Комментарии 16
Текст статьи тоже нейронка писала? Не верю, что такое может накатать живой человек.
Раз уж тут в пример привели YOLOv5\v8 и rect window size, то так же скажу, что в наследнице v5 и промежуточкой между v8 - YOLOv7 модели (которую я использовал), с прямоугольным окном не все аугментации доступны, а значит на квадратном окне будет лучше качество (это видно по примерам изобр. батчей, что сохраняются в папку обучения)
Ну вот, а я-то думал, что ИИ по экспоненте развивается - каждая следующая модель на голову выше предыдущей. Походу, с технологической сингулярностью не всё так скоро, как обещалось.
В своей задаче эти сети уже превзошли человека, дальше особо некуда. Но это всего лишь маленькая крошка сильного ИИ.
Разверну свой ответ.
Сети распознования изображений делают задачу сопоставления изображений и меток. Вот эту задачу они уже делают лучше человека. Поэтому особого прогресса именно этой задачи я не жду.
Несколько лет назад пробегало описание интересного случая. Тренировали сеть на чтение адреса дома по табличке. Процент ошибок на тесте был высоковат. Стали разбираться - нашли кучу ошибок в датасете, где человек прочитал неверно, а сеть - верно))
Но на фото реальных объектов человек распознает их лучше. Я думаю, это потому, что используется не только анализ изображений. Например, человек знает другие свойства предполагаемых объектов, соотношение размеров, и т.д. Так же человек имеет знания о свойствах пространства, объемных формах объектов, свойствах перспективы и др. Поэтому, из нескольких гипотез, что подсовывает ему зрительная кора, он выбирает верную. А эти сети - это всего лишь аналог кусочка зрительной коры, сигналы пришли, тупо выбираем максимум, и все.
Какие сети превзошли? Детекция?:)
Есть примерный паритет на очень больших датасетах на очень сложных задачах (какие-нибудь нетривиальные рентгены, многоклассовые задачи где человек плохо перформит). В первую очередь когда можно датасет собрать без разметки людьми и очень-очень большой..
Если у вас была невысокая точность разметки - может да, уперлось в датасет. Так бывает. Но это было то же самое 8 лет назад:)
Автономера качество лучше чем у человека - пока не реально. Трекинг - нереально. Распознавание большого числа товаров - нереально. И так в десятках задач.
Главная проблема - это корнеркейсы и аномалии. В сегодняшнем мире большей частью эта проблема и будет определять качество...
Почему на КДПВ так бурно реагируют на обратную сторону монитора? Я понимаю, что это нейро-КДПВ ради КДПВ, но что-то же она должна иллюстрировать?
Апдейтить или нет: нужно ли брать новую ML-модель?