Авторизация

НЕЙРОСЕТЬ НА ДАЧЕ

Рейтинг:  5 / 5

Звезда активнаЗвезда активнаЗвезда активнаЗвезда активнаЗвезда активна
 

Отчего не Большой Адронный Коллайдер? Где дача, а где нейросеть? - спросите вы. Однако все гораздо ближе, чем кажется.

Сделать маленькую нейросеть на даче меня сподвигли лень и всегда проигрывающий ей интерес к новым технологиям.

Причина в том, что имея камеры видеонаблюдения и весьма большой архив фотографий (за несколько лет), я так не получил от этой системы того, что хотелось бы получать. Конечно, исходя из современных компьютерных возможностей.

Проблема моего дачного видеонаблюдения в ложных срабатываниях и в накоплении большого количества ненужного барахла в виде фотографий, которые никто не будет смотреть.

Некоторые видеокамеры размещены так, что срабатывают и начинают запись из-за проезжающей рядом машины. Но ведь эта машина едет мимо и ко мне отношения не имеет, она не остановилась и из нее не выходил человек. Поэтому на такую машину лучше бы не реагировать. Это первая цель.

А в качестве второй цели - мне бы хотелось, чтобы в архив сохранялась не только сама фотография (или видео), а и некоторый сопровожающий тег типа "Машина", "Человек", "Собака". Чтобы по этому тегу можно было искать и сортировать большой объем данных.

Для этого мне и потребовалась нейросеть. Но как?

 

О нейросети "очень в двух словах"

Нейросеть это, в данном случае и очень грубо - набор алгоритмов, которые обрабатывают загруженные в них фотографии и строят "модель". Эта модель сопровождается словами-описаниями того, что изображено на картинке и, первоначально, эти слова добавляют люди, которые классифицировали то, что изображено на картинке.

Если вы вспомните капчу гугла, то там иногда всплывает вопрос с просьбой выбрать все картинки, на которых изображены дорожные знаки. Выбирая вы, скорее всего, вносите свой вклад в классификацию фотографий и обучение модели. Ну так продолжим ...

Допустим у вас появилась некоторая обученная "модель" и теперь вы загружаете в программу новую фотографию, которой не было раньше. Например, если модель была обучена на большом количество фотографий автомобиля, (который, как мы понимаем, имеет свои отличительные признаки и здорово отличается от изображения пиццы), то мы загружаем в программу свою фотографию автомобиля и получаем ответ: "Автомобиль с вероятностью 0,85". Чем ближе ваша фотография к тому, на чем была обучена модель, тем больше вероятность верного обнаружения.

Именно это мне и было нужно для моей нейросети.