எளிமையாப் புரிஞ்சுக்கலாம்

Computer Vision-ல் image அல்லது video-வை வைத்து வேலை செய்கிறோம். படம் எந்த category, பொருள் எங்கே இருக்கு, ஒவ்வொரு பகுதியும் என்ன, document-ல் என்ன எழுத்து இருக்கு—இப்படி வேலைகள் மாறும். Pixels ஆரம்பத் தகவல்தான். Convolutional networks, Transformers அல்லது வேறு அமைப்புகளும் இருக்கலாம். தெளிவான படங்களில் நல்லா வேலை செய்த system, வெளிச்சம் மாறும்போதோ படம் blur ஆகும்போதோ வேறு camera-விலோ தடுமாறலாம்.

இந்த AI approach எப்படி வேலை செய்கிறது?

Computer Vision-ல் படம் அல்லது video-விலிருந்து task-க்கு தேவையான output எடுப்போம். Classification image-க்கு label கொடுக்கும். Detection பொருள் என்ன, எங்கே இருக்கிறது என்று boxes தரும். Segmentation pixel அளவில் labels தரும். OCR text எடுக்கும். Tracking video-வில் பொருளைத் தொடர்ந்து கண்டுபிடிக்கும். Labels சேகரிப்பதற்கு முன் output என்ன வேண்டும் என்று முடிவு செய்யணும். Image-level label மட்டும் கொடுத்தால் precise boxes-க்கான supervision நேரடியாகக் கிடைக்காது.

Images spatial, channel dimensions உள்ள tensors-ஆக மாறும். Resize, normalization செய்யலாம்; ஆனால் task-க்கு முக்கியமான தகவல் அழியக்கூடாது. CNN local filters-ஐ பகிர்ந்து கற்றுக்கொள்ளும். Vision Transformer image patches போன்ற representations-ல் attention பயன்படுத்தலாம். Pretrained backbone features கொடுக்க, task-specific head output தரலாம்.

Visual shortcuts முக்கியமான ஆபத்து. நமக்குத் தேவையான பொருளுக்குப் பதிலாக watermark, background, camera artifact வைத்து model label கண்டுபிடிக்கலாம். தொடர்புள்ள captures-ஐ ஒரே split-ல் வைத்து, வேறு acquisition conditions-ல் test செய்யுங்க. Augmentation label-ஐ மாற்றாததாக இருக்கணும். Left, right வித்தியாசமே answer என்ற task-ல் horizontal flip தவறான training example உருவாக்கலாம்.

Output-க்கு ஏற்ற metrics பயன்படுத்தணும். Image labels-க்கு classification metrics; boxes, masks-க்கு overlap criteria; OCR-க்கு text errors பார்க்கலாம். Lighting, blur, occlusion, புதிய devices போன்றவற்றையும் test செய்யுங்க. Training-ல் இல்லாத class-ஐ சரியாக அறிந்துவிட்டது என்று confidence score மட்டும் வைத்து சொல்ல முடியாது.

ஒவ்வொரு படியாகப் பார்க்கலாம்

1. Category வேண்டுமா, box வேண்டுமா, pixel mask வேண்டுமா, text வேண்டுமா என்று முடிவு செய்யுங்க.
2. விதவிதமான படங்களைச் சேகரிங்க. ஒரே பொருளின் தொடர்புடைய படங்கள் train, test-ல் கலக்காமல் பார்த்துக்கோங்க.
3. நிஜத்தில் வரக்கூடிய தவறுகளையும் சந்தேகமான result-ஐ user-க்கு எப்படி காட்டுவது என்பதையும் சோதிங்க.

உதாரணம்: task-உடன் approach-ஐ இணைக்கலாம்

Conveyor-ல் damaged packages எத்தனை என்று shop-க்கு தெரியணும். Whole-image classification damage இருக்கிறதா என்று மட்டும் சொல்லலாம்; ஒவ்வொரு package-ஐயும் count செய்யாது. Package-க்கு ஒரு box, damage label உள்ள detection task பொருத்தமாக இருக்கலாம். Damage boundary-யே தேவைப்பட்டால் segmentation பார்க்கலாம்.

பல shifts, cameras-லிருந்து examples எடுங்க. ஒரே video frames ஒரே split-ல் இருக்கட்டும். சின்ன defects தவறுகிறதா, shadow-ஐ damage என்று சொல்கிறதா என்று பாருங்க. Architecture தேர்வு செய்வதற்கு முன் சரியான task அமைப்பது முக்கியம்.

கருத்தைப் பயன்படுத்தலாம்: உங்க புரிதலைச் சோதிங்க

அடுத்த பாடத்துக்கு முன்னாடி

• Technical பெயரை மட்டும் சொல்லாமல், கருத்தை உங்க வார்த்தைகளில் விளக்கிப் பாருங்க.
• Approach என்ன, அதன் assumptions என்ன, result-ஐ நம்ப என்ன evidence வேண்டும் என்று சொல்லிப் பாருங்க.
• பயிற்சியை முயற்சி செய்துவிட்டு, உங்க காரணத்தை விடையோடு ஒப்பிட்டுப் பாருங்க.

ஆதாரங்கள்: இன்னும் தெரிஞ்சுக்கலாம்

இந்தப் புதுப்பிப்பில் original research papers மற்றும் official documentation பயன்படுத்தப்பட்டுள்ளன. கீழே உள்ள கூடுதல் links ஆங்கிலத்தில் இருக்கும். அவற்றை முதலில் படிக்காமலேயே இந்தப் பாடத்தைப் புரிஞ்சுக்கலாம். Product versions, availability மாறலாம்.

• Hugging Face: image classification ↗
• scikit-learn: common pitfalls and leakage ↗