Wenn es um die Objekterkennung geht, sind die ersten Klicks auf Google oder Microsoft gerichtet. Was ist, wenn sie gegeneinander kämpfen, um Autos zu erkennen? Wir haben eine Studie durchgeführt, in der der belarussische SpotVision Car Detection-Dienst zur Liste der Spieler hinzugefügt wurde. Wer wird gewinnen?
Beginnen wir mit der Tatsache, dass wir ein angewandtes Problem lösen mussten - Autos in Bildern identifizieren, auswählen und die Koordinaten der Autos angeben. Die Idee kam zunächst für den persönlichen Gebrauch - schnell und effizient freie Parkplätze im Hof zu finden und zu sehen, bevor der Fahrer dort ankommt. Später entwickelte sich diese Idee zu einer Aufgabe für Unternehmen - zusätzliche Dienstleistungen für Kunden aller Parkhausfirmen sowie für Kunden von Videoüberwachungsdiensten bereitzustellen.
Ziel ist es, Autos in Bildern von CCTV-Kameras zu erkennen und Informationen in schematischer Form auf eine Karte in einer mobilen Anwendung oder einem Dashboard zu übertragen.
Zunächst haben wir Google AI getestet, da wir vielen Google-Produkten bedingungslos vertrauen. Und es schien, dass für ein so großes und einflussreiches Monster die Autoerkennung eine unbedeutende Angelegenheit wäre (es wird leicht gegeben, es wird leicht zu tun sein). Wir waren jedoch enttäuscht. Die Google AI-Erkennung für Autos ist nicht sehr genau. Daher ähnelt es eher einer PR für andere Google-Produkte als einem gut funktionierenden Computer-Vision-System.
Für den ersten Test haben wir gut beleuchtete Bilder in der optimalen Höhe und Größe der Fahrzeuge aufgenommen. Der Start der Sichtung ist fehlgeschlagen. Von mehr als 40 Autos umkreiste Google AI nur 10 Autos
Test 1. Google AI
Nachdem wir festgestellt haben, dass selbst die großartige Google-Erkennung auf solch banaler Ebene fehlschlägt, haben wir den Microsoft Computer Vision-Dienst zum Vergleich herangezogen. Wir haben das folgende Ergebnis erhalten.
Test 1. Microsoft Computer Vision
Nur 6 (!) Autos. Und es sieht sehr traurig aus.
Als wir feststellten, dass sich die KI-Sphäre gerade erst entwickelt und unser sportliches Interesse nicht gemindert werden kann, begannen wir, einen Datensatz von Autos zu sammeln und unser eigenes neuronales Netzwerk zu trainieren. Wir haben das YOLOv3 Darknet-Framework als Basis genommen. Experimente haben gezeigt, dass er die geringsten Probleme bei der Umsetzung verursacht. Es verarbeitet Bilder schnell und wendet automatisch eine Vergrößerung an, wenn nicht genügend Bilder vorhanden sind. Nach einer Zeit intensiven Trainings haben wir ein trainiertes neuronales Netzwerk, das auf mehr als 25.000 Bildern basiert. Momentan fügen wir weitere 2500 Bilder für das Training hinzu.
So hat das belarussische KI-System SpotVision Car Detection die gleiche Aufgabe bewältigt.
Test 1. SpotVision Car Detection
Wie Sie sehen können, wurde die überwiegende Mehrheit der Autos identifiziert, nicht nur auf dem Parkplatz. Das heißt, wo das menschliche Auge das Auto leicht sehen kann, leistet das SpotVision-System hervorragende Arbeit.
Lassen Sie uns die Aufgabe komplizieren und eine Nachtansicht machen. Unter dem Gesichtspunkt der Relevanz der Anwendung ist es für Fahrer aufgrund der schlechten Sicht und einer großen Anzahl bereits geparkter Autos schwieriger, nachts einen freien Parkplatz zu finden. Daher ist nächtliche Diskriminierung am wertvollsten.
Dies gab Google als Ergebnis.
Test 2. Google AI
und eine ähnliche Version von Microsoft
Test 2. Microsoft Computer Vision
Das heißt - Null und das Fehlen von Anzeichen von Autos im Bild.
Vergleichen wir die Ergebnisse des SpotVision-Maschinenerkennungssystems.
Test 2. SpotVision Car Detection geht
weiter. Am häufigsten werden CCTV-Kameras in den oberen Etagen von mehrstöckigen Gebäuden installiert. Dies bietet die größte visuelle Abdeckung des Parkplatzes mit einer einzigen Kamera. Dies reduziert die Kosten für Videoüberwachungsdienste für Ausrüstung und Installation. Da der häufigste und gefragteste Fall die Erkennung von Autos in den Höfen von Wohnkomplexen und Geschäftszentren ist, haben wir uns auch verpflichtet, diese in drei Systemen zu analysieren.
Test 3. Google AI-
Test 3. Microsoft Computer Vision-
Test 3. SpotVision-Autoerkennung
Lassen Sie uns nun die Frage ganz klar stellen: Wie gehen die Systeme damit um, wenn das Bild ein ganzes Auto zeigt und die Kanten der benachbarten Autos erfasst werden?
Test 4. Google AI-
Test 4. Microsoft Computer Vision
Test 4. SpotVision-Autoerkennung
Laut den Ergebnissen hat Google AI 4 Objekte auf dem Bild gefunden, von denen drei Räder und keine ganzen Autos sind. Microsoft Computer Vision hat 2 Autos identifiziert. Spotvision hat 4 Fahrzeuge als Ganzes und ein Rad separat erkannt. Das belarussische Autoerkennungssystem hat die Aufgabe mit einem kleinen Fehler bewältigt, aber am vollständigsten.
Es ist interessant, welche Systeme kreisen, wenn es keine offensichtlichen Anzeichen für das Auto gibt, auf die sich Erkennungssysteme am häufigsten stützen - dies ist die übliche Kontur des Autos und der Umriss der Räder.
Test 5. Google AI-
Test 5. Microsoft Computer Vision-
Test 5. SpotVision-Fahrzeugerkennung
Überraschenderweise identifizierten alle drei Dienste das Auto genau, nur Google AI reagierte zusätzlich auf das Rad oder wirbelte durch farbigen Rauch und umkreiste es mit einem Rechteck.
Regen und Nebel sind eine weitere natürliche Komplikation der Erkennung. Sie verringern die Bildschärfe und können Objekte vor der Bildverarbeitung verbergen.
Test 6. Google AI-
Test 6. Microsoft Computer Vision-
Test 6. SpotVision-Fahrzeugerkennung
Google AI und SpotVision-Fahrzeugerkennung zeigten die besten Ergebnisse, obwohl sie zwei in der Ferne fahrende Autos aus den Augen verloren. Microsoft Computer Vision hat eine Maschine verpasst und von den offensichtlichen vier nur drei eingekreist.
Also zwei Kontrolltests mit der maximal gezeigten Anzahl von Fahrzeugen. Test 7 zeigt 46 Fahrzeuge.
Test 7. Google AI-Test 7.
Microsoft Computer Vision-
Test 7. SpotVision-Autoerkennung
Von 46 Autos auf dem Bild fand Google AI 11 Autos, Microsoft Computer Vision - 30 Autos und kreiste fälschlicherweise das Schild an der Stange, und SpotVision fand 46 Autos.
Fahren wir mit Beispielen fort, in denen es viele Autos gibt. Blickwinkel ändern.
Test 8. Google AI-
Test 8. Microsoft Computer Vision-
Test 8. SpotVision-Autoerkennung Wir fügen
Bilder von echten Werften hinzu, wobei saisonale Änderungen berücksichtigt werden. In der folgenden Variante ist es Winterzeit und Schnee. Wie Sie sehen können, können aufgetaute Stellen und Stellen, an denen Autos abgereist sind, fälschlicherweise als Autos erkannt werden. Und auch Autos unter dem Schnee werden für Computer-Vision-Systeme unsichtbar.
Test 9. Google AI
Test 9. Microsoft Computer Vision
Test 9.SpotVision Car Detection Dieselbe
Ansicht, nur im Nachtmodus.
Test 10. Google AI-
Test 10. Microsoft Computer Vision-
Test 10. SpotVision-Autoerkennung
Es stellt sich heraus, dass Google AI und Microsoft Computer Vision mit einem breiteren Spektrum von Aufgaben arbeiten, jedoch einen absoluten Fehler bei der Autoerkennung erlitten haben. Die meisten Fälle waren ganz oder teilweise gescheitert, einige wurden mit Blots erkannt. Daher eignen sie sich nicht für Unternehmen, die ihre Fähigkeiten durch die Integration in KI-Dienste erweitern möchten. Gleichzeitig hat der belarussische SpotVision Car Detection-Dienst die zugewiesenen Aufgaben zu 98% bewältigt und ist für die Echtzeitanwendung bereit.
Wenn Sie jeden Dienst selbst testen möchten, finden Sie hier die Links
Google AI
Microsoft Computer Vision
Spotvision Car Detection