YOLOv8 поставляется в комплекте со следующими anchor free object detection подготовленными моделями: Контрольные точки обнаружения объектов обучены на основе anchor free object detection данных COCO detection с разрешением изображения Wang, T. Hence, the primary objective of the proposed system is to detect robbery activities in banks using deep learning techniques, particularly gun detection, and promptly alert the police station or bank owner through an alert message. Все современные смас лифтинг самый лучший какой аппарат обнаружения 3D объектов из облаков точек решают задачу оценки путевого угла как классификацию с последующей регрессией. При этом часть "голова" содержит аппарат узи экспертного класса где сделать регрессии, центрированности, классификации. После установки необходимых пакетов сколько стоит аппарат для эпиляции лазером можем получить доступ к командной строке YOLOv8 с помощью yolo команды.
The benefits of Ultralytics YOLO11 being an anchor-free detector
В статье рассматривается пример использования нейронной сети YOLO для распознавания и визуализации дефектов на изображении, полученном в процессе ультразвукового контроля дифракционно-временным методом. Из дефектограмм , содержащих изображения дефектов, использовались для обучения нейронной сети , 10 — для проверки. Показана возможность распознавания дефектов нейронной сетью с достаточной точностью для повседневной практики неразрушающего контроля. The article considers an example of using the YOLO neural network to recognize and visualize defects in an image obtained in the process of ultrasonic testing by time-of-flight diffraction method. Of the defect-grams containing images of defects, of them were used to train the neural network , 10 for verification.
The possibility of recognition of defects by a neural network with sufficient accuracy for everyday practice of non-destructive testing is shown. Брехт, к. Коншина Петербургский государственный университет путей сообщения Императора Александра I. Санкт-Петербург, Россия [email protected]. Из дефектограмм, содержащих изображения дефектов, использовались для обучения нейронной сети, 10 — для проверки.
В ультразвуковом контроле больше всего возможностей для реализации методов искусственного интеллекта. В первую очередь это связано с тем, что при ультразвуковом контроле информация с первичных преобразователей поступает в виде сигналов, которые можно непосредственно обрабатывать, а не в виде визуальных изображений, как, например, в радиографии. Кроме того, ультразвуковой контроль реализуется различными методами метод отраженного излучения эхо-метод , метод прошедшего излучения и т. Многообразие вариантов метода способствует появлению новых задач, связанных с представлением и обработкой информации о процессе контроля.
Кроме того, существуют и направления классификации методов по назначению: обнаружение дефектов, выявление коррозии, определение структуры металла, оценка качества сварных швов, измерения толщины и т. На сегодняшний день известно о следующих задачах применительно к ультразвуковому контролю, в рамках которых были предприняты попытки использовать нейронные сети [3]: распознавание образов, разделение сигналов от дефектов различного типа, автоматизированный анализ дефектограмм.
Для решения приведенных выше задач использовались уникальные архитектурно-программные решение программы для работы с технологией искусственного интеллекта , что в свою очередь и является недостатком, так как в настоящее время большинство упомянутых в [3] решений не используется, поскольку современные решения [4] имеют сравнительно более высокий уровень адаптивности гибкости. Основной особенностью и преимуществом нейронных сетей перед традиционными алгоритмами — это возможность обучения. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять. Архитектура нейронной сети YOLO является примером современного гибкого решения задач по распознаванию и анализу дефектов.
Стоит также отметить, что в сравнении с упомянутыми в [3] технологиями нейронная сеть YOLO продолжает развиваться и является системой с открытым исходным кодом, то есть бесплатной. Задачи по распознаванию дефектов являются наиболее популярными и актуальными в рамках ультразвукового контроля, позволяя повысить достоверность его результатов за счет снижения субъективности. В развертке типа B зависимость амплитуды от времени прихода сигнала оценить наличие дефекта можно по геометрическим и амплитудным признакам, что в свою очередь дает возможность для применения нейронных сетей.
В рамках данной работы были использованы результаты контроля дифракционно-временным методом. Задачей работы являлась разработка программы, способной определять и визуализировать наличие дефекта на дефектограмме с развёрткой типа B, полученной при контроле дифракционно-временным методом. Как указано выше, необходимо оценить наличие дефекта по геометрическим признакам. Таким образом необходимо выделить геометрическую форму, по которой можно оценить наличие дефекта рис. На рисунке 3 графически представлены возможности четвертой версии нейронной сети УОЬО. На изображении отмечены не все видимые дефекты, однако в данном случае отмеченный дефект иллюстрирует постановку задачи, а не конечный результат.
Существует немало архитектур нейронных сетей, позволяющих распознавать сущности дефекты на изображении [5]. Большинство из них представляют собой двухуровневые нейронные сети, когда одна нейронная сеть сочетает в себе несколько более простых. Основной принцип работы таких нейронных сетей заключается в разделении всего изображения на регионы или клетки, после чего происходит анализ каждого региона. У двухуровневых нейронных сетей есть две существенные проблемы: изображение анализируется не целиком, а только выделенные регионы, а скорость работы таких нейронных сетей значительно ниже.
Первый недостаток связан с принципом работы, упомянутым ранее. Зачастую каждый регион обрабатывается последовательно с помощью сверточной нейронной сети. Результат, полученный сверточной нейронной сетью, передается в полносвязную для определения класса и размеров области, внутри которой находится искомый объект. Далее нейронная сеть обрабатывает следующий регион, и алгоритм повторяется. Однако существует нейронная сеть, которая лишена этих недостатков. Забегая вперед, можно отметить, что YOLO способна обрабатывать все регионы, из которых состоит изображение, за один раз. Главная причина, по которой была выбрана именно эта нейронная сеть, заключается в ее.
По оси абсцисс на рисунке 3 отложена скорость работы нейронной сети частота кадров в секунду , по оси ординат — точность измеряется с помощью специального коэффициента для измерения точности детекторов объекта [7]. Как видно из графика, четвертая версия YOLO существенно превосходит аналоги и показывает более стабильные значения. Чтобы понять, каким образом нейронная сеть смогла достичь столь высоких показателей в соотношении «скорость — точность», необходимо рассмотреть уникальные особенности, которыми обладает данная нейронная сеть.
Функционирование нейронной сети YOLO основывается на работе с представленными на рисунке 4 клетками. Каждая клетка является «якорем», к которому прикрепляется рамка, в которой находится выделенный объект. Для разделения загружаемого изображения на равные части необходимо, чтобы размер был кратным Рекомендованным значением является пикселей в длину и ширину. При большем разрешении увеличивается время обучения нейронной сети, однако это также положительно влияет на качество работы нейронной сети. Помимо этого, соблюдение данного требования позволяет загружать партию изображений в нейронную сеть за один раз, после чего применяется технология параллельных вычислений. Распознав искомый участок на изображении, нейронная сеть рисует вокруг «якорной» клетки, в пределах которой находится искомый участок, несколько прямоугольников разного размера рис.
В первую очередь стоит определиться с размерами прямоугольников, внутри которых может находиться искомый объект. Максимальное и минимальное значения прямоугольников можно настроить в параметрах нейронной сети, указав конкретные значения, или позволив нейронной сети выбрать размеры из обучающей выборки. Как правило, применяют второй вариант. Координаты рамок определяются несколько сложней. Вначале нейронная сеть рассчитывает центр искомой области внутри «якорной» клетки, далее относительно этого центра определяются координаты рамки рис.
Для расчета нейронная сеть использует координату левой верхней «якорной» клетки, на которую попадает рамка. Как было упомянуто ранее, нейронная сеть рисует несколько рамок вокруг искомого объекта, это необходимо для более точного выделения области, в которой находится объект. В результате проведения всех операций у одной выделенной области может быть несколько подходящих для финального отображения рамок рис.
Для оптимизации рамок с целью оставить только одну рамку для одного объекта рис. Если сравнить нейронную сеть YOLO с другими примерами нейронных сетей, то главной особенностью является принцип разделения всего изображения на секции, которыми являются «якорные» клетки. Нейронная сеть EfficientDet [9] обладает хорошим показателем точности. Это достигается с помощью ее уникальной структуры, в основе которой использован принцип одноуровневой нейронной сети. Признаки, по которым нейронная сеть распознает объекты, передаются сразу по нескольким направлениям в других нейронных сетях эта реализация более линейна.
Очевидно, что для таких операций потребуется больше переменных, а также уникальные правила для обработки признаков. Нейронная сеть ATSS Adaptive Training Sample Selection [10] является прямым противопоставлением нейронной сети YOLO, поскольку изначально создавалась как нейронная сеть для распознавания, которая не использует принцип «якорных» клеток. Вместо этого данная нейронная сеть использует точки. После того как искомый объект отмечен точками, производятся математические вычисления, определяющие размер рамки, внутри которой находится объект. Эта нейронная сеть может обрабатывать только одно изображение за один раз, что и является главным недостатком. Основные принципы работы схожи. Главное отличие заключается в математическом принципе, по которому нейронная сеть обрабатывает признаки для последующего распознавания объектов.
Основные принципы схожи с работой нейронной сети YOLO. Однако CenterMask более проста в исполнении и имеет меньший программный функционал. В первую очередь нейронная сеть обладает сравнительно меньшими сверточными слоями, что вынуждает использовать более сложные схемы для обработки признаков. В связи с упомянутыми факторами в нейронной сети CenterMask отсутствует возможность обрабатывать несколько изображений за один раз. Рассмотрев все ранее упомянутые архитектуры нейронных сетей, можно выделить общую закономерность: скорость работы нейронной сети является не только явным преимуществом, но и образующим фактором, который определяет структуру и принцип работы нейронной сети.
Изображение анализируется сверточной нейронной сетью, на выходе которой формируются карты признаков — значения, по которым нейронная сеть сопоставляет искомые области с участками, из которых состоит входное изображение. Определяются места регионы , в которых с высокой вероятностью находятся объекты, которые необходимо распознать. Неотъемлемой частью работы нейронной сети является процесс обучения. Для того чтобы обучить нейронную сеть, необходимо иметь обучающую выборку. В данном случае использовалось изображений, из которых были выделены для обучения и 10 — для проверки точности.
Важно отметить, что нейронные сети работают только с числами, поэтому на входе и выходе нейронной сети указываются соответствующие числа. В качестве числовых значений на вход подается матрица чисел, где каждому элементу матрицы соответствует значение яркости пикселя. В случае если изображение цветное, на вход подается три матрицы, по одной на каждый из основных цветов красный, зеленый, синий. На выходе нейронная сеть возвращает массив значений, состоящий из координат области, в которой находится распознанный объект. Если объектов несколько, то на выходе — матрица значений, в которой количество рядов соответствует количеству распознанных объектов. Выходные значения для обучающей выборки необходимо записать вручную, поскольку от точности выходных значений обучающей выборки напрямую зависит точность работы нейронной сети.
Это легко сделать с помощью программы, позволяющей визуально выделить области на изображении и получить координаты выделенных областей рис. Технология параллельных вычислений, которую поддерживает YOLO, позволяет очень быстро провести процесс обучения. Процесс обучения нейронной сети можно отслеживать с помощью графика, который представлен на рисунке По оси абсцисс отмечено количество итераций, а по оси ординат — значение ошибки разница между истинным выходным значением и значением, которое рассчитала нейронная сеть. Чтобы не столкнуться с эффектом переобучения, нейронная сеть автоматически сохраняет обновляет значения параметров, при которых нейронная сеть имеет минимальное значение ошибки.
В связи с этим после обучения нейронной сети необходимо проверить эффективность работы на проверочной выборке, которая в данном случае состоит из 10 изображений. Так как нейронная сеть на входе и выходе имеет числовые значения, то для визуализации полученного результата необходимо использовать программу, способную работать с этими числами. В данном примере была написана программа на языке Python, которая позволила задействовать конфигурацию обученной нейронной сети.
Примеры использования программы и нейронной сети приведены на рисунках 11 и Изображения различного качества были взяты намеренно, чтобы еще раз убедиться в эффективности работы нейронной сети. Ранее было отмечено, что для обучения нейронной сети необходимо использовать изображения определенного размера. Однако когда нейронная сеть обучена, использовать изображения определенного размера необязательно. При этом стоит помнить, что размер изображения будет влиять на скорость распознавания.
Ultralytics Глоссарий
Изучи глоссарий Ultralytics , чтобы узнать об искусственном интеллекте, машинном обучении, компьютерном зрении и многом другом. Узнай о важности этики ИИ для обеспечения справедливости, прозрачности и конфиденциальности в таких отраслях, как здравоохранение и сельское хозяйство. Повысь производительность своей модели машинного обучения за счет понимания точности. Изучи его роль в искусственном интеллекте, здравоохранении и многом другом с помощью Ultralytics. Эффективно оптимизируй ML-модели с помощью активного обучения. Сократи расходы на маркировку и повысь точность, сосредоточившись на ключевых точках данных. Узнай больше прямо сейчас!
Search code, repositories, users, issues, pull requests...
If not, create a new label. Reduce effects of luminance. Открыть меню навигации. Закрыть список предложений Поиск Поиск. Пользовательские настройки. Загружено: Tommy Chheng. Back in my college days at UC San Diego, I worked on a project using computer vision to solve the traffic light triggering problem.
Написать комментарий