אוטומציה של תיוג נתונים באמצעות למידת העברה
כדי לתמוך בניתוח נהיגה אוטונומית, בנינו מודלים של ראייה ממוחשבת שמאוטמטים את התיוג של הקלטות כביש. הפתרון מזהה ומסווג תמרורים, מפחית עבודה ידנית מימים לדקות ומאפשר לצוותים לעבד כמות נתונים גדולה significantly יותר.
שירותים
צורך עסקי
אחד מלקוחותינו פיתח כלי ניתוח הקשור לנהיגה אוטונומית. עם פרויקט חדש בדרך, הם עמדו בפני המשימה לנתח את התוכן של הקלטות כביש. משימה זו דרשה עבודה ידנית של אנשים רבים אשר ניתחו את המסלול וסימנו אובייקטים שונים רבים הנראים בו.
בעיה כזו נפוצה מאוד כיום. הפיתוח של שיטות ראייה ממוחשבת מאפשר לפתור בעיות עסקיות מרובות בבת אחת. עם זאת, על מנת לאמן את המודלים המתאימים, עלינו להחזיק בנתונים מתויגים כראוי. בדרך כלל, אנו זקוקים לכמויות גדולות של נתונים כדי לאמן מודל Deep Learning, דבר הכרוך בעומס עבודה גבוה עבור מתייגים ידניים.
המשימה של הצוות שלנו הייתה ליצור מודלים של ML שיאפשרו אוטומציה חלקית של תהליך התיוג. החלטנו להתחיל בתיוג של תמרורי דרכים.
ראייה ממוחשבת
בעוד שאנו יכולים לתפוס בקלות את יכולתן של מכונות לנתח כמות גדולה של נתונים מובנים כגון טבלאות מדירוג אשראי, העובדה שהמכונה יכולה לזהות ולהבין תמונה או וידאו היא דבר הרבה יותר לא אינטואיטיבי ומרשים.
עם ההתפתחויות האחרונות בכוח המחשוב ובשיטות למידת מכונה חדשות וטובות יותר, אנו כבר נמצאים היטב בתחום שמזוהה לרוב עם ספרי וסרטי מדע בדיוני. מכוניות אוטונומיות, זיהוי פנים הזמין במכשיר שכולנו נושאים בכיס, מכונות שמחליטות אם יש כתם הנראה בצילומי רנטגן של הריאות שלנו, או אם מצב העור שזה עתה צילמנו עלול להיות מסוכן. כל אלה הם יישומים נחקרים ועובדים היטב של ראייה ממוחשבת.
ניתן לחלק את רובם למספר קטגוריות עיקריות:
סיווג תמונות– המשימה של אלגוריתמים של Deep Learning היא לסווג תמונה או וידאו לאחת (או רבות) מהקטגוריות. עם מודל מסוג זה, אנו יכולים, למשל, להחליט אם נגע עורי הוא ממאיר או לא (במקרה זה, תמונה מוקצית לאחת משתי הקטגוריות – ממאיר, לא ממאיר).
זיהוי אובייקטים– משמש לזיהוי אובייקטים הנראים בתמונה. בטכניקה זו אנו יכולים, למשל, לזהות בני אדם בהקלטת וידאו או לספור תאי דם בתמונות מיקרוסקופ.
פילוח– מתמקד בחלוקה של תמונה למקטעים. כל פיקסל מסווג ומקובץ בהתאם. אנו משתמשים בשיטות אלו בעיקר כדי לאתר גבולות בתמונות.
- סגמנטציה סמנטית– אנו מקצים מחלקה לכל פיקסל, ואיננו מזהים מופעים נפרדים של אובייקטים. לדוגמה, אם נראה מספר מבנים, כולם יסומנו כ"מבנה" ולא יהיה מידע איזה מהם הוא זה.
- סגמנטציה של מופעים– בניגוד לסגמנטציה סמנטית, אנו מתייחסים למופעים של אובייקטים. אנו גם מסווגים כל פיקסל, אך במקרה זה אנו גם שמים לב לאובייקטים נפרדים. בדוגמה זו, נמנה את הבניינים הנראים בתמונה כבניין #1, בניין #2 וכו'.
מעקב אחר אובייקטים– באמצעות שילוב של זיהוי וסיווג, אנו מסוגלים גם לעקוב אחר אובייקט נתון. אם בסרטון אנו רואים מכונית נוסעת ברחוב, אנו מסוגלים לעקוב אחר התנועה עם המידע שמדובר באותה מכונית, ולא במופע נוסף של אובייקט חדש.
תיאור הפתרון
שקלנו גישות שונות במהלך שלב הניסוי של הפרויקט.
בסופו של דבר, החלטנו ליצור שני מודלים מתמחים נפרדים ולנצל את עקרון Transfer Learning.
במקרה של משימות ראייה ממוחשבת, למידת העברה משמעה בדרך כלל שימוש ברשתות עצביות שאומנו קודם לכן כבסיס. רשת הבסיס אומנה על מערכי נתונים עצומים והצליחה ללמוד לזהות צורות ותבניות גנריות. באמצעות רשת כזו, אנו יכולים לאחר מכן לאמן אותה מחדש כדי להתמודד עם הצורך הספציפי שלנו.
הבה נציג רעיון זה באופן מוחשי יותר באמצעות מקרה שימוש ספציפי שלנו. הרשת הנוירונית ששימשה כבסיס אומנה בעבר על מספר רב של תמונות ולימדה לזהות עצמים בסיסיים ויומיומיים, כגון מכוניות, עצים ופירות. אנו משתמשים בחלק מרשת זו כדי לפתור את הבעיה שלנו.
חלק זה עשוי להיות מסוגל לזהות צורות, צבעים ודפוסים מגוונים אחרים בצורה טובה מאוד. באמצעות שימוש במספר קטן יותר של תמונות של תמרורי דרכים מסומנים, אנו יכולים בסופו של דבר לאמן רשת כזו בנוסף לזיהוי תמרורי דרכים. עקפנו באופן חלקי את תהליך הלמידה, שבמהלכו הרשת רוכשת ידע על המאפיינים הבסיסיים של התמונה. הודות לכך, איננו זקוקים לכמות כה גדולה של נתוני אימון.
בפתרון שלנו, המודל הראשון מתמקד בזיהוי אובייקטים – איתור כל תמרורי הדרך הנראים בפריימים שנלקחו מההקלטה.
לאחר הזיהוי, תמונות השלטים מיוצאות ונשמרות. תמונות אלו מועברות לאחר מכן למודל השני עם משימה אחת – סיווג השלט, כלומר הענקת משמעות והקשר מתאימים לו.
כאשר שני המודלים משולבים בצינור עיבוד אחד, הם יוכלו לזהות ולסווג תמרורים בכל ההקלטה בתוך שניות ספורות. הודות לכך, העבודה שמבצעים המתייגים יכולה לעבור לניתוח תחזיות המודל ותיקונים אפשריים. בדרך זו נוכל לנתח הקלטות רבות יותר בו-זמנית. יתרון נוסף הוא אספקה מהירה יותר של נקודות נתונים חדשות (תמונות מתויגות), שבאמצעותן ניתן יהיה לאמן מחדש את המודלים ולשפר את יעילותם.
תוצאות שיתוף הפעולה
בתחילה, הלקוח שלנו השתמש בהקלטות וידאו של כביש וסביבתו כדי לתייג באופן ידני תמרורי תנועה הנראים מנקודת המבט של כלי רכב. תיוג ידני דרש ימים של עבודה קפדנית של 4 עובדים. רק לאחר השלמת התיוג הם יכלו להצליב את התיוגים שלהם ולאשר את התיוגים הסופיים.
הודות לפתרון שלנו, במקום ימי עבודה, אנו מתייגים את ההקלטה בתוך דקות ספורות, ורק אדם אחד נדרש כדי לאמת את תוצאות המודל. הדבר מאפשר לנו להעביר את כוח האדם לאישור התחזיות, מה שאומר שאנו יכולים לעבד מספר גבוה יותר של הקלטות בו-זמנית.
פתרונות דומים יכולים לשמש למשימות רבות הקשורות לזיהוי או סיווג של תבניות או אובייקטים נבחרים בתמונות.
אם בתעשייה מסוימת אנו נתקלים בתמונות שיכולות לספק לנו מידע – נוכל למצוא יישום לאלגוריתמי AI דומים.
בנוסף, משימות כאלה נתמכות יותר ויותר בפתרונות ענן. איש נתונים עם כישורים מתאימים יכול ליצור את המודלים הנדרשים בזמן קצר יחסית וליישםהוכחת היתכנות.
arrow_circle_right מקרי בוחן
קראו את סיפורי ההצלחה של הלקוחות שלנו
arrow_circle_rightצור קשר
בואו נתכנן כיצד AI יכול להועיל לעסק שלכם
Tomasz Smolarczyk
מנהלת בינה מלאכותית