Не совсем понятно, почему компании требуется следить за процессом, а не за результатом (количество/качество выпускаемого продукта), что выглядит технически проще
Мяч летит слишком быстро и человеческий глаз не успевает. Удары в мужском волейболе можно увидеть только в замедленном повторе, что, переводя на технический язык, означает больше кадров в секунде.
Для машинного обучения это проявлятеся малым количеством точек, повыщенным искажением из-за блура, бОльшим расстоянием между точками итд
Да, монтаж видео - кропотливая работа и у любителей как правило нет ресурсов на это, они вываливают в сеть свои записи на 2 часа, из которых первые 10 минут люди ходят вокруг площадки.
Если вы хотите найти на видео себя или какой-то конкретный эпизод - только тотальная прокрутка.
Во-первых, хотелось бы обучать модель на одной игре, а валидировать на игре других команд, чтобы было по-честному.
Согласен, но статья про идею, а доводка займет в разы больше времени
если на вход подавать не 1 кадр, а серию, например, из 3 кадров
Вот над этим я как раз думаю, равно как и над применением posenet
Например, использовать координаты, ширину и высоту фигур людей, упорядоченных в каком-то определенном порядке
Эту проблему я упоминал - стандартизировать выхлоп детектора - сама по себе интересная задача, опять же выходящая за рамки идеи-гипотезы.
Опять же, мы точно знаем, сколько человек должно быть на площадке.
Не факт. Во-первых, возможны ошибки детектора, плюс к этому в динамике люди часто перекрываются или заслоняют друг друга или смазываются, так что ошибки детектора иногда достаточно серьезны. Плюс к этому, волейболы бывают разные - 6x6, 3x3, 4x4, 2x2 и для начала надо понять в какой из них тут играют.
Аа, все таки у вас был GPU, я то тестировался именно на CPU, наверное стоило это подчеркнуть в статье более явно, потому что таргет по железу - недорогие облака, у них обычно нет GPU.
Не совсем понятно, почему компании требуется следить за процессом, а не за результатом (количество/качество выпускаемого продукта), что выглядит технически проще
Не совсем понятно, как Джанго был виноват в описываемых проблемах и почему fastapi вместе orm и кучей лютого бойлерплейта решают все проблемы.
Думаю, стоило больше букв потратить на донесение мысли, а код можно и на гитхабе посмотреть
Под олимпиадой я конечно имел в виду классику.
Размер мяча - один из факторов, безусловно, однако чем дальше от камеры, тем меньше точность измерения.
Те же самые алгоритмы применяются и к классике, но там выхлоп похуже ибо игра быстрее, людей больше.
Собрать данные и протестировать корреляцию движения руки с попаднием в цель можно точно.
Сможет ли человек среагировать на команду и правильно ли ее исполнит - это сложный вопрос.
В некоторых играх так, но не во всех)
Мяч летит слишком быстро и человеческий глаз не успевает. Удары в мужском волейболе можно увидеть только в замедленном повторе, что, переводя на технический язык, означает больше кадров в секунде.
Для машинного обучения это проявлятеся малым количеством точек, повыщенным искажением из-за блура, бОльшим расстоянием между точками итд
Не то, чтобы сгораю от любопыстыва, но диаграмма напрашивается на вопросы.
Что такое PACS-server, почему с него нет выхода
Что такое Server, для чего ему необходим NDI encoder
Куда и с какими целями вещает Ultra Stream
Что такое LAN в форме облака
Есть ли альтернативные решения
Да, камера должна быть позади корта
У него под капотом же все равно какие-то нейросети, можно работать с ними напрямую без посредников.
Да, монтаж видео - кропотливая работа и у любителей как правило нет ресурсов на это, они вываливают в сеть свои записи на 2 часа, из которых первые 10 минут люди ходят вокруг площадки.
Если вы хотите найти на видео себя или какой-то конкретный эпизод - только тотальная прокрутка.
Согласен, но статья про идею, а доводка займет в разы больше времени
Вот над этим я как раз думаю, равно как и над применением posenet
Эту проблему я упоминал - стандартизировать выхлоп детектора - сама по себе интересная задача, опять же выходящая за рамки идеи-гипотезы.
Не факт. Во-первых, возможны ошибки детектора, плюс к этому в динамике люди часто перекрываются или заслоняют друг друга или смазываются, так что ошибки детектора иногда достаточно серьезны. Плюс к этому, волейболы бывают разные - 6x6, 3x3, 4x4, 2x2 и для начала надо понять в какой из них тут играют.
Нет, только сейчас узнал о его существовании
Достаточно же цифр было в статье: 80% при обучении, 70% при тесте, 8 и 20 розыгрышей из 29 распознано.
Что вам не хватает?
Я делал более сложного робота на Raspberry, вот статья на Хабре
и код на гитхабе
Аа, все таки у вас был GPU, я то тестировался именно на CPU, наверное стоило это подчеркнуть в статье более явно, потому что таргет по железу - недорогие облака, у них обычно нет GPU.
Оценка это хорошо, но мы же про тестирование на реальном окружении
Интересно, Yolo3 считается медленнее чем Yolo4, возможно вы тестировались на хорошем железе?
Имеет значение не само FPS (которое понятно зависит от окружения) а относительная скорость разных детекторов.
Качество детектирования крупных объектов у всех рассмотренных сетей на достаточном уровне.
Я тестировался на нескольких картинках, разница была примерно такая же. Эту выбрал для иллюстрации.
И YOLO и SSD показали достаточнные для меня результаты и весь вопрос был в скорости.
Какая то у yolo5 мутная репутация, не понятно чему верить.
На вход yolo4 подаю 400x400 (также ssd). Можно подать меньше, но вряд-ли разрыв изменится.
Спасибо, почитаю про остальные
Yolo настолько доминирует в информационном пространстве, что такой провал в сравнении с древней реализацией стал для меня большим сюрпризом.