[et_pb_section fb_built=”1″ admin_label=”section” _builder_version=”4.20.0″ background_color=”#000219″ global_colors_info=”{}”][et_pb_row admin_label=”row” _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text _builder_version=”4.16″ _module_preset=”default” header_2_font=”|||||on|||” header_3_font=”|||||on|||” header_2_font_size_tablet=”” header_2_font_size_phone=”27px” header_2_font_size_last_edited=”on|phone” header_3_font_size_tablet=”” header_3_font_size_phone=”22px” header_3_font_size_last_edited=”on|phone” global_colors_info=”{}”]<\/p>\n
La Computer Vision<\/strong> (CV) \u00e8 oggi uno dei rami dell\u2019Artificial intelligence <\/strong>pi\u00f9 in via di sviluppo. Ne abbiamo parlato in vari articoli, ma oggi entreremo nel dettaglio di come costruire\u00a0 modelli di reti neurali<\/strong> per il riconoscimento di vari oggetti: veicoli, targhe, persone, animali, ecc.<\/p>\n <\/p>\n I modelli di reti neuronali in Deep Learning<\/strong> si focalizzano principalmente sui dati. Pi\u00f9 dati hai, maggiore sar\u00e0 la precisione che otterrai con il tuo modello. Ma a cosa servono tali dati?<\/p>\n Per fare in modo che la soluzione di Computer Vision<\/strong> funzioni abbiamo la necessit\u00e0 di far capire alla macchina il collegamento tra un dato (immagine\/video) e la rispettiva label. Quindi, nel caso in cui avessimo immagini senza labels, il computer non sarebbe in grado di riconoscere gli oggetti che desideri rilevare. Di conseguenza, dovremo creare le labels manualmente per ogni singola immagine nel dataset.<\/p>\n Esempio<\/strong>:<\/p>\n Vogliamo che il computer riconosca dei veicoli. Innanzitutto dobbiamo creare la labels delle immagini disegnando manualmente una bounding-box intorno all\u2019oggetto che vogliamo riconosca. Questo per comunicare alla macchina le coordinate in cui si trova all\u2019interno dell\u2019immagine completa. Il computer comprende solo valori numerici, per cui tale passaggio \u00e8 necessario a comunicare che quei pixel, in tale posizione corrispondono al veicolo-x.<\/p>\n Vediamo un\u2019immagine per comprendere meglio:<\/p>\n [\/et_pb_text][et_pb_image src=”https:\/\/pragmaetimos.com\/it\/wp-content\/uploads\/2022\/02\/image-data_label_600x448.png” alt=”Modelli di reti neurali- come fare le lables” title_text=”Modelli di reti neurali- come fare le lables” _builder_version=”4.16″ _module_preset=”default” width=”54%” width_tablet=”” width_phone=”100%” width_last_edited=”on|phone” module_alignment=”center” border_width_all=”1px” global_colors_info=”{}”][\/et_pb_image][et_pb_text _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”]<\/p>\n Ovviamente, dopo il training del modello, il computer sar\u00e0 in grado di individuare automaticamente la presenza e il tipo di veicolo.<\/p>\n <\/p>\n Ora che conosciamo le basi, possiamo procedere con le fasi per la costruzione del modello neuronale<\/strong>.<\/p>\n <\/p>\n Il primo passo consiste nel raccogliere i dati che serviranno da base per allenare il modello neuronale. Questa \u00e8 una fase cruciale per via della difficolt\u00e0 nel trovare dati che soddisfino le nostre esigenze. Non troveremo tutti i dati necessari nei dataset in open source, per cui avremo bisogno di crearli da zero.<\/p>\n Ovviamente il tipo di dato da cercare dipender\u00e0 dall\u2019obiettivo finale che vogliamo raggiungere. Il primo ostacolo a cui andiamo incontro \u00e8 che spesso i dati in open source fanno parte di raccolte miste, dove non tutti i dati ci servono. Ci troviamo quindi di fronte un \u201csacco di spazzatura\u201d da cui dobbiamo estrarre solo i dati di valore per il nostro scopo.<\/p>\n Il numero di immagini richieste per il training dipende dal tipo di dati che una rete neurale<\/strong> valuter\u00e0. In generale, ogni caratteristica e ogni grado di quella caratteristica che la rete neurale deve valutare richiede una serie di immagini di addestramento. Pi\u00f9 immagini vengono fornite per ciascuna categoria, pi\u00f9 finemente la rete neurale pu\u00f2 imparare a valutare quelle categorie.<\/p>\n <\/p>\n In questa fase, dobbiamo filtrare i dati dal sacco della spazzatura digitale. Qui, dobbiamo ordinare tutte le immagini e le rispettive labels presenti nel dataset. Abbiamo la necessit\u00e0 di controllare i valori mancanti nelle labels, eseguire image augmentation<\/strong> e dividere il dataset per scopi di addestramento e test del nostro modello. Ma prima di ci\u00f2, dobbiamo tenere a mente che maggiore \u00e8 il numero di immagini nel dataset da addestrare, maggiore sar\u00e0 la capacit\u00e0 del sistema richiesta. Per addestrare un qualsiasi modello di Deep Learning<\/strong> con pi\u00f9 immagini, assicuriamoci di avere la GPU abilitata e con le capacit\u00e0 necessarie per garantire l’accuratezza del modello.<\/p>\n <\/p>\n Il secondo ostacolo che possiamo incontrare \u00e8 la diversit\u00e0 dei formati delle annotation. Se stiamo addestrando il nostro modello con alcuni dataset in open source potremmo trovarci di fronte a diversi formati. Ad esempio possiamo averli in XML, CSV, Excel, TXT, JSON, ecc.<\/p>\n Quindi, la sfida risiede nel filtrare i dati che di cui abbiamo bisogno e trasformarli tutti in un unico formato.<\/p>\n <\/p>\n Una volta che il data set \u00e8 pronto, passiamo allo step successivo: la costruzione del modello, iniziando dalla ricerca dell\u2019algoritmo pi\u00f9 adeguato allo scopo.<\/p>\n Successivamente modificheremo l\u2019algoritmo integrandolo con i dati raccolti precedentemente che serviranno per il suo training. L’addestramento del modello implica molti fattori per il training dell’algoritmo, il quale potrebbe richiedere ore e giorni a seconda delle dimensioni del dataset.<\/p>\n Sfruttare il transfer learning<\/strong> o utilizzare una rete pre-addestrata per un’altra attivit\u00e0 pu\u00f2 accelerare questo processo.<\/p>\n <\/p>\n L\u2019ultimo step, ma non per questo meno importante, \u00e8 il test del modello costruito. In questa fase verificheremo l\u2019efficienza di quanto creato. Per la prova sottoporremo al computer immagini non presenti nel nostro dataset di addestramento, per controllare che il modello non commetta errori. La differenziazione dei dati di addestramento da quelli del test garantisce che una rete neurale non si alleni accidentalmente sui dati utilizzati in seguito per la valutazione.<\/p>\n A seconda del punteggio di precisione prodotto dal modello, possiamo dire se il modello che abbiamo costruito funziona bene per il nostro problema oppure no. Un punteggio di accuratezza >80% produrr\u00e0 prestazioni migliori, altrimenti sar\u00e0 necessario ricostruire il modello mettendo a punto i parametri e correggendo gli errori commessi nelle annotazioni o qualsiasi altro fattore considerato che diminuisce l’efficienza del modello.<\/p>\n [\/et_pb_text][et_pb_text _builder_version=”4.16″ _module_preset=”default” custom_margin=”0px||||false|false” custom_padding=”42px||||false|false” global_colors_info=”{}”]<\/p>\n Pragma Etimos offre soluzioni di Computer Vision<\/strong> su misura alle esigenze del cliente. Questo perch\u00e9 crediamo fortemente che non sia il lavoro umano a doversi adattare alla tecnologia, ma che debba essere quest\u2019ultima ad essere ideata e ottimizzata per le necessit\u00e0 dell\u2019uomo.<\/p>\n <\/p>\n Ricerca targa<\/strong>: l\u2019inserimento di un numero di targa nel campo di ricerca abilita la funzione di elaborazione in background di analisi del video. Qualora si dovesse intercettare un veicolo con la targa in oggetto verr\u00e0 proposto nell\u2019interfaccia il frame dove \u00e8 stata intercettata e verr\u00e0 scritto un file immagine con le stesse informazioni per un accurato controllo successivo.<\/p>\n <\/p>\n Ricerca oggetti<\/strong>: \u00e8 possibile avviare una ricerca di oggetti (veicoli, monopattini, animali, ecc.). La selezione della ricerca oggetti abilita la funzione di elaborazione in background di analisi del video. Nel frattempo il software continuer\u00e0 la ricerca dell\u2019oggetto in altri frame.<\/p>\n <\/p>\n Ricerca persone<\/strong>: \u00e8 possibile identificare gruppi di persone e singoli soggetti in real-time. Qualora si dovesse intercettare la persona o il gruppo richiesto, verr\u00e0 proposto nell\u2019interfaccia il frame dove sono stati intercettati e verr\u00e0 scritto in un file immagine con le stesse informazioni per un accurato controllo successivo.<\/p>\n <\/p>\n Analisi dei volti<\/strong>: a partire da un volto restituisce informazioni sull\u2019et\u00e0, il genere e l\u2019emozione di una persona. Inoltre \u00e8 in grado di confrontare due visi e capire se si tratta o meno dello stesso soggetto.<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row admin_label=”row” _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” custom_margin=”25px||||false|false” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_divider _builder_version=”4.16″ _module_preset=”default” width=”70%” module_alignment=”center” global_colors_info=”{}”][\/et_pb_divider][et_pb_cta button_url=”https:\/\/pragmaetimos.com\/it\/effigies-computer-vision\/” button_text=”Scopri di pi\u00f9” _builder_version=”4.17.1″ _module_preset=”default” background_color=”rgba(0,102,153,0)” custom_button=”on” button_text_color=”#0C71C3″ custom_padding=”0px||||false|false” global_colors_info=”{}”][\/et_pb_cta][et_pb_text _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”]<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][et_pb_row column_structure=”1_2,1_2″ _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”][et_pb_column type=”1_2″ _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”][et_pb_blurb title=”IDENTIFICAZIONE BIOMETRICA: FACE RECOGNITION E FACE COMPARISON” image=”https:\/\/pragmaetimos.com\/it\/wp-content\/uploads\/2021\/09\/facerecognition_850x405.jpg” alt=”facerecognition- computer vision” _builder_version=”4.16″ _module_preset=”default” global_colors_info=”{}”]La biometria viene sempre pi\u00f9 utilizzata per l\u2019identificazione e l\u2019autenticazione di una persona attraverso tecnologie di Face Recognition e Face Comparison. La biometria facciale, acquisisce un volto da un\u2019immagine o un video e lo trasforma in dati digitali in base…<\/p>\nCapiamo i dati nella Computer Vision<\/strong><\/h2>\n
Dati= Immagini+Labels<\/span><\/h4>\n
STEP 1- Raccolta dei dati<\/strong><\/h2>\n
STEP 2- EDA (Exploratory Data Analysis)<\/strong><\/h2>\n
STEP 3- Conversione del formato<\/strong><\/h2>\n
\u00a0STEP 4- Selezione e Training del Modello <\/strong><\/h2>\n
STEP 5- Test del Modello Neuronale<\/strong><\/h2>\n
Soluzioni di Pragma Etimos<\/strong><\/h2>\n
POTREBBE INTERESSARTI ANCHE…<\/strong><\/h4>\n