🍁С Днём знаний! Пусть в этом году, вы, дорогие преподаватели, наставники и родители, дадите знания, которые будут по-настоящему нужны и сделают ваших детей прекрасными и востребованными специалистами!
А вы, дорогие ученики, участники НТО и проектов Кружковое движение НТИ, сможете взять эти знания, правильно их использовать и выбрать профессию, в которой будете максильно реализованы и счастливы!

Первый этап НТО "Технологии компьютерного зрения и цифровые сервисы" в самом разгаре! 🔎

Первый этап состоит из двух туров:
⚡️ предметный:
решение задач по математике и информатике, а также освоение образовательного курса по применению технологий CV в создании цифровых сервисов
⚡️ инженерный:
индивидуальные задания профиля, связанные с обработкой двухмерных изображений

Отправь это видео другу и расскажи об НТО в Нижнем Новгороде, ведь первый этап продлится до 31 октября

Регистрация еще открыта❕

🔎Компьютерное зрение, как одна из технологий искусственного интеллекта, используется во множестве отраслей, оказывая огромное влияние на жизнь человека, и по праву входит в перечень сквозных технологий.

Сегодня сложно представить свою жизнь без компьютерного зрения: эта технология используется в системах видеонаблюдения, сервисах обработки фотографий, анализа текста, распознавания лиц в банках и метро. И все это было бы невозможно без специалистов из Нижегородской области, которые научили компьютер «видеть», создав библиотеку OpenCV. Она содержит в себе готовые инструменты для считывания изображений, их базовой обработки и запуска нейронных сетей.

🔗А чтобы узнать об истории компьютерного зрения родом из Нижнего Новгорода подробнее, мы предлагаем вам познакомиться с данной статьей!

Учись вместе с НТО и присоединяйся к инженерному туру 💡

Сегодня мы познакомимся с одной интересной задачей, которая имеет приложение во многих областях жизни человека: контроль брака на производстве, идентификация объектов, находящихся в зоне действия камеры, обнаружение патологий на медицинских снимках и т.д. И это задача классификации изображений!

📌Давайте рассмотрим самый простой пример: у нас есть набор фотографий, на которых изображены разнообразные существа и предметы (животные, люди и др.). Нам нужно построить некоторую программную систему, которая, просмотрев все изображения, даст информацию, на каких снимках есть кошка, а на каких ее нет.

Для человека эта задача очень проста:
✔️Человеку не составляет труда понять, что изображено на снимке | человек за свою жизнь много раз видел этот объект и его мозг сформировал набор признаков |
✔️Если фотографий не много, человек справится с поставленной задачей быстро и без ошибок
❌Если фотографий много (тысяча или даже больше), у человека на решение задачи уйдет много времени, к тому же, есть риск, что он устанет и начнет ошибаться

В отличие от человека компьютер:
❌Изначально не наделен способностью распознавать и анализировать изображения | чтобы компьютер мог получать информацию из изображения, его нужно научить извлекать оттуда характерные признаки, и на их основании делать заключение о принадлежности объекта на изображении к тому или иному классу объектов |
✔️Если компьютер научится определять кошку, то сможет это делать очень быстро
✔️Компьютер может обрабатывать большое количество фотографий

Как же это сделать?
Пишите идеи в комментариях!

Раскрываем тайны. С чего начать? 💡

Шаг 1. От данных к размеченному датасету

Из условия задачи известно, что у нас есть набор фотографий, на которых мы будем автоматизировано определять вид животного.
Рассмотрим эти фотографии и распределим их на 2 части (класса): "кошка" (фотографии, содержащие кошку) и "не кошка" (фотографии, на которых кошки нет). Такой набор структурированных данных называется датасетом.
Чтобы компьютер запомнил признаки кошки, на каждой фотографии из класса кошка, мы выделяем объект "кошка" и помечаем тегом "cat". Аналогично, для класса "не кошка", мы на каждой фотографии выделяет объект "не кошка" и помечаем его тегом "not cat".

Этот процесс называется разметкой датасета - от качества его исполнения зависит качество результата решения задачи классификации! 💻

Продолжаем решать нашу задачу! ⚡️

Шаг 2. От модели -> к обученной модели

Как научить компьютер выделять и распознавать признаки кошки?
Для решения этой подзадачи мы будем использовать методы машинного обучения. Это класс методов искусственного интеллекта, характерной чертой, которого является не прямое решение задачи, а обучение за счет применения решений множества схожих задач. Это программа, которая умеет распознавать определенные типы закономерностей.

📍Наша с Вами следующая задача модель обучить.
Во время обучения программа рассматривает большое количество случаев, представленных в нашем размеченном датасте и изменяет свои внутренние параметры так, чтобы минимизировать разницу между прогнозируемыми и фактическими значениями в обучающих данных. Когда разница между прогнозируемыми и фактическими значениями в датасете будет минимальна (меньше заданной величины), мы будем считать, что модель обучена.

Остался последний нерешенный вопрос. Где взять модель машинного обучения❓

Есть несколько вариантов:

▪️Создать модель машинного обучения самостоятельно. Создать такую программу достаточно сложно. Для этого нужны знания в области высшей математики, алгоритмов и структур данных, нужно хорошо уметь программировать.
▪️Существует большое количество созданных ранее и опубликованных моделей. Если какая-либо модель отвечает целям нашей задачи, то можно взять ее и обучить на собственных данных.
▪️Существует большое количество созданных ранее обученных на некотором дата сете и опубликованных моделей. Если мы можем найти обученную модель, которая отвечает нашим целям и задачам, то мы можем использовать ее. Например, для демонстрации решения задачи классификации на нашем курсе в рамках инженерного тура мы взяли пред обученную модель с платформы hugging face

Для решения нашей задачи остался всего один шаг! О тестировании модели мы расскажем завтра, следите за новостями 🔜

Финальный шаг решения задачи на классификацию 📌

Шаг 3. Тестирование модели

А теперь мы должны проверить и оценить качество работы модели на новых данных, тех, на которых модель не обучалась.
Подавая на вход нашей программе фотографию, мы получим результат к какому классу был отнесен объект на фотографии, а также сравним с нашими ощущениями (к какому классу объектов мы бы сами отнесли фотографию). Если процент ошибок, которые совершает наша программа нас не устраивает, то значит нам нужно изменить ее параметры или продолжить ее обучение.

🔎После объяснения шагов решения задачи можно продемонстрировать программу и показать результаты ее работы.

mission completed