекулянт/вор. Имхо, необоснованный хейт.
>как детектор лиц на питоне я может быть даже MediaPipe посоветовал бы сейчас
Советуйте тогда до конца) Recognition дальше чем делать, чтобы лучше, чем с dlib?
Как раз изучаю как через docker разместить ТГ бота на виртуальный сервер. Сейчас бот написан в colab ноутбуке. Прочитал статью. Нифига не понял. Наверно я тупой(
Демагогия. Спасибо, дальше мне не интересно.
Дык я же вопрос задал. Поясните.
К чему этот коммент? Что у вас отжали?
Государства всегда будут вмешиваться в доминирующие отрасли. Это не тренд, а данность.
Поэтому и в твиттере блокирут политические аккаунты и много других примеров.
А вообще на хабре хотелось бы видеть меньше политических комментариев, вроде вашего. Для этого есть другие, более подходящие площадки.
PS: Никого не хочу обидеть.
Если посмотреть на фото из статьи и найти на них точки равные ширине лесовоза, а потом использовать эти точки для определения размеров бревен или штабеля, то станет понятно, что научить этому нейронную сеть будет совсем не просто, а в некоторых случаях невозможно.
Запроса не было.
Для досок нужен другой подход.
Измерение по верхнему диаметру и среднему сбегу один из методов. Нам не подходит, т.к. стволы уложены "вальтом". Такие вводные от заказчика.
Проверка объема рассчитанная на основе диаметров бревен (1го сорта) с торца в нашем случае показала, что при правильном подборе коэффициентов автоматического расчета он соответствует объему рассчитанному способом "Групповой метод определения объема бревен в штабеле, сформированном на железнодорожном и автомобильном транспорте".
Вы правы, что для встраивания такой автоматизации в бизнес-процесс надо еще решить ряд вопросов.
Но как раз с протиранием номера проблем не видится. На примере складов Wildberries, там автоматический шлагбаум, который открывается если номер авто есть в заказанном электронном пропуске. И вы не найдете ни одного авто на приемке с грязными номерами)
Промахнулся с ответом) См. ниже.
Спасибо за положительный отзыв и полезный комментарий.
Обучающая база состояла сначала из трех, потом 7 фото лесовозов. Понадобилось расширять базу до подачи в YOLO. Часть аугментации в самой YOLO отключал. И хотелось визуально контролировать на чем обучается сеть. Можно конечно было попробовать отдавать копии изображений и аугментировать самой YOLO. Надо проверить, интересно сравнить.
чтобы повернуть рамку вокруг круглого объекта надо понимать, что внутри рамки именно круг. Иначе рамка увеличится. Но такой параметр нигде не задаётся. Или есть способ зафиксировать размер bbox при повороте? ?
Средняя точность в сравнении с ручным методом измерения находится в пределах 2% с выбросами до 6%. Проверялось на 12 лесовозах. Также проверяли этим методом длину приложенной метровой линейки, ошибка получилась в пределах 3%
В пилотном решении разную конусность у разных пород не учитывали. Но можно научить сеть определять сорт и применять соответствующий коэффициент по таблицам ГОСТа.
Размечали рамками по контуру бревна, упоминается в статье. В ТЗ учитывалось перекрытие, нецелые бревна и прочее.
Да, влияние разной длины бревен будет как у ручного измерения без разгрузки лесовоза. Это ограничение.
Не понял вопрос. ИИ счтитает с тоностью предусмотренной типом float) Дальше вопрос округления и размера ошибки.
1) Добавление ручной корректировки, если визуально видно ошибку. 2) Дообучение, если ошибки возникают слишком часто.
Есть ограничение любого решения ИИ - это черный ящик, и как получен результат ИИ объяснить не может. Т.е. использовать для судов и прочее не получится. Также как распознавание преступника на камере не может служить 100% доказательством вины. Но упростить ручной расчет вполне можно.
Протереть номер не сложно, если это требуется для сдачи груза установленными правилами.
Считать размер по расстояниям между колёсами, фарами и пр. думаю тоже рабочий вариант. Надо только учесть разную плоскость у бревен и условного моста. И большую базу собрать будет сложнее.