#обнаружение_объектов — Public Fediverse posts

TAPe‑детекция против COCO и SOTA: как мы обошли RF‑DETR и YOLO, с легкостью уложившись в 100k параметров (вместо 100M)

Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки. В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров. Прикоснуться к магии

https://habr.com/ru/articles/1023426/

#компьютерное_зрение #машинное_обучение #обнаружение_объектов #COCO #yolo #tape+ml #rfdetr #нейросети #аннотация_данных #производительность

TAPe‑детекция против COCO и SOTA: как мы обошли RF‑DETR и YOLO, с легкостью уложившись в 100k параметров (вместо 100M)

Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки. В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров. Прикоснуться к магии

https://habr.com/ru/articles/1023426/

#компьютерное_зрение #машинное_обучение #обнаружение_объектов #COCO #yolo #tape+ml #rfdetr #нейросети #аннотация_данных #производительность

TAPe‑детекция против COCO и SOTA: как мы обошли RF‑DETR и YOLO, с легкостью уложившись в 100k параметров (вместо 100M)

Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки. В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров. Прикоснуться к магии

https://habr.com/ru/articles/1023426/

#компьютерное_зрение #машинное_обучение #обнаружение_объектов #COCO #yolo #tape+ml #rfdetr #нейросети #аннотация_данных #производительность

TAPe‑детекция против COCO и SOTA: как мы обошли RF‑DETR и YOLO, с легкостью уложившись в 100k параметров (вместо 100M)

Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки. В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров. Прикоснуться к магии

https://habr.com/ru/articles/1023426/

#компьютерное_зрение #машинное_обучение #обнаружение_объектов #COCO #yolo #tape+ml #rfdetr #нейросети #аннотация_данных #производительность

[Перевод] Теорема о разделяющей оси при обнаружениях столкновений

Для изучения этой статьи вам потребуется базовое понимание методов обнаружения столкновений в узкой фазе, а также знание смежных с данной проблемой геометрических концепций, в частности, суммы Минковского. Несколько лет назад я посмотрел отличную презентацию от Дирка. В ней он описывал теорему о разделяющей оси, пролегающей между выпуклыми многогранниками ( видео , слайды ). Примерно на 18 минуте (слайд 29) он заводит речь о наложении гауссовых отображений выпуклых многогранников — как они помогают найти грани разности Минковского для этих многогранников.

https://habr.com/ru/articles/933522/

#оптимизация #геометрия #обнаружение_объектов

Обнаружение дронов (БПЛА) с использованием ИИ и компьютерного зрения

Обнаружение дронов (БПЛА) object-detection с использованием ИИ YOLOv12 и компьютерного зрения OpenCV.

https://habr.com/ru/articles/921648/

#Object_detection #YOLO #yolov12 #opencv #YOLO_Custom_Dataset_Training #бпла #Обучение_YOLO #computer_vision #ai #обнаружение_объектов

Технология пассивного радиопеленгования БПЛА: Обнаружение, сопровождение и классификация

В данной работе мы представляем технологию пассивного радиопеленгования беспилотных летательных аппаратов (БПЛА). В её основе лежит многопозиционный подход, позволяющий точно определять координаты радиоизлучающего объекта, преимущественно БПЛА, без применения активных радиолокационных средств.

https://habr.com/ru/articles/910928/

#бпла #классификация #обнаружение_объектов #радиотехника #радиоволны #радиоканал #радиосвязь

Технология пассивного радиопеленгования БПЛА: Обнаружение, сопровождение и классификация

В данной работе мы представляем технологию пассивного радиопеленгования беспилотных летательных аппаратов (БПЛА). В её основе лежит многопозиционный подход, позволяющий точно определять координаты радиоизлучающего объекта, преимущественно БПЛА, без применения активных радиолокационных средств.

https://habr.com/ru/articles/910928/

#бпла #классификация #обнаружение_объектов #радиотехника #радиоволны #радиоканал #радиосвязь

Технология пассивного радиопеленгования БПЛА: Обнаружение, сопровождение и классификация

В данной работе мы представляем технологию пассивного радиопеленгования беспилотных летательных аппаратов (БПЛА). В её основе лежит многопозиционный подход, позволяющий точно определять координаты радиоизлучающего объекта, преимущественно БПЛА, без применения активных радиолокационных средств.

https://habr.com/ru/articles/910928/

#бпла #классификация #обнаружение_объектов #радиотехника #радиоволны #радиоканал #радиосвязь

Технология пассивного радиопеленгования БПЛА: Обнаружение, сопровождение и классификация

В данной работе мы представляем технологию пассивного радиопеленгования беспилотных летательных аппаратов (БПЛА). В её основе лежит многопозиционный подход, позволяющий точно определять координаты радиоизлучающего объекта, преимущественно БПЛА, без применения активных радиолокационных средств.

https://habr.com/ru/articles/910928/

#бпла #классификация #обнаружение_объектов #радиотехника #радиоволны #радиоканал #радиосвязь

Компьютерное зрение на С++: подключаем ML-библиотеки и обрабатываем результаты поиска объектов

Привет, Хабр! Меня зовут Кирилл Колодяжный, я разрабатываю системы хранения данных в YADRO и изучаю нестандартные подходы к машинному обучению: создаю ML-проекты на С++. Это вторая часть цикла о разработке приложения для обнаружения предметов на С++. В прошлом материале мы выяснили, как создать проект в IDE Android Studio, реализовать сессию непрерывного захвата и преобразовать изображение в матрицу OpenCV. Ссылку вы найдете в конце статьи. В этой статье продолжим реализацию проекта и обсудим следующие шаги: • Как подключить к проекту библиотеки машинного обучения PyTorch и NCNN. • Как получить модели YOLOv5 и YOLOv4 для использования на мобильном устройстве. • Как реализовать инференс моделей для обнаружения объектов. • Как обработать результаты работы моделей YOLO, реализовав алгоритмы Non-Maximum-Suppression и Intersection-Over-Union. В конце сравним производительность PyTorch и NCNN и решим, какой фреймворк подойдет для задачи лучше.

https://habr.com/ru/companies/yadro/articles/856110/

#c++ #computer_vision #машинное_обучение #pytorch #yolov5 #обнаружение_объектов #приложение_для_android

Компьютерное зрение на С++: подключаем ML-библиотеки и обрабатываем результаты поиска объектов

Привет, Хабр! Меня зовут Кирилл Колодяжный, я разрабатываю системы хранения данных в YADRO и изучаю нестандартные подходы к машинному обучению: создаю ML-проекты на С++. Это вторая часть цикла о разработке приложения для обнаружения предметов на С++. В прошлом материале мы выяснили, как создать проект в IDE Android Studio, реализовать сессию непрерывного захвата и преобразовать изображение в матрицу OpenCV. Ссылку вы найдете в конце статьи. В этой статье продолжим реализацию проекта и обсудим следующие шаги: • Как подключить к проекту библиотеки машинного обучения PyTorch и NCNN. • Как получить модели YOLOv5 и YOLOv4 для использования на мобильном устройстве. • Как реализовать инференс моделей для обнаружения объектов. • Как обработать результаты работы моделей YOLO, реализовав алгоритмы Non-Maximum-Suppression и Intersection-Over-Union. В конце сравним производительность PyTorch и NCNN и решим, какой фреймворк подойдет для задачи лучше.

https://habr.com/ru/companies/yadro/articles/856110/

#c++ #computer_vision #машинное_обучение #pytorch #yolov5 #обнаружение_объектов #приложение_для_android

Компьютерное зрение на С++: подключаем ML-библиотеки и обрабатываем результаты поиска объектов

Привет, Хабр! Меня зовут Кирилл Колодяжный, я разрабатываю системы хранения данных в YADRO и изучаю нестандартные подходы к машинному обучению: создаю ML-проекты на С++. Это вторая часть цикла о разработке приложения для обнаружения предметов на С++. В прошлом материале мы выяснили, как создать проект в IDE Android Studio, реализовать сессию непрерывного захвата и преобразовать изображение в матрицу OpenCV. Ссылку вы найдете в конце статьи. В этой статье продолжим реализацию проекта и обсудим следующие шаги: • Как подключить к проекту библиотеки машинного обучения PyTorch и NCNN. • Как получить модели YOLOv5 и YOLOv4 для использования на мобильном устройстве. • Как реализовать инференс моделей для обнаружения объектов. • Как обработать результаты работы моделей YOLO, реализовав алгоритмы Non-Maximum-Suppression и Intersection-Over-Union. В конце сравним производительность PyTorch и NCNN и решим, какой фреймворк подойдет для задачи лучше.

https://habr.com/ru/companies/yadro/articles/856110/

#c++ #computer_vision #машинное_обучение #pytorch #yolov5 #обнаружение_объектов #приложение_для_android

Компьютерное зрение на С++: подключаем ML-библиотеки и обрабатываем результаты поиска объектов

Привет, Хабр! Меня зовут Кирилл Колодяжный, я разрабатываю системы хранения данных в YADRO и изучаю нестандартные подходы к машинному обучению: создаю ML-проекты на С++. Это вторая часть цикла о разработке приложения для обнаружения предметов на С++. В прошлом материале мы выяснили, как создать проект в IDE Android Studio, реализовать сессию непрерывного захвата и преобразовать изображение в матрицу OpenCV. Ссылку вы найдете в конце статьи. В этой статье продолжим реализацию проекта и обсудим следующие шаги: • Как подключить к проекту библиотеки машинного обучения PyTorch и NCNN. • Как получить модели YOLOv5 и YOLOv4 для использования на мобильном устройстве. • Как реализовать инференс моделей для обнаружения объектов. • Как обработать результаты работы моделей YOLO, реализовав алгоритмы Non-Maximum-Suppression и Intersection-Over-Union. В конце сравним производительность PyTorch и NCNN и решим, какой фреймворк подойдет для задачи лучше.

https://habr.com/ru/companies/yadro/articles/856110/

#c++ #computer_vision #машинное_обучение #pytorch #yolov5 #обнаружение_объектов #приложение_для_android

Улучшение зрения роботов: саккады

Современный мир пока сложно назвать эпохой робототехники. Да, есть много роботизированных устройств, помогающих как в быту, так и на производстве, множество разработок и идей, но для полноценной реализации роботов в стиле Айзека Азимова предстоит преодолеть немало сложностей. Одной из таких является зрение. Современные камеры, хоть и обладают невероятными возможностями, все же несравнимы с человеческим глазом. Наши глаза совершают мелкие непроизвольные движения (саккады), дабы поддерживать четкое и стабильное изображение с течением времени. Ученые из Мэрилендского университета (Колледж-Парк, США) разработали камеры, имитирующие саккады, что разительным образом улучшает их способность отслеживать передвигаемые объекты. Из чего сделаны новые камеры, как именно они работают, и насколько они эффективны? Ответы на эти вопросы мы найдем в докладе ученых.

https://habr.com/ru/companies/ua-hosting/articles/826376/

#зрение #камеры #изображения #видео #саккады #обработка_изображений #робототехника #автономный_автомобиль #обнаружение_объектов

[Перевод] DIY для шпиона: использование обнаружения объектов с помощью YOLOv8 в рамках военных стратегий

Применим геопространственную разведку для точный количественный учет воздушных судов противника? Используем для этого технологию обнаружения объектов YOLOv8 на основе аэрофотосъемки, выполненной разведывательными беспилотниками, что обеспечит надежное планирование военных действий. В рамках глобальной системы мониторинга, известной как « The Machine ». , функционируют разнообразные элементы. Данная система объединяет множество устройств, распределенных по всему земному шару, что обеспечивает комплексное наблюдение. Это позволяет государственным органам осуществлять мониторинг за индивидуальными лицами, анализировать общественные поведенческие тенденции и контролировать военные объекты на международном уровне. Геопространственная разведка (GEOINT) занимает центральное место в этой системе. В этой статье основное внимание уделим GEOINT в качестве ключевого средства для мониторинга военных авиабаз противника. Такой подход к наблюдению за объектами и базирующейся на них авиацией способствует глубокой проработке стратегии и тактики ведения боевых действий.

https://habr.com/ru/companies/bothub/articles/815273/

#ии #ии_и_машинное_обучение #diy #diy_или_сделай_сам #обнаружение_объектов #yolo #yolov8

[Перевод] Создаём сортировщик деталей Lego Technic, распознающий объекты в реальном времени

Когда я проходил стажировку в Nullspace Robotics , мне повезло участвовать в проекте, нацеленном на расширение возможностей компании. Мы совместили системы обнаружения объектов и распознавания изображений для создания модели, классифицирующей детали конструктора Lego Technic в реальном времени. В этой статье я расскажу о том, с какими сложностями столкнулся наш проект, и как мы довели его до успешного завершения.

https://habr.com/ru/companies/ruvds/articles/778998/

#ruvds_перевод #машинное_обучение #lego_technic #обнаружение_объектов #распознавание_объектов #keras #роботостроение

[Перевод] Создаём сортировщик деталей Lego Technic, распознающий объекты в реальном времени

Когда я проходил стажировку в Nullspace Robotics , мне повезло участвовать в проекте, нацеленном на расширение возможностей компании. Мы совместили системы обнаружения объектов и распознавания изображений для создания модели, классифицирующей детали конструктора Lego Technic в реальном времени. В этой статье я расскажу о том, с какими сложностями столкнулся наш проект, и как мы довели его до успешного завершения.

https://habr.com/ru/companies/ruvds/articles/778998/

#ruvds_перевод #машинное_обучение #lego_technic #обнаружение_объектов #распознавание_объектов #keras #роботостроение