हमारे भविष्य के कंप्यूटर विज़न सिस्टम के लिए प्रौद्योगिकी और मॉडल हमारी कंपनी की विभिन्न परियोजनाओं में मेल, क्लाउड और सर्च में धीरे-धीरे बनाए गए और बेहतर हुए। अच्छे पनीर या कॉन्यैक की तरह पकने वाला। एक बार जब हमने महसूस किया कि हमारे तंत्रिका नेटवर्क ने उत्कृष्ट पहचान परिणाम दिखाए हैं, और उन्हें एक एकल बी 2 बी-उत्पाद - विज़न में एक साथ लाने का फैसला किया है, जो अब हम खुद का उपयोग करते हैं और आपको उपयोग करने की पेशकश करते हैं।

आज, Mail.Ru Cloud Solutions प्लेटफ़ॉर्म पर हमारी कंप्यूटर विज़न तकनीक सफलतापूर्वक काम करती है और बहुत जटिल व्यावहारिक समस्याओं को हल करती है। यह कई तंत्रिका नेटवर्क पर आधारित है जो हमारे डेटा सेट पर प्रशिक्षित हैं और लागू समस्याओं को हल करने में विशेषज्ञ हैं। सभी सेवाएँ हमारे सर्वर क्षमता पर घूम रही हैं। आप सार्वजनिक विजन एपीआई को अपने अनुप्रयोगों में एकीकृत कर सकते हैं, जिसके माध्यम से सेवा की सभी सुविधाएँ उपलब्ध हैं। एपीआई तेजी से है - सर्वर जीपीयू के लिए धन्यवाद, हमारे नेटवर्क के भीतर औसत प्रतिक्रिया समय 100 एमएस है।

कट के नीचे आओ, एक विस्तृत कहानी है और विजन के कई उदाहरण हैं।

एक ऐसी सेवा के उदाहरण के रूप में जिसमें हम स्वयं पूर्वोक्त अंकित मान्यता तकनीकों का उपयोग करते हैं, हम ईवेंट का हवाला दे सकते हैं। इसका एक घटक विज़न फोटो स्टैंड है, जिसे हम विभिन्न सम्मेलनों में स्थापित करते हैं। यदि आप इस तरह के फोटो स्टैंड तक जाते हैं, तो अंतर्निहित कैमरे के साथ एक तस्वीर लें और अपना मेल दर्ज करें, सिस्टम तुरंत उन तस्वीरों के सरणी के बीच मिल जाएगा, जिनमें से नियमित सम्मेलन फोटोग्राफर ने आपको कैप्चर किया है, और यदि वांछित है, तो आपको मिली तस्वीरों को मेल पर भेजें। और यह मंचित चित्र शॉट्स के बारे में नहीं है - विज़न आपको आगंतुकों की भीड़ में पृष्ठभूमि में भी पहचानता है। बेशक, वे फोटो द्वारा खुद को पहचाने नहीं जाते हैं, वे केवल सुंदर समुद्र तटों में गोलियां हैं जो मेहमानों को अपने अंतर्निहित कैमरों पर तस्वीरें खींचते हैं और सर्वर को जानकारी प्रेषित करते हैं, जहां मान्यता का सभी जादू होता है। और हमने बार-बार देखा है कि छवि मान्यता के विशेषज्ञों में भी तकनीक की प्रभावशीलता कितनी आश्चर्यजनक है। नीचे हम कुछ उदाहरणों के बारे में बात करेंगे।

1. हमारे चेहरे की पहचान मॉडल

1.1। तंत्रिका नेटवर्क और प्रसंस्करण की गति

मान्यता के लिए, हम ResNet 101 न्यूरल नेटवर्क मॉडल के एक संशोधन का उपयोग करते हैं। अंत में औसत पूलिंग को पूरी तरह से कनेक्ट की गई परत से बदल दिया जाता है, यह आर्कफेस में कैसे किया गया था। हालांकि, वेक्टर अभ्यावेदन का आकार 128 है, न कि 512। हमारे प्रशिक्षण सेट में 273,593 लोगों की लगभग 10 मिलियन तस्वीरें हैं।

मॉडल बहुत सावधानी से चयनित सर्वर कॉन्फ़िगरेशन आर्किटेक्चर और जीपीयू कंप्यूटिंग के लिए बहुत तेजी से धन्यवाद देता है। हमारे आंतरिक नेटवर्क में एपीआई से प्रतिक्रिया प्राप्त करने में 100 एमएस लगते हैं - इसमें फेस डिटेक्शन (फोटो में चेहरा पहचानना), पहचान और एपीआई प्रतिक्रिया में व्यक्ति को वापस करना शामिल है। आने वाले डेटा की बड़ी मात्रा में - फ़ोटो और वीडियो - डेटा को सेवा में स्थानांतरित करने और प्रतिक्रिया प्राप्त करने में बहुत अधिक समय लगेगा।

1.2। मॉडल की प्रभावशीलता का आकलन

लेकिन तंत्रिका नेटवर्क की दक्षता का निर्धारण एक बहुत ही मिश्रित कार्य है। उनके काम की गुणवत्ता इस बात पर निर्भर करती है कि कौन से डेटा सेट पर मॉडल को प्रशिक्षित किया गया था और क्या वे विशिष्ट डेटा के साथ काम करने के लिए अनुकूलित थे।

हमने लोकप्रिय LFW सत्यापन परीक्षण के साथ अपने मॉडल की सटीकता का मूल्यांकन करना शुरू किया, लेकिन यह बहुत छोटा और सरल है। 99.8% सटीकता तक पहुंचने के बाद, यह अब उपयोगी नहीं है। मान्यता मॉडल का मूल्यांकन करने के लिए एक अच्छी प्रतियोगिता है - मेगाफैस इस पर हम धीरे-धीरे 82% रैंक पर पहुंच गए। 1. मेगाफैस टेस्ट में एक लाख फ़ोटो शामिल हैं - डिस्ट्रैक्टर - और मॉडल को डिस्ट्रैक्टरों से Fccrub डेटासेट से मशहूर हस्तियों के कई हज़ार फ़ोटो को भेदने में सक्षम होना चाहिए। हालाँकि, त्रुटियों के मेगाफ़ास परीक्षण को मंजूरी देते हुए, हमें पता चला कि साफ किए गए संस्करण पर हम 98% रैंक 1 की सटीकता प्राप्त करते हैं (सेलिब्रिटी की तस्वीरें आम तौर पर काफी विशिष्ट होती हैं)। इसलिए, उन्होंने मेगाफ़ास के समान एक अलग पहचान परीक्षण बनाया, लेकिन "साधारण" लोगों की तस्वीरों के साथ। इसके अलावा अपने डेटासेट पर मान्यता सटीकता में सुधार हुआ और बहुत आगे निकल गया। इसके अलावा, हम क्लस्टरिंग गुणवत्ता परीक्षण का उपयोग करते हैं, जिसमें कई हजार फोटोग्राफ होते हैं; यह उपयोगकर्ता के क्लाउड में चेहरे के मार्कअप का अनुकरण करता है। इस मामले में, क्लस्टर समान व्यक्तियों के समूह हैं, प्रत्येक पहचानने वाले व्यक्ति के लिए एक समूह। हमने वास्तविक समूहों (सच्चे) पर काम की गुणवत्ता की जांच की।

बेशक, किसी भी मॉडल में मान्यता त्रुटियां हैं। लेकिन ऐसी स्थितियों को अक्सर विशिष्ट स्थितियों के लिए थ्रेसहोल्ड को ठीक करने से हल किया जाता है (सभी सम्मेलनों के लिए हम एक ही थ्रेसहोल्ड का उपयोग करते हैं, और, उदाहरण के लिए, एसीएस के लिए हमें थ्रेसहोल्ड को काफी बढ़ाना होगा ताकि कम झूठी सकारात्मकता हो)। सम्मेलन के उपस्थित लोगों के विशाल बहुमत को हमारे विज़न फोटो द्वारा सही तरीके से पहचाना गया था। कभी-कभी किसी ने फसली पूर्वावलोकन को देखा और कहा: "आपका सिस्टम गलत था, यह मैं नहीं हूं।" फिर हमने पूरी तस्वीर खोली, और यह पता चला कि यह आगंतुक वास्तव में तस्वीर में था, केवल उन्होंने इसे नहीं लिया था, लेकिन कोई और, बस एक आदमी गलती से पृष्ठभूमि में धुंधला क्षेत्र में दिखाई दिया। इसके अलावा, तंत्रिका नेटवर्क अक्सर सही ढंग से पहचानता है यहां तक कि जब चेहरे का एक हिस्सा दिखाई नहीं देता है, या एक व्यक्ति प्रोफ़ाइल में खड़ा है, या यहां तक कि आधा-चेहरा भी है। सिस्टम एक व्यक्ति को पहचान सकता है, भले ही वह व्यक्ति ऑप्टिकल विरूपण के क्षेत्र में गिर गया हो, कहते हैं, जब एक वाइड-एंगल लेंस के साथ शूटिंग होती है।

1.3। कठिन परिस्थितियों में उदाहरणों का परीक्षण करना

नीचे हमारे तंत्रिका नेटवर्क के संचालन के उदाहरण हैं। प्रवेश द्वार पर, तस्वीरें प्रस्तुत की जाती हैं, जिसे उसे व्यक्ति के लिए एक विशिष्ट पहचानकर्ता - पर्सिड का उपयोग करके चिह्नित करना चाहिए। यदि दो या अधिक छवियों में समान पहचानकर्ता है, तो, मॉडल के अनुसार, ये फ़ोटो एक व्यक्ति को दिखाते हैं।

तुरंत, हम ध्यान दें कि परीक्षण के दौरान हमारे पास विभिन्न मापदंडों और मॉडल के थ्रेसहोल्ड तक पहुंच है जिसे हम किसी विशेष परिणाम को प्राप्त करने के लिए कॉन्फ़िगर कर सकते हैं। सार्वजनिक एपीआई आम मामलों पर अधिकतम सटीकता के लिए अनुकूलित है।

आइए चेहरे में चेहरे की पहचान के साथ सरलतम से शुरू करें।

खैर, यह बहुत आसान था। हम कार्य को जटिल करते हैं, एक दाढ़ी और मुट्ठी भर साल जोड़ते हैं।

कोई कहेगा कि यह बहुत मुश्किल नहीं था, क्योंकि दोनों मामलों में चेहरा अपनी संपूर्णता में दिखाई देता है, एल्गोरिथ्म में चेहरे के बारे में बहुत अधिक जानकारी होती है। ठीक है, टॉम हार्डी को प्रोफ़ाइल में बदल दें। यह कार्य बहुत अधिक जटिल है, और हमने निम्न स्तर की त्रुटियों को बनाए रखते हुए इसके सफल समाधान पर बहुत प्रयास किया: हमने एक प्रशिक्षण नमूने का चयन किया, तंत्रिका नेटवर्क की वास्तुकला पर विचार किया, नुकसान के कार्यों को सम्मानित किया और तस्वीरों के प्रारंभिक प्रसंस्करण में सुधार किया।

आइए उस पर एक टोपी लगाएं:

वैसे, यह एक विशेष रूप से कठिन स्थिति का एक उदाहरण है, क्योंकि यहां चेहरा बहुत ढंका हुआ है, और निचली तस्वीर में एक गहरी छाया भी है जो आंखों को छिपाती है। वास्तविक जीवन में, लोग अक्सर काले चश्मे की मदद से अपना रूप बदलते हैं। टॉम के साथ भी ऐसा ही करें।

खैर, आइए विभिन्न युगों से फ़ोटो अपलोड करने का प्रयास करें, और इस बार हम किसी अन्य अभिनेता पर अनुभव डालेंगे। जब आयु-संबंधित परिवर्तन विशेष रूप से स्पष्ट किए जाते हैं, तो अधिक जटिल उदाहरण लेते हैं। स्थिति दूर की कौड़ी नहीं है, यह हर समय होता है जब आपको वाहक के चेहरे के साथ अपने पासपोर्ट में एक तस्वीर की तुलना करने की आवश्यकता होती है। आखिरकार, पहली तस्वीर पासपोर्ट में अटक जाती है जब मालिक 20 वर्ष का होता है, और 45 लोगों द्वारा बहुत अधिक परिवर्तन किया जा सकता है:

क्या आपको लगता है कि असंभव मिशनों पर मुख्य विशेष उम्र के साथ ज्यादा नहीं बदला है? मुझे लगता है कि कुछ लोग ऊपरी और निचली तस्वीरों को भी जोड़ देंगे, लड़का पिछले कुछ वर्षों में बहुत बदल गया है।

तंत्रिका नेटवर्क उपस्थिति में होने वाले परिवर्तनों के साथ अक्सर सामना करते हैं। उदाहरण के लिए, कभी-कभी महिलाएं सौंदर्य प्रसाधन की मदद से अपनी छवि को बदल सकती हैं:

अब कार्य को और भी जटिल करते हैं: चेहरे के विभिन्न हिस्सों को अलग-अलग फ़ोटो में ढँक दें। ऐसे मामलों में, एल्गोरिथ्म पूरे नमूनों की तुलना नहीं कर सकता है। हालाँकि, विज़न ऐसी स्थितियों को अच्छी तरह से संभालता है।

वैसे, तस्वीरों में बहुत सारे चेहरे हैं, उदाहरण के लिए, हॉल की एक आम तस्वीर में 100 से अधिक लोग फिट हो सकते हैं। तंत्रिका नेटवर्क के लिए यह एक कठिन स्थिति है, क्योंकि कई चेहरे अलग-अलग प्रबुद्ध हो सकते हैं, जो तीखेपन के क्षेत्र से बाहर हैं। हालांकि, अगर फोटो को पर्याप्त रिज़ॉल्यूशन और गुणवत्ता (कम से कम 75 पिक्सेल प्रति वर्ग चेहरे को कवर करने) के साथ लिया गया था, तो विज़न इसे पहचानने और पहचानने में सक्षम होगा।

निगरानी कैमरों से तस्वीरों और छवियों की रिपोर्टिंग की ख़ासियत यह है कि लोग अक्सर धुंधले होते हैं क्योंकि वे तीखेपन के क्षेत्र से बाहर थे या उस समय बढ़ रहे थे:

इसके अलावा, रोशनी की तीव्रता छवि से छवि में बहुत भिन्न हो सकती है। यह अक्सर एक ठोकर में बदल जाता है, कई एल्गोरिदम को सही ढंग से प्रसंस्करण छवियों में बहुत कठिनाई होती है जो सटीक तुलना का उल्लेख नहीं करने के लिए बहुत गहरे और बहुत हल्के होते हैं। आपको याद दिला दूं कि इस तरह के परिणाम को प्राप्त करने के लिए, आपको एक निश्चित तरीके से थ्रेसहोल्ड सेट करने की आवश्यकता है, यह संभावना अभी तक सार्वजनिक रूप से उपलब्ध नहीं है। सभी ग्राहकों के लिए, हम एक ही तंत्रिका नेटवर्क का उपयोग करते हैं, इसमें थ्रेसहोल्ड हैं जो अधिकांश व्यावहारिक कार्यों के लिए उपयुक्त हैं।

हाल ही में, हमने मॉडल का एक नया संस्करण पेश किया जो उच्च सटीकता के साथ एशियाई चेहरों को पहचानता है। पहले, यह एक बड़ी समस्या थी, जिसे "मशीन लर्निंग नस्लवाद" (या "तंत्रिका नेटवर्क") भी कहा जाता था। यूरोपीय और अमेरिकी तंत्रिका नेटवर्क ने यूरोपॉयड चेहरों को अच्छी तरह से पहचान लिया, और चीजें मंगोलॉयड और नेग्रोइड के साथ बहुत खराब थीं। संभवतः उसी चीन में, स्थिति इसके बिल्कुल विपरीत थी। यह उन सभी डेटा सेटों के बारे में है जो किसी विशेष देश के प्रमुख प्रकारों को दर्शाते हैं। हालांकि, स्थिति बदल रही है, आज यह समस्या इतनी तीव्र है। विभिन्न दौड़ के प्रतिनिधियों के साथ विजन में कोई कठिनाई नहीं है।

चेहरा पहचान हमारी तकनीक के कई अनुप्रयोगों में से एक है, विजन को कुछ भी पहचानने के लिए सिखाया जा सकता है। उदाहरण के लिए, कार नंबर, एल्गोरिदम के लिए कठिन परिस्थितियों सहित: तेज कोणों पर, गंदे और पढ़ने में कठिन नंबर।

2. व्यावहारिक उपयोग के मामले

2.1। भौतिक अभिगम नियंत्रण: जब दो एक ही पास पर जाते हैं

विजन की मदद से, कर्मचारी के आगमन और प्रस्थान के लिए लेखांकन प्रणालियों को लागू करना संभव है। इलेक्ट्रॉनिक पास पर आधारित एक पारंपरिक प्रणाली में स्पष्ट कमियां हैं, उदाहरण के लिए, आप एक साथ दो बैज के माध्यम से जा सकते हैं। यदि एक्सेस कंट्रोल सिस्टम (ACS) विज़न के साथ पूरक है, तो यह ईमानदारी से रिकॉर्ड करेगा कि कौन कब आया और कब गया।

2.2। समय ट्रैकिंग

विज़न के लिए यह उपयोग मामला पिछले एक से निकटता से संबंधित है। यदि हम अपने चेहरे की पहचान सेवा के साथ अभिगम नियंत्रण प्रणाली को पूरक करते हैं, तो यह न केवल अभिगम नियंत्रण के उल्लंघन को नोटिस करने में सक्षम होगा, बल्कि भवन में या सुविधा में कर्मचारियों के वास्तविक प्रवास को भी रिकॉर्ड करेगा। दूसरे शब्दों में, विजन ईमानदारी से यह विचार करने में मदद करेगा कि कौन और कितना काम आया और उसके साथ छोड़ दिया, और जो यहां तक कि छोड़ दिया, भले ही उसके सहयोगियों ने उसे अपने वरिष्ठों के सामने कवर किया हो।

2.3। वीडियो एनालिटिक्स: ट्रैकिंग और सुरक्षा करने वाले लोग

विज़न का उपयोग करने वाले लोगों को ट्रैक करके, आप खरीदारी क्षेत्रों, ट्रेन स्टेशनों, क्रॉसिंग, सड़कों और कई अन्य सार्वजनिक स्थानों की वास्तविक धैर्य का सही आकलन कर सकते हैं। हमारी ट्रैकिंग भी पहुँच को नियंत्रित करने में बहुत मदद कर सकती है, उदाहरण के लिए, एक गोदाम या अन्य महत्वपूर्ण कार्यालय परिसर में। और निश्चित रूप से, लोगों और चेहरों को ट्रैक करना सुरक्षा समस्याओं को हल करने में मदद करता है। आपके स्टोर से किसी को चोरी करते पकड़ा? अपने वीडियो एनालिटिक्स सॉफ़्टवेयर की काली सूची में, विज़न को वापस करने वाले व्यक्ति में जोड़ें, और अगली बार जब यह प्रकार फिर से दिखाई देगा तो सिस्टम तुरंत सुरक्षा को सचेत करेगा।

2.4। व्यापार में

खुदरा और विभिन्न सेवा व्यवसाय कतार मान्यता में रुचि रखते हैं। विजन का उपयोग करके, आप यह पहचान सकते हैं कि यह लोगों की यादृच्छिक भीड़ नहीं है, बल्कि एक कतार है, और इसकी लंबाई निर्धारित करते हैं। और फिर सिस्टम स्थिति को समझने के लिए कतार के बारे में जिम्मेदार लोगों को सूचित करता है: या तो यह आगंतुकों की एक आमद है और अतिरिक्त कर्मचारियों को बुलाने की जरूरत है, या कोई व्यक्ति अपने काम की जिम्मेदारियों के साथ हैकिंग कर रहा है।

एक और दिलचस्प काम आगंतुकों से हॉल में कंपनी के कर्मचारियों को अलग करना है। आमतौर पर, सिस्टम कुछ कपड़ों (ड्रेस कोड) या कुछ विशिष्ट विशेषता (हस्ताक्षर स्कार्फ, छाती पर बैज, और इसी तरह) के साथ वस्तुओं को अलग करना सीखता है। यह उपस्थिति का अधिक सटीक आकलन करने में मदद करता है (ताकि अकेले कर्मचारी हॉल में लोगों के आंकड़ों को "हवा" न दें)।

चेहरे की पहचान का उपयोग करके, आप अपने दर्शकों का मूल्यांकन कर सकते हैं: आगंतुकों की निष्ठा क्या है, यानी कितने लोग आपकी संस्था में लौटते हैं और किस आवृत्ति के साथ। गणना करें कि एक महीने में कितने अद्वितीय आगंतुक आपके पास आते हैं। आकर्षित करने और बनाए रखने की लागतों का अनुकूलन करने के लिए, आप सप्ताह के दिन और यहां तक कि दिन के समय के आधार पर उपस्थिति में बदलाव का पता लगा सकते हैं।

फ्रेंचाइज़र और नेटवर्क कंपनियां तस्वीरों से विभिन्न खुदरा दुकानों की ब्रांडिंग की गुणवत्ता का आकलन करने का आदेश दे सकती हैं: लोगो की उपस्थिति, संकेत, पोस्टर, बैनर और इतने पर।

2.5। परिवहन पर

वीडियो एनालिटिक्स के माध्यम से सुरक्षा का एक और उदाहरण हवाई अड्डे या ट्रेन स्टेशन हॉल में छोड़ी गई वस्तुओं की पहचान करना है। फर्नीचर, बैग, सूटकेस, छाता, विभिन्न प्रकार के कपड़े, बोतलें आदि: सैकड़ों वर्गों की वस्तुओं को पहचानने के लिए विजन को प्रशिक्षित किया जा सकता है। यदि आपका वीडियो एनालिटिक्स सिस्टम किसी ओनरलेस ऑब्जेक्ट का पता लगाता है और विज़न का उपयोग करके इसे पहचानता है, तो यह सुरक्षा सेवा को एक संकेत भेजता है। एक समान कार्य सार्वजनिक स्थानों में गैर-मानक स्थितियों का स्वत: पता लगाने से संबंधित है: कोई बीमार हो गया, या कोई व्यक्ति गलत स्थान पर धूम्रपान कर रहा था, या व्यक्ति रेल पर गिर गया, और इसी तरह - वीडियो एनालिटिक्स सिस्टम के ये सभी पैटर्न एपीआई विजन के माध्यम से पहचान सकते हैं।

2.6। दस्तावेजों के प्रवाह

विज़न का एक और दिलचस्प भविष्य का अनुप्रयोग जो हम वर्तमान में विकसित कर रहे हैं वह है दस्तावेजों की मान्यता और डेटाबेस में उनके स्वचालित पार्सिंग। मैन्युअल रूप से ड्राइविंग (या इससे भी बदतर, प्रवेश करने) के बजाय अंतहीन श्रृंखला, संख्याएं, जारी करने की तारीख, खाता संख्या, बैंक विवरण, तिथियां और जन्म के स्थान और कई अन्य औपचारिक डेटा, आप दस्तावेजों को स्कैन कर सकते हैं और स्वचालित रूप से एपीआई के माध्यम से एक सुरक्षित चैनल के माध्यम से भेज सकते हैं। क्लाउड में, जहां सिस्टम मक्खी पर होगा, इन दस्तावेजों को मान्यता दी जाएगी, पार्स किया जाएगा और डेटाबेस में स्वत: प्रवेश के लिए वांछित प्रारूप में डेटा के साथ एक प्रतिक्रिया लौटाएगा। आज विजन पहले से ही जानता है कि दस्तावेजों को कैसे वर्गीकृत किया जाए (पीडीएफ सहित) - यह पासपोर्ट, एसएनआईएलएस, टिन, जन्म प्रमाण पत्र, विवाह प्रमाणपत्र और अन्य को अलग करता है।

बेशक, इन सभी स्थितियों को तंत्रिका नेटवर्क बॉक्स से बाहर नहीं कर पा रहा है। प्रत्येक मामले में, एक विशेष ग्राहक के लिए एक नया मॉडल बनाया जाता है, कई कारकों, बारीकियों और आवश्यकताओं को ध्यान में रखा जाता है, डेटा सेट का चयन किया जाता है, प्रशिक्षण-परीक्षण-सेटिंग्स को पुनरावृत्त किया जाता है।

3. एपीआई कार्य योजना

उपयोगकर्ताओं के लिए विज़न का "प्रवेश द्वार" REST API है। प्रवेश द्वार पर, वह नेटवर्क कैमरों (आरटीएसपी स्ट्रीम) से फोटो, वीडियो फाइल और प्रसारण ले सकता है।

विज़न का उपयोग करने के लिए, आपको Mail.ru Cloud Solutions में पंजीकरण करना होगा और टोकन प्राप्त करना होगा (client_id + client_secret)। उपयोगकर्ता प्रमाणीकरण OAuth प्रोटोकॉल का उपयोग करके किया जाता है। POST अनुरोधों के निकायों में स्रोत डेटा एपीआई को भेजा जाता है। और प्रतिक्रिया में, क्लाइंट को JSON प्रारूप में API से मान्यता परिणाम प्राप्त होता है, और प्रतिक्रिया संरचित होती है: इसमें पाई गई वस्तुओं और उनके निर्देशांक के बारे में जानकारी होती है।

प्रतिक्रिया उदाहरण

{ "status":200, "body":{ "objects":[ { "status":0, "name":"file_0" }, { "status":0, "name":"file_2", "persons":[ { "tag":"person9" "coord":[149,60,234,181], "confidence":0.9999, "awesomeness":0.45 }, { "tag":"person10" "coord":[159,70,224,171], "confidence":0.9998, "awesomeness":0.32 } ] } { "status":0, "name":"file_3", "persons":[ { "tag":"person11", "coord":[157,60,232,111], "aliases":["person12", "person13"] "confidence":0.9998, "awesomeness":0.32 } ] }, { "status":0, "name":"file_4", "persons":[ { "tag":"undefined" "coord":[147,50,222,121], "confidence":0.9997, "awesomeness":0.26 } ] } ], "aliases_changed":false }, "htmlencoded":false, "last_modified":0 }

जवाब में एक दिलचस्प पैरामीटर अजीबता है - यह फोटो में चेहरे की सशर्त "शीतलता" है, इसके साथ हम अनुक्रम से सबसे अच्छा चेहरा शॉट का चयन करते हैं। हमने तंत्रिका नेटवर्क को इस संभावना की भविष्यवाणी करने के लिए प्रशिक्षित किया कि चित्र सामाजिक नेटवर्क पर कैसा होगा। तस्वीर जितनी बेहतर होगी और चेहरे को जितना चिकना किया जाएगा, उतनी ही बड़ी अजीबता होगी।

विज़न एपीआई एक अवधारणा का उपयोग करता है जैसे कि अंतरिक्ष। यह चेहरे के विभिन्न सेट बनाने के लिए एक उपकरण है। रिक्त स्थान के उदाहरण ब्लैक एंड व्हाइट लिस्ट हैं, विज़िटर, कर्मचारी, ग्राहक आदि की सूची। विज़न में प्रत्येक टोकन के लिए, आप 10 रिक्त स्थान बना सकते हैं, प्रत्येक स्थान में 50 हज़ार तक व्यक्ति हो सकते हैं, अर्थात एक टोकन के लिए 500 हज़ार तक हो सकते हैं। । इसके अलावा, प्रति खाते टोकन की संख्या सीमित नहीं है।

आज, एपीआई निम्नलिखित पहचान और मान्यता विधियों का समर्थन करता है:

चेहरे की पहचान / सेट - परिभाषा और पहचान। प्रत्येक अद्वितीय चेहरे पर एक व्यक्ति को स्वचालित रूप से असाइन करता है, व्यक्ति के चेहरे के निर्देशांक और निर्देशांक लौटाता है।
हटाएं - व्यक्ति डेटाबेस से एक विशिष्ट व्यक्ति को हटा दें।
ट्रंकट - पर्सिड से पूरे स्थान को साफ करना, उपयोगी अगर यह एक परीक्षण के रूप में इस्तेमाल किया गया था और आपको उत्पादन के लिए आधार को रीसेट करने की आवश्यकता है।
पता लगाएँ - वस्तुओं, दृश्यों, लाइसेंस प्लेटों, आकर्षण, कतारों, आदि की परिभाषा। पाया वस्तुओं और उनके निर्देशांक का वर्ग लौटाता है
दस्तावेजों के लिए पता लगाएँ - रूसी संघ के विशिष्ट प्रकार के दस्तावेजों का पता लगाता है (पासपोर्ट, स्नेल्स, सराय, आदि को अलग करता है)।

इसके अलावा, हम जल्द ही ओसीआर के लिए तरीकों पर काम खत्म कर देंगे, सेक्स, उम्र और भावनाओं का निर्धारण करने के साथ-साथ व्यापारिक कार्यों को भी हल करेंगे, अर्थात्, दुकानों में माल के प्रदर्शन को स्वचालित रूप से नियंत्रित करने के लिए। आप यहां पूर्ण एपीआई प्रलेखन पा सकते हैं: https://mcs.mail.ru/help/vision-api

4. निष्कर्ष

अब सार्वजनिक एपीआई के माध्यम से आप फोटो और वीडियो में चेहरा पहचान सकते हैं, यह विभिन्न वस्तुओं, लाइसेंस प्लेट, आकर्षण, दस्तावेज़ और संपूर्ण दृश्यों की परिभाषा का समर्थन करता है। अनुप्रयोग परिदृश्य - सागर। आओ, हमारी सेवा का परीक्षण करें, इसके लिए सबसे मुश्किल काम निर्धारित करें। पहले 5,000 लेनदेन मुफ्त हैं। यह आपकी परियोजनाओं के लिए "लापता घटक" हो सकता है।

पंजीकरण और विजन से कनेक्ट होने पर एपीआई तक पहुंच तुरंत प्राप्त की जा सकती है। सभी हाबरा उपयोगकर्ता - अतिरिक्त लेनदेन के लिए एक प्रचार कोड। एक व्यक्तिगत ईमेल पते में लिखें, जिस पर खाता पंजीकृत था!

दाढ़ी के साथ, काले चश्मे में और प्रोफाइल में: कंप्यूटर विज़न के लिए कठिन परिस्थितियाँ