Live and recent posts from across the Fediverse tagged #машинное_зрение, aggregated by home.social.
Визуальная и лидарная одометрия для уличного мобильного робота: ORB-SLAM 3, RtabMap, OpenVins, Fast-LIO 2 и DLIO
Прогнал девять пакетов визуальной одометрии и два лидарных на одном уличном ровере: визуалка на улице не тянет, лидар с дефолтными настройками — тянет. Видео всех тестов с таймкодами и разбор причин отказов — в статье.
Читаем DataMatrix с конвейера: открытое сравнение четырёх библиотек на 1368 синтетических кадрах
На производстве код «Честного знака» читает камера над лентой, и символ на кадре мелкий — 2–3 пикселя на модуль, повёрнутый, смазанный, на изогнутом боку бутылки. Мы сравнили, как с такими кадрами справляются ZXing, zxing-cpp, libdmtx и наша библиотека dmr. Кадры, ожидаемые строки и скрипты замера выложены — любую цифру можно проверить. Коротко: — на 1368 синтетических кадрах dmr прочитал 82 %, zxing-cpp — 70 %, libdmtx — 65 %, ZXing (Java) — 3 %; — ложных чтений — ноль у всех четырёх библиотек; — dmr надёжно читает от 1,4 пикселя на модуль и при любом угле поворота; — zxing-cpp примерно в 2,5 раза быстрее; — есть условия, где соперники читают больше dmr, — разбираем их в статье. Таблицы, графики и данные
https://habr.com/ru/articles/1096110/
#распознавание #штрихкод #маркировка #datamatrix #бенчмарк #машинное_зрение #zxing #gs1 #честный_знак #libdmtx
Как я собрал модель для определения стадии диабетической ретинопатии на бесплатном Colab
Предыстория Я собрал двухпоточную модель: она смотрит на снимок глазного дна и одновременно получает клинические показатели пациента. На отложенном тесте первый запуск дал QWK 0.834. Потом я стал разбираться, за счёт чего, и оказалось, что клинические признаки в моих данных содержат ответ. Я поставил три контрольных эксперимента, в том числе обучил отдельную модель только по снимкам. У неё QWK 0.713. Ниже весь пайплайн и способы, которыми такая утечка находится.
https://habr.com/ru/articles/1095572/
#здоровье #медицина #машинное_зрение #компьютерное_зрение #здоровье_глаз #медицина_будущего #медицинские_технологии #здоровье_и_образ_жизни #машинное+обучение #компьютерное_зрение_обучение
Как мы автоматизировали контроль сборки заказов для сети ресторанов быстрого питания
Рассказываем о кейсе внедрения компьютерного зрения в ресторане быстрого питания. Ценность кейса для бизнеса: запись с камеры длиной в 24 часа превращается в 30-секундный эпизод, который проверяющий может разобрать за минуту. В ресторане быстрого питания есть два источника данных: касса и камера. Касса знает, что продали. Камера видит, что положили на поднос. Не всегда касса и камера фиксируют одно и то же. Из‑за этого разрыва возникает масса неприятностей: недостачи, жалобы покупателей на забытые блюда и споры о реальном времени обслуживания. Получается, что бизнес QSR (Quick Service Restaurants) становится не таким уж быстрым и гостеприимным, как должен быть. Для нашего клиента из QSR мы собрали систему, которая связывает чеки с видеопотоком и нарезает для проверяющего готовые эпизоды с ошибками. По причине NDA, все фотографии и схемы в статье созданы искусственно и служат только примерами: это не съёмка ресторана заказчика и не снимки рабочего интерфейса. Названия блюд, номера заказов и время на иллюстрациях условные. Числовые результаты испытаний взяты из материалов проекта.
https://habr.com/ru/articles/1086318/
#машинное_зрение #horeca #ресторанный_менеджмент #рестораны #tensorrt #общепит #yolo
GTA, светофоры и роботы. История появления и обзор симуляторов для автономного движения
О симуляции чаще всего говорят в контексте фантастики или видеоигр, она позволяет синтезировать сценарии, которые невозможны в реальном мире или которые повторяются тысячи раз с минимальными отличиями. И именно поэтому симуляторы, как инструмент, стали неотъемлемой частью обучения человека, а теперь и обучения нейросетей и разработки ПО. Для автономного транспорта это способ накатать миллионы километров, не выезжая из гаража. Меня зовут Амиран Беркаев , я активно развиваю инфраструктуру тестирования автопилота в ЭвоКарго, и в частности — лидирую направление симулятора. Наша компания разрабатывает электрические беспилотные грузовики максимально высокого на сегодня серийно‑эксплуатируемого уровня автономности, а также сервис автономной логистики на их основе. В этой статье я расскажу, откуда вообще взялись симуляторы, что именно первым исследователи решили сымитировать, как на развитие этой сферы повлияли компьютерные игры, какими симуляторы вообще бывают, в каких этапах разработки автопилота применяются и как развиваются сейчас — в эпоху ИИ и гонки за автономность.
https://habr.com/ru/companies/evocargo_it/articles/1084010/
#симуляция #автономный_транспорт #нейросети #машинное_зрение #endtoend #detection #prediction #видеоигры
От object detection к классическому CV: разрабатываем сканер для слабых смартфонов
Привет хабр! Мы разрабатываем приложение для управления линейным персоналом. Хочу рассказать об одной из самых сложных наших разработок — динамического визуального кода, который должен считываться камерой обычного смартфона в реальном времени. Внутри продукта эта технология называется MotionCode. Внешне всё выглядит довольно просто: панель воспроизводит последовательность визуальных элементов, камера телефона считывает их, а приложение восстанавливает код. На практике путь от первого прототипа до стабильной работы оказался гораздо сложнее. Мы успели обучить модель для object detection, столкнуться с ограничениями мобильного железа, отказаться от нейросети и почти без опыта в компьютерном зрении построить собственный real-time-пайплайн обработки кадров.
https://habr.com/ru/articles/1067188/
#сканирование #проектирование #cv #android #ios #аналитика_проекта #qrкоды #машинное_зрение
Машинное зрение: патенты в мире и в России
Машинное зрение (МЗ) — это технология, которая позволяет компьютерам и другим устройствам интерпретировать визуальные данные из реального мира. Это область искусственного интеллекта и робототехники, которая включает в себя получение изображений, их обработку и использование полученных данных для решения прикладных задач без участия человека. Краткая история МЗ публиковалась на Хабре в нашем блоге здесь и тут . Пришло время рассказать про россйские и зарубежные патенты и свидетельства в этой сфере.
https://habr.com/ru/companies/onlinepatent/articles/1054282/
#машинное_зрение #искусственный_интеллект #патентование_программ #патентование_изобретений #машинное_обучение #патентование #патенты #российские_разработки #ии #роботы
Секрет устойчивых платформ для умного города: SOLID, GRASP и Clean Architecture в деле
Запускаем большой проект? Значит, берём SOLID. Мы не раз слышали это от CPO и менеджеров продукта. О нём, кажется, знают все — и все хотят применить. Но он не спасёт масштабные проекты. Например, устойчивый умный город с решениями на основе машинного зрения на одном SOLID не построить. По канонам SOLID можно писать аккуратный код, но это не создаст архитектуру всей системы. Что на самом деле работает — подобранный под бизнес-цели набор инструментов, направленный на защиту ядра приложения. В статье — кейс Сергея Францишкова, начальника отдела разработки «Фалькон Тех», о рабочих решениях для крупной архитектуры и внедрении GRASP + Clean Architecture.
https://habr.com/ru/companies/falcontech/articles/1051438/
#искуственный_интеллект #умный_город #видеоаналитика #машинное_зрение
Когда нашим дорогим инженерам сильно надоело 5 раз проверять документацию за подрядчиками
Мы разрабатываем CV-системы (машинное зрение для производств). А ещё мы принимаем на поддержку решения, которые для нас делают подрядчики. Подрядчики присылают нам документацию, и дальше начинается бюрократический ад. Это наша общая боль, которая на протяжении двух лет медленно, но верно подтачивала боевой дух команды. Эта боль — проверка документации. Это не брошюра, это увесистый документ на десятки страниц. В нём описаны функциональные и нефункциональные требования к системе, бизнес-метрики, ожидания по точности, сроках и способах её измерения, формат сдачи отчётности и многое другое. Наша задача — провести ревью этого ТЗ и отчётной документации. Это непохоже на ревью кода. Это похоже на рутинный чек-лист потому, что есть все разделы, есть все базовые критерии, числа друг другу не противоречат и так далее. И это должны делать очень дорогие специалисты — вместо реальных задач. Количество итераций проверки одного документа — от 2 до 5. Серьёзно. Формулировки бывают настолько запутанными, что приходится писать кучу уточняющих вопросов. Ещё есть ТЗ на разметку, там вообще становится понятно, почему Скайнет восстал. Например, надо обвести все надписи на вагоне. А если там мелом написано ХУZ, это должно попасть в распознавание? И вот инженеры сидят и принимают такие решения по каждой мелочи. Заставлять инженера, который может писать сложнейшие алгоритмы, по три дня вычитывать по шаблону один и тот же документ — это жестокая история. Правда, очень важная. Просто ничего не делать — не получится. Мы взялись это автоматизировать LLM’ками, но должны были избежать рисков, связанных с передачей информации о наших внутренних процессах на третью сторону и по галлюцинациям. И ещё пару, сейчас расскажу, что вышло.
https://habr.com/ru/companies/nlmk/articles/989166/
#LLM #машинное_зрение #промптинжиниринг #автоматизация #разметка_данных #ревью_документации #производство #завод
«Фалькон Тех» на ПМЭФ 2026
Привет, Хабр! На связи команда «Фалькон Тех». В этой статье: - о нашем участии в ПМЭФ 2026 в экспозиции «Москва» - о том, почему система интеллектуального мониторинга парковок «Стрит Фалькон» уже стала частью городской среды - о том, какую роль в этом сыграло производство комплексов в ОЭЗ «Технополис Москва» Также расскажем о событийной программе в рамках форума: - об участии генерального директора Никиты Чистикова в дискуссии Минобрнауки - о двух соглашениях, подписанных на форуме — с Государственным университетом управления и с АНО «Развитие человеческого капитала» - а ещё о том, как это связано с всероссийским конкурсом «Стартап как диплом» и хакатоном Мэра Москвы «Лидеры цифровой трансформации».
https://habr.com/ru/articles/1048118/
#исскуственный_интеллект #умный_город #видеоаналитика #машинное_зрение #пдд #городская_среда #пмэф_2026 #програмное_обеспечение
3D-лидар против кривого кузова: как мы автоматизировали осмотр фур
На складе производителя стройматериалов под погрузку приходят десятки фур в день: габариты фиксированные, машины разные. Часть фур приезжает с кривым кузовом: занижена высота к кабине, неровные борта, наваренные крючки и кронштейны на стойках у дверей. Внутрь такой кузов выглядит нормально, пока в него не заедет погрузчик с паллетой шириной 2,40 м и не упрётся в выступ, которого там быть не должно. Цена ошибки — повреждённый груз, развёрнутая на КПП машина, простой ворот и сорванный график отгрузки. Для исключения таких ошибок, было принято решение об инспекции фуры человеком: кто-то заглядывает в кузов и по визуальному осмотру решает, грузить фуру или разворачивать. Это медленно, субъективно и не масштабируется — а отказы по геометрии кузова составляют заметную долю разворотов. Задача , которая стояла перед командой: автоматизировать этот осмотр. Убрать человека из точки принятия решения и выдавать вердикт «грузить / не грузить» по объективным числам, а не по взгляду грузчика. Требования заказчика сразу задали высокую планку. Нужно мерить три габарита: ширину свободного прохода, высоту от пола до горизонтальной балки, длину — и находить посторонние предметы внутри кузова. Пороги жёсткие: ширина меньше 2,43 м — отказ, высота меньше 2,60 м — отказ, длина меньше 8 м — отказ. Зазор между «входит» и «не входит» — 2 см: паллета шириной 2,40 м идёт впритык, и выступающий на стойке крючок, съедающий эти 2 см, делает кузов непригодным. То есть мерить надо с точностью лучше сантиметра — и не у ворот, а на всей глубине кузова, до 15 м от точки установки.
https://habr.com/ru/articles/1043258/
#lidar #машинное_зрение #логистика #автоматизация #компьютерное_зрение #ubuntu #облако_точек
Используем фотограмметрию для распознавания и геолокации объекта
В статье будет описан способ, как можно использовать фотограмметрию для определения координат подвижных и статичных объектов с летательных аппаратов. Практическое применение данного метода пока что затруднено по причинам, которые будут указаны ниже. Задача: В системе координат, для которой известны GPS координаты (обозначена на рисунке красным цветом) определить расстояние и вектор направления для объекта, обозначенным на рисунке желтым крестиком. Затем, соответственно определить GPS координаты этого объекта.
https://habr.com/ru/articles/1041922/
#машинное_зрение #распознавание_образов #распознавание_изображений #распознавание #дроны #3д #3д_моделирование #зрение #мозг #навигация
Как ускорить распознавание объектов нейросетями среди множества классов, не жертвуя памятью и точностью
Эксперты российской ИТ-компании «Криптонит» Никита Габдуллин и Илья Андросов разработали принципиально новый метод организации скрытого пространства нейросетей. В ряде сценариев он позволяет снизить требования к памяти GPU и существенно ускорить классификацию объектов нейронными сетями. Вместо того, чтобы мириться с ростом вычислительных затрат и требований к памяти по мере увеличения числа классов, авторы призывают отказаться от классификационного слоя и случайного распределения классов в скрытом пространстве нейросети.
https://habr.com/ru/companies/kryptonite/articles/1038878/
#нейросети #машинное_обучение #машинное_зрение #компьютерное_зрение #классификация_изображений #распознавание_изображений #распознавание_лиц #классификация #классификатор_данных
Трекинг посетителей на fisheye-камерах: задача “со звездочкой”
Всем привет, на связи команда NeuroCore. Сегодня расскажем про кейс разработки системы видеоаналитики для магазинов самообслуживания: почему fisheye-камеры - настоящее проклятие, почему SORT и DeepSORT не справились с задачей, как мы выстроили конвейер от детекции до бизнес-событий, и какие инженерные решения позволили добиться стабильной работы в продакшене. Дано: магазины самообслуживания, которые работают без кассиров и продавцов. Покупатель входит по QR, выбирает товары, рассчитывается и выходит. Заказчику нужна автоматизированная система отслеживания: кто находится внутри, сколько времени, в каких зонах, а также распознает несанкционированный доступ и вход группами. В случае нарушений, система должна генерировать алерты по 7 типам событий. Что есть: одна потолочная fisheye-камера, которая покрывает весь зал. Это идеальный выбор для ритейла: угол обзора 180 градусов, не нужно ставить десятки обычных камер, не нужно сшивать панорамы. Но за этот комфорт приходится платить.
https://habr.com/ru/articles/1039354/
#ритейл #трекинг #computer_vision #машинное_зрение #компьютерное_зрение #yolo #видеоаналитика_в_retail #видеоаналитика
На каком стеке и железе работает умное наблюдение в вашем городе: обзор технологий от разработчиков видеоаналитики
Обсудим почему в городах классический видеоанализ не работает, как ИИ меняет аналитику видеопотоков, какой стек нужен для умных камер на дорогах, как модульная архитектура помогает нам адаптироваться.
https://habr.com/ru/articles/1039094/
#искусственный_интеллект #умный_город #видеоаналитика #машинное_зрение #пдд #городская_среда #нарушения #программное_обеспечение
Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием
На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.
https://habr.com/ru/articles/1034836/
#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling
Опыт использования сабагентов в AI-агенте для IDE: что реально работает на больших задачах, а что нет
Архитектура «оркестратор + сабагенты» на одном экране: ведущий агент держит план и раздаёт подзадачи изолированным сабагентам. Один AI-агент в чате – это удобно, пока задача помещается в контекст. Как только она начинает разъезжаться по 30 файлам, четырём ролям и циклу «исследуй – реализуй – отревьюй – поправь», единый чат превращается в свалку: модель путает, какой шаг где, тащит решения из первой задачи в третью и стабильно проседает по качеству начиная с заполнения окна примерно наполовину. Схема «оркестратор + сабагенты» – это инженерный ответ на проблему: один ведущий агент держит план и раздаёт подзадачи изолированным сабагентам с пустым контекстом. Мы у себя в Veai полгода живём с этой архитектурой в IDE-плагине под JetBrains. За это время накопилось достаточно граблей, чтобы написать честный текст: как это устроено, на каких задачах команда из агентов реально лучше одного, и где она проигрывает с разгромом.
https://habr.com/ru/companies/veai/articles/1034208/
#программирование #java #c++ #машинное+обучение #машинное_зрение #аналитика_данных #аналитика
Извлечение параметров из 2D-чертежей: 6 YOLO-моделей, кастомный OCR и стрелочная логика
PDF‑чертёж кажется простым документом, пока не нужно автоматически вытащить из него всё, что влияет на стоимость изготовления детали : габариты, диаметры, резьбы, квалитеты, шероховатости, материал, массу и тип детали. Мы собрали для этого пайплайн из детекции, OCR и инженерной логики: научили систему находить проекции, отделять контур детали от служебных линий, связывать стрелки с размерами и превращать чертёж в JSON для калькулятора стоимости. В статье разбираем архитектуру решения, узкие места и приёмы, которые реально сработали на производственных чертежах. Читать кейс
https://habr.com/ru/articles/1033824/
#ocr #ocrтехнологии #детекция_текста #распознавание_документов #машинное_зрение #компьютерное_зрение #обработка_изображений #инженерная_оптимизация
Как из смарт-камеры сделать машинное зрение: дружим Hikrobot ID3000 + OpenCV через Python
Можно ли из смарт-камеры сделать полноценную систему машинного зрения? Можно, нужно подружить её C-библиотеку Hikrobot IDMVS SDK с OpenCV через Python. О том, как это сделать — расскажу на примере кейса печати маркировки на мешках строительной смеси: как мы проверяли синхронность печати кодов маркировки, искали белые квадраты, попадали в них кодами, дублировали по 4 кода на один мешок.
https://habr.com/ru/articles/1031192/
#машинное_зрение #автоматизация_производства #маркировка #техническое_зрение #opencv
Умный город начинается с точного взгляда: как Фалькон Тех меняет пространство к лучшему
"Умный город" звучит как абстрактная концепция – с ИИ, камерами и "единым цифровым контуром". Но что это на практике и как работает? В этой статье рассказываем, как создали систему видеомониторинга для городской среды: от первых задач по контролю парковок до масштабируемого обеспечения, который используется в Москве и обрабатывает данные с тысяч программно-аппаратных комплексов. Разберем реальные кейсы: как машинное зрение помогает фиксировать нарушения, анализировать загрузку городской инфраструктуры и снижать зависимость от ручного контроля. Покажем, с какими инженерными ограничениями приходится работать — от погодных условий и ночной съёмки до распознавания объектов в сложных сценариях.
https://habr.com/ru/articles/1023790/
#искусственный_интеллект #умный_город #видеоаналитика #машинное_зрение #пдд #городская_среда #нарушения #программное_обеспечение
Предопределённые векторы для обучения нейросетей с экономией памяти
Одна из базовых функций систем машинного зрения состоит в классификации объектов. Для решения этой задачи традиционно применяются методы обучения с учителем (SL). Эти методы обеспечивают высокую точность, но при этом размер нейросетевой модели увеличивается с увеличением количества классов. Такая особенность ограничивает применимость SL в тех случаях, когда число классов слишком велико или заранее неизвестно. Эксперт отдела перспективных исследований компании «Криптонит» Никита Габдуллин предложил новую методологию, позволяющую добиться одного и того же размера нейросетевой модели независимо от числа классов. Это достигается за счёт использования предопределённых векторных систем в качестве целевой конфигурации скрытого пространства (Latent Space Configuration, LSC) во время обучения. С проблемой раздувания классов сталкиваются во многих областях — от ритейла до научных исследований. Мы рассмотрим её на задаче распознавания лиц, где каждый человек (его ID) считается отдельным классом. Существующий подход (SL) требует, чтобы размер последнего классификационного слоя был пропорционален количеству этих ID. Когда число идентифицируемых лиц исчисляется миллионами, параметры этого слоя становятся просто астрономическими, а модель — непрактичной из-за непомерных требований к ресурсам (в частности — к видеопамяти). Это становится существенным барьером на пути к масштабированию. В качестве решения этой проблемы эксперт «Криптонита» предложил радикально новый метод — LSC, который устраняет прямую зависимость между размером модели и числом классов. Вместо того, чтобы заставлять сеть запоминать каждый класс во всё увеличивающемся классификационном слое, LSC учит её проецировать входные данные — например, изображения лиц — в заранее заданную, фиксированную систему векторов в абстрактном скрытом пространстве.
https://habr.com/ru/companies/kryptonite/articles/970844/
#нейросети #машинное_обучение #обучение_с_учителем #распознавание_лиц #распознавание_изображений #машинное_зрение #компьютерное_зрение #классификация_изображений
EMNLP-2025: обзор исследований жестовых языков
Всем привет! В этом году в китайском городе Суджоу прошла юбилейная тридцатая конференция EMNLP ( Empirical Methods in Natural Language Processing ). Это одна из ведущих международных конференций по обработке естественного языка (NLP), проводимая под эгидой ассоциации компьютерной лингвистики ACL (Association for Computational Linguistics). Впервые конференция EMNLP прошла в 1996 году. Сегодня она посвящена эмпирическим методам, то есть моделям, основанным на данных, статистике и машинном обучении. А тогда конференция называлась Workshop on Very Large Corpora и представляла собой небольшое мероприятие ACL, посвящённое использованию корпусов текстов для обучения моделей. Тогда еще не было никаких трансформеров и уже привычных нам больших языковых моделей (LLM) и уж тем более мультимодальности, агентов и прочих хайповых ИИ-направлений. Это была эпоха статистического NLP, когда всё строилось вокруг частот, вероятностей и корпусов текстов, а в ходу были N-граммные языковые модели и скрытые Марковские модели.
https://habr.com/ru/companies/sberbank/articles/965274/
#РЖЯ #жестовый_язык #наука #конференции #данные #искуственный_интеллект #машинное+обучение #машинное_обучение #машинное_зрение
Пять лет спустя: почему мы всё переписали с нуля
Пять лет назад на Хабре мы писали о Web Camera Pro — и казалось, что впереди только апдейты, оптимизации и новые функции. За это время изменилось многое — и не только в технологиях, но и в законодательстве. Как мы наступили на те же грабли Когда в 2015 году мы начинали разработку системы для видеонаблюдения , Qt 5 казался идеальным решением. На первый взгляд всё выглядело просто: берём готовые библиотеки, оборачиваем в красивый интерфейс, добавляем AI-аналитику — и готово. На Qt было создано множество известных программ для видеонаблюдения, и мы — как и десятки команд по всему миру, поверили в его универсальность. “Один фреймворк, любая платформа” — звучало как музыка. Первые месяцы казались триумфом: интерфейс ожил, камеры подключались, поток шёл, воспроизведение работало. Qt позволял быстро собрать прототип, но, когда речь заходила о стабильности, о 24/7-нагрузке, о реальной работе с потоками и камерами, его недостатки становились критичны.
https://habr.com/ru/articles/963760/
#видеонаблюдение #система_видеонаблюдения #vms #облачное_видеонаблюдение #qt #машинное_зрение #искусственный_интеллект #камеры_видеонаблюдения #распознавание_лиц #программирование
Определение положения объектов на изображении: как найти пространственные координаты объекта, используя OpenCV
Как найти 3D координаты объектов на изображении? Статья о задаче пространственной локализации объектов на изображении с одной камеры и о её решении с помощью OpenCV
https://habr.com/ru/articles/941842/
#opencv #opencv_python #фотограмметрия #numpy #aruco #pnp #машинное_зрение #положение_в_пространстве #solvepnp #3d
Fast & Furious: оценка ошибок измерений в футбольной аналитике. Часть 2
Привет! В предыдущей статье про аналитику футбольных матчей я рассказал вам о нашем пайплайне в целом и тонкостях сглаживания, а также о нескольких упражнениях для игроков, которые помогают нам моделировать реальные ситуации. В этой же части, как и обещал ранее, будет рассказ про упражнение «2*2» (проверяем, сможет ли трекинговая система нормально отслеживать игроков в условиях резких перемещениях в ограниченной локации), синтетические тесты и выводы. Давайте по порядку. В качестве вступления, несколько основных моментов из первой части: Определение скорости возможно только с определенной погрешностью. Точность этой оценки важна как при выявлении превышения скоростного режима на дорогах, так и при анализе спортивных результатов, где даже небольшие ошибки могут повлиять на выводы. Положение футболиста на поле можно определять различными способами. Для этого используются:
Need for speed: оценка ошибок измерений в футбольной аналитике. Часть 1
Привет! Меня зовут Артем, и я занимаюсь разработкой систем компьютерного зрения в сервисе Яндекс Спорттех. Среди основных задач нашей команды — футбольная аналитика и работа со статистическими данными. Яндекс Спорттех обеспечил интеграцию технологических решений в РПЛ — все стадионы участников чемпионата были оборудованы камерами 6К, для клубов организована передача в режиме онлайн фитнес-данных и продвинутых данных на стыке технико-тактических действий. С помощью современных методов компьютерного зрения мы осуществляем детекцию игроков и мяча, ведём их трекинг, а также вычисляем различные ключевые спортивные метрики — пройденные дистанции, максимальные скорости, спринты и рывки, а также экстренные торможения и другие фитнес-показатели, важные как для аналитиков, так и для тренеров и поклонников игры. В этих двух статьях мы подробно рассмотрим, почему точное измерение скорости движения и пройденной дистанции игроков критически важно для качественного анализа футбольных матчей. Расскажем, почему любые систематические ошибки и неточности могут весьма существенно исказить выводы и рекомендации для тренерского штаба и аналитиков. А ещё поделимся нашим опытом, расскажем о типичных источниках ошибок, возникающих при расчёте скорости и пробега, и опишем подходы, которые позволяют уменьшить их влияние.
https://habr.com/ru/articles/925792/
#спорттех #машинное_зрение #машинное_обучение #ML #AI #ИИ #футбол #спорт #отслеживание_движений #искусственный_интеллект
«Крестный отец» машинного обучения Амари Шуничи получил Премию Киото. Повод вспомнить, что это за ученый
Японский ученый и один из основоположников исследований в сфере машинного обучения и искусственного интеллекта Амари Шуничи стал лауреатом Премии Киото. Согласно официальному пресс-релизу, он «провёл новаторские исследования в области искусственных нейронных сетей и стал основателем направления информационной геометрии, изучающей статистические модели с помощью методов дифференциальной геометрии, предложив множество важных теорий. Его вклад как в теорию, так и в практику, оказавший влияние на различные области науки, имеет огромное значение». 10 ноября в Киото (Япония) Амари получит премию, включающую диплом, золотую медаль и денежное вознаграждение в размере 100 миллионов иен (около 700 000 долларов).
https://habr.com/ru/companies/onlinepatent/articles/922408/
#машинное_обучение #исскуственный_интеллект #машинное_зрение #история_it
Что будет, если пригласить на свидание OCR и GPT?
Привет, Хабр! Снова на связи Кирилл Пронин, разработчик PIX RPA из PIX Robotics , со мной Александр Сулейкин , Founder DUC Technologies и сегодня мы с вами затронем тему «Что будет, если объединить OCR и GPT?». Признайтесь честно, видели какие ужасные результаты распознавания выдают современные open source решения для кириллицы? Вряд ли из коробки, можно что-то использовать сразу в своих решениях роботизации и автоматизации. Но что же будет, если мы обучим модель не через стандартные методы машинного обучения, а через GPT? Каков будет результат? Стоит ли это исследовать и браться за реализацию? Обо всем подробно в этой статье.
https://habr.com/ru/articles/919104/
#open_source #искусственный_интеллект #машинное_обучение #машинное_зрение #оптическое_распознавание #ocrтехнологии #idp #ocr #обучение_нейронных_сетей
Как добиться роста извлечения полезных ископаемых с помощью нейросетевых технологий
Подробный разбор нашего четырехлетнего опыта внедрения искусственного интеллекта на обогатительных фабриках. Привет, Хабр! На связи Дмитрий Лохов. В прошлой статье я рассказывал, как мы внедряли VR‑тренажеры и сократили сроки обучения специалистов в 10 раз. Сегодня хочу продолжить тему цифровой трансформации и поделиться нашим следующим шагом — внедрением искусственного интеллекта на обогатительных предприятиях. 4 года назад, когда мы только начинали эксперименты с VR, главной проблемой была катастрофическая нехватка квалифицированных кадров. Наши VR‑решения позволили готовить специалистов быстрее и качественнее. Но со временем стало ясно: чтобы вывести производство на новый уровень, нужно идти дальше — сокращать зависимость от человеческого фактора. В этой статье я хочу максимально подробно поделиться нашим опытом работы с промышленным ИИ :
https://habr.com/ru/companies/tapp_group/articles/917130/
#Инжиниринг #искусственный_интеллект #промышленность #машинное_зрение #промышленное_оборудование #автоматизация
Как Python помогает восстанавливать древние фрески: алгоритмы цифровой реставрации
Цифровая реставрация культурного наследия — не то, о чём часто пишут на IT-форумах. Но Python, OpenCV и немного безумной любви к истории могут буквально вдохнуть жизнь в древние фрески. В этой статье — живая техническая история о том, как написать свои алгоритмы цифровой реставрации, использовать машинное зрение и нейросети для восстановления утраченного и, возможно, спасти кусочек человечества от забвения.
https://habr.com/ru/articles/914516/
#цифровая_реставрация #Python #opencv #древние_фрески #нейросети #gan #машинное_зрение #культура #шум #inpainting
#MHERO – #автопилот и машинное зрение. «Полёт» нормальный.
Тестируем на внедорожном электромобиле с генератором на бору #M_HERO автопилот и #машинное_зрение.