Нейросеть распознаёт объект, преобразуя пиксели в иерархию признаков и сравнивая полученное представление с закономерностями обучения. Классификатор называет содержимое кадра, детектор также отмечает прямоугольник, а сегментация определяет принадлежность отдельных пикселей. Это разные задачи и уровни точности.
От пикселей к признакам
Ранние слои реагируют на края, цветовые переходы и текстуры. Более поздние объединяют их в сложные формы. В свёрточных сетях один набор фильтров применяется к разным участкам кадра, а в визуальных трансформерах области сопоставляются механизмом внимания.
Во время обучения модель получает изображения с метками и меняет веса, уменьшая ошибку. Она учится не определению из словаря, а статистическим признакам, которые часто сопровождают класс.
Классификация, детекция и сегментация
Классификация отвечает за весь кадр: «на изображении есть автомобиль». Детекция находит несколько объектов и их границы. Сегментация строит более точную маску, полезную для фона, медицины и навигации.
Отдельная задача – различать экземпляры: не просто выделить людей, а сохранить отдельную маску для каждого.
Почему контекст помогает и мешает
Если коровы в обучении обычно сняты на траве, модель может использовать зелёный фон как подсказку. Это повышает качество на похожих кадрах, но ведёт к ошибке в необычной обстановке.
Маленький, частично закрытый или размытый объект распознаётся хуже. Изменение освещения, ракурса и камеры также влияет, если таких примеров было мало.
Как оценивают качество
Для классификации смотрят точность и ошибки по классам. Для детекции учитывают совпадение предсказанной и реальной границы. Важно тестировать модель на независимых снимках из будущих условий, а не только на случайно отложенной части похожего архива.
Уверенный процент не всегда является истинной вероятностью. Модель может быть плохо откалибрована и не знать незнакомый класс.
Распознавание объектов полезно для сортировки, поиска, контроля качества и вспомогательных функций. Но система видит числовые признаки, а не смысл сцены так, как человек. Критические решения требуют порогов осторожности, обработки неизвестных случаев и возможности человеческой проверки.
Классификация, рамка и маска – разные результаты
Классификатор отвечает, что в целом присутствует на изображении. Детектор находит несколько объектов и обводит их прямоугольниками. Сегментация выделяет точную область каждого объекта по пикселям. Для подсчёта коробок нужна детекция, а для измерения площади пятна – сегментация.
Выбор задачи определяет разметку и метрику. Высокая точность классификации не означает, что модель умеет показать местоположение предмета.
Как модель учится узнавать предмет
В обучающих изображениях человек отмечает класс, рамку или маску. Система меняет веса так, чтобы её результат приближался к разметке. Если фотографии сняты только при хорошем свете и с одного ракурса, модель запомнит удобные признаки и потеряется в другой обстановке.
Общий процесс обучения раскрывает статья о том, как обучается нейросеть. Особенно важны отрицательные примеры: похожие предметы, которые не относятся к нужному классу.
Что означает уверенность
Число рядом с рамкой показывает внутреннюю оценку модели, а не гарантированную вероятность истины. Порог выбирают по цене ошибок. Низкий порог находит больше объектов, одновременно увеличивая ложные срабатывания. Высокий уменьшает шум, но пропускает сложные случаи.
Для медицинского снимка, склада и развлекательного фильтра допустимы разные компромиссы. Среднюю метрику дополняют разбором пропусков и ложных тревог.
Почему мешают перекрытия и масштаб
Маленький объект занимает мало пикселей, а частично закрытый теряет характерный контур. Несколько одинаковых предметов рядом могут слиться в одну область. Сильная тень, отражение и необычный поворот также меняют видимые признаки.
Разрешение увеличивают осмысленно: простое растягивание не возвращает потерянные детали. Иногда задачу решает другая камера или освещение, а не более сложная модель.
Как распознавание работает в видео
Объект появляется на множестве соседних кадров. Алгоритм отслеживания связывает рамки во времени и не считает один автомобиль сотни раз. Подробно этот этап описан в статье о том, как нейросеть обрабатывает видео покадрово.
При выходе за кадр и возвращении метка может измениться. Контрольные участки просматривают вручную, особенно при плотном потоке и перекрытиях.
Перед внедрением собирают собственный тест
Демонстрационная фотография не показывает работу в реальных условиях. Нужны кадры с используемой камеры, разным временем суток, погодой, фоном и редкими ситуациями. Тест отделяют от обучения и не меняют после каждого неудачного примера.
Распознавание лиц, номеров и поведения затрагивает приватность и может влиять на людей. Автоматическая метка не должна становиться окончательным обвинением. Нейросеть полезно находит визуальные закономерности, когда задача определена точно, ошибки измерены, а спорный результат может пересмотреть человек.
Рабочий порог со временем меняется
Новая камера, другой фон или сезонная одежда изменяют входные изображения. Даже хорошо проверенная модель начинает ошибаться иначе. После запуска собирают статистику по типам промахов и регулярно просматривают реальные примеры.
Обновление порога нельзя делать только ради красивой общей цифры. Нужно понимать, какие ложные тревоги исчезнут и какие объекты перестанут находиться. Важный сценарий должен иметь процедуру остановки и возврата к ручной проверке при заметном ухудшении.
