लैकमस प्रोजेक्ट: कैसे कंप्यूटर विजन खोए हुए लोगों को बचाने में मदद करता है

सभी को नमस्कार!

आप ओपन डेटा साइंस समुदाय की सोशल गुड (# ml4sg) पहल के लिए मशीन लर्निंग के बारे में पहले से ही जान सकते हैं। अपने ढांचे के भीतर, उत्साही लोग स्वतंत्र रूप से सामाजिक रूप से महत्वपूर्ण समस्याओं को हल करने के लिए मशीन सीखने के तरीकों का उपयोग करते हैं। हम, लैकमस प्रोजेक्ट टीम (#proj_rescuer_la), आधुनिक दीप लर्निंग सॉल्यूशंस के कार्यान्वयन में लगे हुए हैं, जो उन लोगों को खोजने के लिए हैं जो आबादी वाले क्षेत्र से बाहर खो गए हैं: जंगल, मैदान, आदि में।



मोटे अनुमान के अनुसार, रूस में हर साल एक लाख से अधिक लोग गायब हो जाते हैं। उनमें से मूर्त हिस्सा ऐसे लोग हैं जिन्होंने मानव निवास से बहुत दूर अपना रास्ता खो दिया है। सौभाग्य से, जो लोग खो गए हैं उनमें से कुछ स्वयं द्वारा चुने गए हैं, दूसरों की मदद करने के लिए स्वयंसेवक खोज और बचाव दल जुटाए गए हैं। सबसे प्रसिद्ध ऐसी टुकड़ी है, शायद, लिसा अलर्ट, लेकिन मैं यह नोट करना चाहता हूं कि वह केवल एक ही नहीं है।

इस समय मुख्य खोज विधियाँ, 21 वीं सदी में, तकनीकी साधनों का उपयोग करते हुए चारों ओर से घेर रही हैं, जो प्रायः जलपरी या भनभनाने वाले प्रकाश स्तंभ से अधिक जटिल नहीं हैं। विषय, निश्चित रूप से, प्रासंगिक और गर्म है, उपलब्धियों की खोज में वैज्ञानिक और तकनीकी प्रगति का उपयोग करने के लिए कई विचारों को जन्म देता है; उनमें से कुछ भी प्रोटोटाइप के रूप में सन्निहित हैं और विशेष रूप से आयोजित प्रतियोगिताओं में परीक्षण किए गए हैं। लेकिन जंगल जंगल है, और खोज की वास्तविक स्थिति, सीमित भौतिक संसाधनों के साथ मिलकर, इस समस्या को मुश्किल बना देती है और अभी भी एक पूर्ण समाधान से बहुत दूर है।

हाल ही में, क्षेत्र के बड़े क्षेत्रों का सर्वेक्षण करने के लिए मानव रहित हवाई वाहनों (यूएवी) का उपयोग करते हुए बचाव दल तेजी से 40-50 मीटर की ऊंचाई से इलाके की तस्वीर खींच रहे हैं। एक खोज और बचाव अभियान के साथ, कई हजार तस्वीरें प्राप्त की जाती हैं, जो आज तक स्वयंसेवकों द्वारा मैन्युअल रूप से देखी जाती हैं। यह स्पष्ट है कि इस तरह की प्रसंस्करण लंबी और अक्षम है। इस तरह के काम के दो घंटे बाद, स्वयंसेवक थक जाते हैं और खोज जारी नहीं रख सकते हैं, और आखिरकार, लोगों का स्वास्थ्य और जीवन इसकी गति पर निर्भर करता है।

खोज और बचाव टीमों के साथ मिलकर, हम यूएवी के साथ ली गई छवियों में लापता लोगों की खोज के लिए एक कार्यक्रम विकसित कर रहे हैं। मशीन सीखने के विशेषज्ञों के रूप में, हम खोज को स्वचालित और तेज़ बनाने का प्रयास करते हैं।

समान समाधान से अंतर

यह कहना अनुचित होगा कि लैकमस इस दिशा में विकसित की जा रही एकमात्र परियोजना है। हालांकि, ऐसा लगता है कि कुछ लोग बचाव दल के साथ निकट सहयोग में विकास कर रहे हैं, उनकी तत्काल जरूरतों और क्षमताओं पर ध्यान केंद्रित कर रहे हैं। कुछ समय पहले, ओडिसी प्रतियोगिता आयोजित की गई थी, जिसमें विभिन्न टीमों ने यूएवी का उपयोग करने सहित लोगों को खोजने और बचाने के लिए सबसे अच्छा समाधान बनाने में प्रतिस्पर्धा की थी। विकास के प्रारंभिक चरण में होने के नाते, हमने इस प्रतियोगिता में प्रतिभागियों के रूप में नहीं, बल्कि पर्यवेक्षकों के रूप में भाग लिया। प्रतियोगिता के परिणामों की तुलना, इसी तरह की परियोजनाओं के बारे में जानकारी और लिसा अलर्ट, उल्लू, चरम जैसे टीमों के साथ संवाद करने में हमारा अनुभव, मैं कई एनालॉग्स में निहित समस्याओं को नोट करना चाहता हूं:

• कार्यान्वयन की लागत। ओडिसी प्रतियोगिता की कुछ टीमें अपने खुद के अभिनव ड्रोन और यूएवी विकसित कर रही हैं। लेकिन आपको यह समझने की जरूरत है कि रूस में पीएसओ आमतौर पर गैर-लाभकारी आधार पर काम करते हैं, और 1,000,000 से अधिक रूबल की कीमत वाली मशीनों के साथ ड्रोन ऑपरेटरों को लैस करना बहुत महंगा है। इसके अलावा, यह केवल एक विमान का उत्पादन करने के लिए पर्याप्त नहीं है, इसके रखरखाव को स्थापित करना आवश्यक है। छोटी कंपनियों के लिए मुश्किल चीनी प्रतिद्वंद्वियों के समान धन के लिए समाधान पेश करना मुश्किल है।
• कई समाधानों का व्यावसायिक फोकस। व्यावसायिक परियोजनाओं में कुछ भी गलत नहीं है, लेकिन जंगल में खोए लोगों की तलाश एक विशिष्ट कार्य है, न कि हर व्यावसायिक विकास को इसमें एकीकृत किया जा सकता है। आप एक अद्भुत ड्रोन बना सकते हैं और वहां फसलों को पहचानने वाले एक न्यूरॉन को छड़ी कर सकते हैं, लेकिन स्वयंसेवक खोज टीमों का उपयोग करके जंगल में लोगों को खोजने के लिए ऐसी परियोजना उपयोगी होने की संभावना नहीं है: यहां आपको सबसे सस्ता, लेकिन प्रभावी समाधान की आवश्यकता है। महंगे मल्टी-चैनल कैमरे यहां उपयुक्त नहीं हैं। केवल RGB, केवल कट्टर। उन्हीं कारणों से, थर्मल इमेजर्स भी गायब हो जाते हैं, जिनमें से सस्ते मॉडल में बहुत कम रिज़ॉल्यूशन होता है। (और सामान्य तौर पर, थर्मल इमेजर्स यहां अप्रभावी हैं, क्योंकि जंगल में जमे हुए व्यक्ति बहुत कम गर्मी का उत्सर्जन करते हैं)।
• ज्ञात समाधानों में उपयोग किए जाने वाले लोकप्रिय तंत्रिका नेटवर्क आर्किटेक्चर - YOLO, SSD, VGG - में पब्लिक नेटवर्क्स पर ImageNet जैसे अच्छी गुणवत्ता वाले मैट्रिक्स हैं, लेकिन हमारे विशिष्ट डोमेन क्षेत्र में छवियों पर अच्छी तरह से काम नहीं करते हैं। (तंत्रिका नेटवर्क वास्तुकला की पसंद के बारे में, अंत में और नीचे उपयोग किए गए विकल्पों और सुविधाओं की कोशिश की गई है)।
• लगभग कोई भी अनुमान के लिए मॉडल का अनुकूलन करने के अवसरों का उपयोग नहीं करता है। खोज क्षेत्रों में, अक्सर कोई इंटरनेट कनेक्शन नहीं होता है, इसलिए आपको स्थानीय रूप से प्राप्त छवियों को संसाधित करने की आवश्यकता होती है। अधिकांश बचावकर्मी कम-शक्ति वाले जीपीयू के साथ या पारंपरिक सीपीयू पर तंत्रिका नेटवर्क चलाने वाले लैपटॉप का उपयोग करते हैं। यह गणना करना आसान है कि अगर एक छवि को संसाधित करने में औसतन 10 सेकंड का समय लगता है, तो 1000 छवियों को लगभग 3 घंटे में संसाधित किया जाएगा। यहां, हम कह सकते हैं कि हर सेकंड महत्वपूर्ण है।
• मौजूदा विकास की निकटता। हमारे द्वारा ज्ञात सभी समाधान बंद और मालिकाना हैं। लेकिन यह समस्या बहुत ही कम लोगों की ताकतों द्वारा हल की जानी है, और सभी लोग जो मदद करने के लिए तैयार नहीं हैं। इसलिए, हम एक पूर्ण रूप से ओपन सोर्स समाधान विकसित कर रहे हैं: यह सोचना अजीब है कि एक विषय जो "कई" स्वयंसेवकों को "खेतों में" काम करने के लिए आकर्षित करता है, आईटी विशेषज्ञों के लिए उतना ही दिलचस्प नहीं होगा।
• वितरण की स्वतंत्रता का अभाव। स्वैच्छिक पीएसओ को अक्सर केंद्रीकृत नहीं किया जाता है, काम करने वाले दृष्टिकोण और आवेदन को हाथ से स्थानांतरित किया जाता है, लाइसेंस प्राप्त प्रतियों के साथ सॉफ्टवेयर यहां काम नहीं करेगा। यही कारण है कि हम, अन्य बातों के अलावा, एक खुला स्रोत और खुली वितरण रणनीति को चुना है ताकि कोई भी हमारे समाधान को डाउनलोड कर सके और उसका उपयोग कर सके। हम खुले विज्ञान और खुले स्रोत के लिए हैं!

डेटा की तैयारी

ऐसा लगता है कि यदि यूएवी का उपयोग करने वाला प्रत्येक खोज ऑपरेशन हजारों तस्वीरें लाता है, तो संचित डेटा का सरणी विशाल होना चाहिए - ले और प्रशिक्षित करें। सब कुछ इतना आसान नहीं निकला, क्योंकि:

• टैग किए गए डेटा के लिए कोई केंद्रीकृत संग्रहण नहीं है। खोज कार्यों के दौरान ली गई तस्वीरों का उपयोग भविष्य में उपयोग या संसाधित नहीं किया जाता है।
• प्राप्त डेटा बहुत असंतुलित है। पाए गए व्यक्ति के साथ एक शॉट में, कई हजार "रिक्त" तस्वीरें हैं। चूंकि स्कैन की गई छवियों के बारे में जानकारी कहीं भी दर्ज नहीं की गई है, ऐसे में उनमें से आवश्यक चीजों को खोजने के लिए, एक बड़ी टीम को दूसरी बार किए जाने की आवश्यकता है - एक छोटी टीम के प्रयासों से जिसमें "प्रशिक्षित आंखें" नहीं हैं।
• प्रत्येक छवि, अपने आप में, "असंतुलित" भी है: वांछित व्यक्ति उस पर पूरे छवि क्षेत्र का एक छोटा सा हिस्सा घेरता है। जाहिर है, एक अच्छा तंत्रिका नेटवर्क न केवल यह कहने में सक्षम होना चाहिए कि, उसकी राय में, एक व्यक्ति छवि में मौजूद है - इसे एक विशिष्ट स्थान को सर्कल करना चाहिए (यानी, वस्तुओं का पता लगाने का कार्य करना, छवियों को वर्गीकृत नहीं करना)। अन्यथा, ऑपरेटर इसे देखने के लिए अतिरिक्त समय और ऊर्जा खर्च करेगा, और यह गलती से वांछित फोटो को अस्वीकार भी कर सकता है। लेकिन इसके लिए, तंत्रिका नेटवर्क को तस्वीरों में चिह्नित डेटा से सीखना चाहिए, जहां विशेष सॉफ़्टवेयर का उपयोग करके वांछित वस्तु चिह्नित की जाती है। तलाशी अभियान के दौरान कोई भी ऐसा नहीं करेगा - पहले नहीं।
• जिन पोज में लोगों को पाया गया, उन पर वर्ष का समय, इलाके का प्रकार और चित्रों की अन्य विशेषताओं के आंकड़ों पर ध्यान नहीं दिया गया। ऐसा डेटा मंचन फोटोग्राफी, फोटो एडिटर्स या जेनेरेटिव मॉडल का उपयोग करके "सिंथेटिक" प्रशिक्षण छवियों को बनाने के लिए बहुत उपयोगी होगा - लेकिन इन सभी का उपयोग करने के लिए आपको यह समझने की आवश्यकता है कि वास्तव में खोए हुए व्यक्ति के साथ एक तस्वीर कैसी दिखती है। अब, जब ऐसी तस्वीरों का पुनर्निर्माण किया जाता है, तो किसी को बचाव विशेषज्ञों के व्यक्तिपरक अनुभव पर निर्भर रहना पड़ता है।
• तकनीकी कठिनाइयों के अलावा, कानूनी बाधाएं संभव हैं जो प्राप्त छवियों के स्वामित्व पर प्रतिबंध लगाती हैं। अक्सर, डेटा एकत्र करने में मदद के लिए हमारे अनुरोध पूरी तरह से अनुत्तरित रहते हैं। इस तरह के डेटा की कमी के कारण, कानूनी समस्याएं या सामान्य आलस्य - यह स्पष्ट नहीं है।

इस प्रकार, मूल्यवान जानकारी का उपयोग प्रशिक्षण नेटवर्क के लिए किसी भी तरह से नहीं किया जाता है, प्रशिक्षण नमूने की मात्रा और गुणवत्ता में सुधार के बजाय डिस्क और क्लाउड स्टोरेज पर कहीं खो या मृत हो जाता है। हम एक ऐसी सेवा लिख ​​रहे हैं, जो अन्य चीजों के साथ, हमें (इसके बारे में भी नीचे) मूल्यवान तस्वीरें अपलोड करने की अनुमति देगी, लेकिन हमेशा की तरह, लोगों की तुलना में अधिक कार्य हैं।

इसके अलावा, आज तक, नेटवर्क में यूएवी की छवियों के साथ बहुत कम अच्छे (खुले) डेटासेट हैं। सबसे उपयुक्त एक हमने पाया स्टैनफोर्ड ड्रोन डेटसेट (एसडीडी) । यह विश्वविद्यालय परिसर के ऊपर की ऊँचाई से एक तस्वीर है, जिसमें साइकिल, बसों और कारों के साथ वर्ग "पैदल यात्री" (पैदल यात्री) की चिह्नित वस्तुएँ हैं। समान शूटिंग कोण के बावजूद, पैदल चलने वालों ने फोटो खिंचवाए और हमारे चित्रों में जो कुछ भी हो रहा है उससे वातावरण सामान्य है। इस डेटासेट पर किए गए प्रयोगों से पता चला है कि हमारे डेटा पर इस पर प्रशिक्षित डिटेक्टरों की गुणवत्ता मीट्रिक कम परिणाम दिखाती है। नतीजतन, हम अब तथाकथित बैकबोन के प्रशिक्षण के लिए एसडीडी का उपयोग करते हैं, जो शीर्ष-स्तरीय विशेषताओं को निकालता है, और चरम परतों को हमारे डोमेन क्षेत्र की छवियों पर पूरा किया जाना है।

यही कारण है कि हमने पहली बार लंबे समय तक विभिन्न खोज इंजन और बचाव दल के साथ संचार किया, यह समझने की कोशिश की कि जंगल में खो गया एक व्यक्ति ऊपर से एक तस्वीर में कैसा दिखता है। नतीजतन, हमने 24 पोज पर अद्वितीय आंकड़े एकत्र किए, जिसमें लापता लोग सबसे अधिक पाए जाते हैं। हमने अपने स्वयं के डेटा सेट - लैकमस ड्रोन डेटसेट (LaDD) को फिल्माया और चिह्नित किया, जिसमें पहले संस्करण में 400 से अधिक चित्र शामिल थे। शूटिंग मुख्य रूप से डीजेआई मविक प्रो और फैंटम की मदद से 50 - 100 मीटर की ऊंचाई से की गई थी, चित्रों का रिज़ॉल्यूशन 3000x4000 था, औसत व्यक्ति का आकार 50x100 पीएक्स था। फिलहाल, हमारे पास पहले से ही 2 हज़ार चित्रों के साथ डेटासेट का चौथा संस्करण है, जो वास्तविक और "नकली" दोनों हैं। हम डेटा सेट को फिर से भरने पर काम जारी रख रहे हैं और पांचवां संस्करण कोने के आसपास है।

जैसा कि हम अपने डेटासेट की भरपाई करते हैं, हम मौसम के अनुसार छवियों को अलग करने की आवश्यकता पर आए हैं। तथ्य यह है कि सर्दियों की तस्वीरों में प्रशिक्षित एक मॉडल पूरे डाटासेट पर प्रशिक्षित मॉडल की तुलना में बेहतर परिणाम दिखाता है, या तो गर्मी या वसंत में अलग से। शायद बर्फीली पृष्ठभूमि पर संकेत शोर घास की तुलना में बेहतर निकाले जाते हैं।



उसी समय, जब केवल शीतकालीन चित्रों में प्रशिक्षण होता है, तो झूठी सकारात्मक (झूठी सकारात्मक) की संख्या बढ़ जाती है। जाहिर है, विभिन्न मौसमों की छवियां बहुत अलग परिदृश्य (डोमेन) हैं और तंत्रिका नेटवर्क उन्हें सामान्य करने में सक्षम नहीं है। यह देखा जाना बाकी है, और अब तक हम दो तरीके देखते हैं:

• बहुत सारे "छोटे" ग्रिड बनाएं और उन्हें अलग-अलग डोमेन के लिए अलग-अलग सीखें (सर्दियों के लिए एक, गर्मियों के लिए एक और ... सीजन के अलावा, आप क्षेत्र द्वारा भी टूट सकते हैं: उदाहरण के लिए, मध्य पट्टी और मैदानों के लिए एक मॉडल, दक्षिण के लिए एक और, और इसी तरह) ।
• बार-बार हमारे डेटा को बढ़ाते हैं और सभी डोमेन पर एक बार मॉडल को प्रशिक्षित करने का प्रयास करते हैं। यैंडेक्स के एक लेख में इसी तरह की समस्या के समाधान के आधार पर, हम इस विशेष विकल्प की कोशिश करते हैं। पहले से वर्णित कारणों के लिए खोए हुए लोगों के साथ बड़ी संख्या में वास्तविक फ़ोटो एकत्र करना मुश्किल है, इसलिए, शायद, हम "खाली" छवियों के आधार पर यथार्थवादी शैक्षिक उदाहरणों को फिर से बनाने की कोशिश करेंगे (उनमें से बहुत सारे हैं)। इसलिए हमारे पास जल्द ही GAN हो सकता है।

सीखने की प्रक्रिया

हमारी छवियों की प्रकृति लोकप्रिय डेटासेट्स जैसे ImageNet, COCO, आदि की छवियों से काफी भिन्न है। चूंकि इस तरह के सेटों के लिए विकसित तंत्रिका नेटवर्क हमारे कार्य के लिए खराब रूप से अनुकूल हो सकते हैं, इसलिए विभिन्न आर्किटेक्चर की प्रयोज्यता का अध्ययन करना आवश्यक था। ऐसा करने के लिए, हमने इमेजनेट पर पूर्व-प्रशिक्षित मॉडल लिया, उन्हें स्टैनफोर्ड ड्रोन डेटसेट पर वापस ले लिया, जिसके बाद हमने बैकबोन को "फ्रीज" किया, और बाकी डिटेक्टरों को सीधे हमारी छवियों पर प्रशिक्षित किया गया। सर्वोत्तम मीट्रिक तालिका में प्रस्तुत किए गए हैं:


उपरोक्त तालिका में संख्याओं के अलावा, आपको एक बड़े वर्ग के असंतुलन के रूप में लैकमस ड्रोन डेटासैट छवियों की ऐसी सुविधा पर ध्यान देना चाहिए: वांछित वस्तु के साथ आयत (लंगर) के क्षेत्र की पृष्ठभूमि क्षेत्र का अनुपात कई हजार है। डिटेक्टर को प्रशिक्षित करते समय, यह दो समस्याओं को पूरा करता है:

1. पृष्ठभूमि वाले अधिकांश क्षेत्र कोई उपयोगी जानकारी नहीं रखते हैं।
2. कम संख्या के कारण वस्तुओं वाले क्षेत्र भी भार के प्रशिक्षण में महत्वपूर्ण योगदान नहीं देते हैं।

किसी तरह इन समस्याओं के आसपास आने के लिए, विभिन्न प्रशिक्षण योजनाओं, नेटवर्क सेटिंग्स और प्रशिक्षण नमूनों का उपयोग किया गया था। रेटिनानेट का परीक्षण करने वाले तंत्रिका नेटवर्क आर्किटेक्चर में से एक, एक बड़े वर्ग के असंतुलन के नकारात्मक प्रभावों को कम करने के लिए सटीक रूप से लक्षित है। रेटिनानेट के रचनाकारों ने इसे एक-चरण डिटेक्टरों की सटीकता बढ़ाने के लिए डिज़ाइन किया है (छवि को पूर्वनिर्धारित आयतों-एंकरों के घने नेटवर्क के साथ कवर करना और फिर उन चीजों को परिष्कृत करना जो बेहतर गुणवत्ता की तुलना में) को कवर करते हैं, लेकिन दो चरणों वाले डिटेक्टरों को धीमा कर देते हैं (छात्र पहले उम्मीदवारों को खोजने के लिए सीखते हैं) , तो उनकी स्थिति निर्दिष्ट करें)। रेटिनानेट के बारे में लेख के लेखकों के दृष्टिकोण से, वन-स्टेज डिटेक्टर बड़ी संख्या में खाली एंकरों के कारण असंतुलन के कारण ठीक से खो देते हैं। इस लाभ की पृष्ठभूमि के खिलाफ, हमारी पसंद ResNet50 बैकबोन के साथ रेटिनानेट के पक्ष में बनी।

इस नेटवर्क की वास्तुकला 2017 में पेश की गई थी । रेटिनानेट की मुख्य विशेषता, जो आपको प्रशिक्षण में कक्षा के असंतुलन के नकारात्मक प्रभावों से निपटने की अनुमति देती है, मूल फोकल हानि नुकसान समारोह है:

$$

$$FL (p_t) = - (1-p_t) ^ {\ Gamma} लॉग (p_t) \\ p_t = \ start {case} p, \ mbox {if} y = 1, \\ 1 - p_ mbox {अन्यथा } \ end {मामलों}$$

जहां p मॉडल द्वारा अनुमानित इच्छित वस्तु के क्षेत्र में सामग्री की अनुमानित संभावना है (इसे बस रखने के लिए, तंत्रिका नेटवर्क का आउटपुट, अगर यह अंतराल में कम हो जाता है [0, 1])।

अन्य डोमेन डोमेन में, नुकसान फ़ंक्शन को, एक नियम के रूप में, एटिपिकल उदाहरणों (कठोर उदाहरणों) के लिए प्रतिरोधी होना चाहिए, जो सबसे अधिक संभावित शोधकर्ता हैं; वजन प्रशिक्षण पर उनके प्रभाव को कम किया जाना चाहिए। फोकल लॉस में, इसके विपरीत, रेटिनानेट वेट को प्रशिक्षित करते समय अक्सर होने वाली पृष्ठभूमि (इंसेलर, आसान उदाहरण) का प्रभाव कम हो जाता है, और शायद ही कभी देखा वस्तुओं का सबसे बड़ा प्रभाव होता है। सूत्र के इस भाग के कारण ऐसा किया जाता है:

$$

$$(1-p_t) ^ {\ gamma}$$

फ़ैक्टर $$$गामा$ कुल नुकसान समारोह में कठिन उदाहरण के "वजन" निर्धारित करता है।

रेटिनानेट प्रशिक्षण प्रक्रिया के दौरान, नुकसान फ़ंक्शन की गणना सभी छवि स्केलिंग स्तरों से उम्मीदवार क्षेत्रों (एंकर) के सभी झुकावों के लिए की जाती है। कुल मिलाकर, एक छवि के लिए लगभग 100k क्षेत्र होते हैं, जो कि हेमरिस्टिक सैंपलिंग (RPN) से बहुत अलग होता है या प्रत्येक मिनट के लिए बहुत कम संख्या (लगभग 256) क्षेत्रों के साथ दुर्लभ उदाहरणों (OHEM, SSD) की खोज करता है। फोकल लॉस वैल्यू की गणना सभी एंकरों के फ़ंक्शन मानों के योग के रूप में की जाती है, जो वांछित ऑब्जेक्ट्स वाले एंकरों की संख्या द्वारा सामान्यीकृत होते हैं। सामान्यीकरण केवल उन पर किया जाता है, और कुल संख्या पर नहीं, क्योंकि अधिकांश बहुमत लंगर आसानी से पहचाने जाने योग्य पृष्ठभूमि होते हैं, जिसमें समग्र नुकसान फ़ंक्शन में बहुत कम योगदान होता है।

संरचनात्मक रूप से, रेटिनानेट में एक रीढ़ की हड्डी और दो अतिरिक्त वर्गीकरण सबनेट और बॉक्स रिग्रेशन सबनेट परिभाषाएँ होती हैं।



एक रीढ़ की हड्डी के रूप में, तथाकथित फ़ीचर पिरामिड नेटवर्क , FPN, आमतौर पर इस्तेमाल किए जाने वाले दृढ़ नेटवर्क नेटवर्क (उदाहरण के लिए, ResNet50) में से एक के शीर्ष पर काम करता है। एफपीएन में कन्वेक्शन नेटवर्क की छिपी हुई परतों से अतिरिक्त लेटरल आउटपुट होते हैं, जो विभिन्न पैमानों के साथ पिरामिड स्तर बनाते हैं। प्रत्येक स्तर एक "टॉप-डाउन पाथवे" द्वारा पूरक है, अर्थात उच्च स्तर की जानकारी जो छोटे हैं, लेकिन एक बड़े क्षेत्र के क्षेत्रों के बारे में जानकारी रखते हैं। यह एक कृत्रिम वृद्धि (उदाहरण के लिए, केवल तत्वों को दोहराते हुए) की तरह दिखता है जो वर्तमान मानचित्र के आकार के लिए अधिक "न्यूनतम" फीचर मैप को तत्व द्वारा जोड़ते हैं और उन दोनों को पिरामिड के निचले स्तर पर स्थानांतरित करते हैं और अन्य सबनेट के इनपुट के लिए (यानी, वर्गीकरण सबनेट में)। बॉक्स रिग्रेशन सबनेट)। यह आपको मूल छवि से विभिन्न पैमानों पर संकेतों के पिरामिड का चयन करने की अनुमति देता है, जिस पर बड़ी और छोटी दोनों वस्तुओं का पता लगाया जा सकता है। FPN का उपयोग कई आर्किटेक्चर में किया जाता है, जो विभिन्न आकारों की वस्तुओं का पता लगाने में सुधार करता है: RPN, DeepMask, Fast R-CNN, Mask R-CNN, आदि।

आप मूल लेख में FPN के बारे में अधिक पढ़ सकते हैं।

हमारे नेटवर्क में, जैसा कि मूल में, FPN के साथ 5 स्तर गिने गए $$$P_3$ पर $$$P_7$ । स्तर $$$P_l$ की अनुमति है $$$2 ^ l$ इनपुट छवि से कई गुना छोटा (हम विवरण में नहीं जायेंगे कि वे रेसनेट के किन बिंदुओं से आते हैं - इससे पैर टूट जाएगा)। पिरामिड के सभी स्तरों में चैनलों की संख्या C = 256 और एंकर की संख्या लगभग 1000 (छवियों के आकार के आधार पर) है।

एंकर के पिरामिड के प्रत्येक स्तर के लिए [16 x 16] से [256 x 256] तक के क्षेत्र हैं $$$P_3$ को $$$P_7$ तदनुसार, विस्थापन (स्ट्राइड्स) के एक कदम के साथ [8 - 128] पीएक्स। यह आकार आपको छोटी वस्तुओं और आसपास के कुछ परिवेशों का विश्लेषण करने की अनुमति देता है। उदाहरण के लिए, एक शाखा, यदि आप इसकी आसपास की वास्तविकता को ध्यान में नहीं रखते हैं, तो एक झूठ बोलने वाले व्यक्ति के समान है।

मूल FPN एंकरों के तीन पहलू अनुपात (1: 2, 1: 1, 2: 1) का उपयोग करता है; रेटिनानेट लेखकों ने सघन कवरेज के लिए इनमें से प्रत्येक पहलू अनुपात के लिए तीन पैमाने जोड़े हैं [ $$2 0 , 2 1 / 3 , 2 2 / 3 ]। प्रत्येक स्तर पर 9 प्रकार के एंकर का उपयोग आपको उन वस्तुओं को खोजने की अनुमति देता है जिनकी मूल छवि में लंबाई / चौड़ाई 16 से 400 px है। वर्गीकरण सबनेटकिसी दिए गए एंकर में K वर्गों में से प्रत्येक के लिए उपस्थिति की संभावना की भविष्यवाणी करता है। वास्तव में, यह FPN परतों में से प्रत्येक से जुड़ा हुआ एक साधारण पूर्ण रूप से जुड़ा नेटवर्क (फुली कन्वनेट, FCN) है। पिरामिड के विभिन्न स्तरों पर इसके पैरामीटर समान हैं, और इसकी वास्तुकला काफी सरल है:$2^0, 2^{1/3}, 2^{2/3}$

• एक फीचर कार्ड इनपुट है (W x H x C)
• फिल्टर के साथ 3x3 दृढ़ संकल्प
• ReLU सक्रियण
• 3x3 (के एक्स ए) फिल्टर के साथ दृढ़ संकल्प,
• अंतिम परत की सक्रियता

कुल मिलाकर, इस नेटवर्क के आउटपुट पर लंबाई K x A का एक वेक्टर बनता है, जहां K विभिन्न वर्गों की संख्या है। हमारे मामले में, केवल एक वर्ग का उपयोग किया जाता है - यह पैदल यात्री है।

बॉक्स प्रतिगमन सबनेट आपको ऑब्जेक्ट के वास्तविक आकार के लिए 4-घटक एंकर समन्वय वेक्टर को परिष्कृत करने की अनुमति देता है। यह FPN परतों में से प्रत्येक से जुड़ा एक छोटा, पूरी तरह से जुड़ा हुआ नेटवर्क है, जो वर्गीकरण सबनेट से स्वतंत्र रूप से संचालित होता है। उनके आर्किटेक्चर लगभग समान हैं, सिवाय इसके कि प्रशिक्षण के दौरान एक वेक्टर का आकार (4 x A) कम से कम हो - प्रत्येक एंकर के लिए:

$$

$$(\Delta x_{min}, \Delta y_{min}, \Delta x_{max}, \Delta y_{max})$$

एक एंकर को एक वस्तु माना जाता है यदि IoU (संघ पर अधिकता) एक वास्तविक क्षेत्र है जिसमें ऑब्जेक्ट> 0.5 है। इस मामले में$$y i को 1 सौंपा गया है, अन्यथा 0. यह दृष्टिकोण डिटेक्टर को प्रशिक्षित करने की कम्प्यूटेशनल लागत को कम करता है।हस्तक्षेप(छवि में वस्तुओं का पता लगाना) रीढ़ और दो सबनेट के आगे के कार्य की गणना करना है। गति बढ़ाने के लिए, केवल 0.05 से ऊपर की भविष्यवाणी की संभावना के साथ सर्वश्रेष्ठ 1k क्षेत्रों में वर्गीकरण किया जाता है। पता लगाने के अंतिम चरण में, पिरामिड के सभी स्तरों से केवल वे क्षेत्र बने हुए हैं, जिनके लिए वर्गीकरण की संभावना सीमा = 0.5 से अधिक है।रेटिनानेट आर्किटेक्चर का एक विस्तृत विश्लेषण भीddatascienceपर पढ़ा जा सकता है।$y_i$





स्वाभाविक रूप से, कुछ लोग खरोंच से ऐसे जटिल आर्किटेक्चर को लागू करते हैं। हमने एक आधार के रूप में OpenSource लाइब्रेरी को उपयोगकर्ता फ़िज़िर द्वारा गीथूब पर प्रदान किया: केरस-रेटिनानेट , जिसे बाद में कई बार संशोधित किया गया था।

तंत्रिका नेटवर्क अनुकूलन

नेटवर्क की गति हमारे लिए बहुत महत्वपूर्ण है, इसलिए हमने 20-30 हजार रूबल के लिए औसत लैपटॉप से ​​सबसे अधिक प्राप्त करने के लिए समाधान के लिए लंबी और कड़ी खोज की है। यहाँ कुछ दृष्टिकोण और स्वचालित रूपरेखाएँ हैं जिन्हें हमने आज़माया है:

• इंटेल ओपनविनो - सीपीयू पर अनुकूलन के लिए (परिणामस्वरूप, हमने अपना नेटवर्क संकलित किया, लेकिन किसी कारण से यह काम नहीं किया)।
• TensorRT - GPU पर अनुकूलन के लिए (हमारा नेटवर्क परिवर्तित नहीं हुआ है)।
• प्लेएडएमएल - ने इंटेल एचडी ग्राफिक्स (!) पर अपना ग्रिड लॉन्च किया (ग्रिड ने काम किया लेकिन सीपीयू की तुलना में गति बहुत कम थी)।
• nGraph - प्रदर्शन में कोई लाभ नहीं।

और भी ...

• एनवीडिया जेट्सन
• कोरल एज टीपीयू

नतीजतन, हमने अपने टेंसोफ्लो 1.14 के संस्करण को एक साथ डाला और एवीएक्स समर्थन के साथ सीपीयू के लिए अनुकूलन के साथ विभिन्न ट्रिक्स और लाइब्रेरी जैसे इंटेल से एनएंडएल का उपयोग किया। हम AVX निर्देशों (मुख्य रूप से 2012 से पहले जारी किए गए) के बिना पुराने प्रोसेसर द्वारा पास नहीं हुए हैं और अब हम कह सकते हैं कि हमारा समाधान कोर 2 डुओ पर भी काम करता है! हमने अल्बुमेंटेशन लाइब्रेरी कोड के साथ सादृश्य द्वारा प्रारंभिक रूप से अक्षम डेटा वृद्धि को भी ठीक किया । सूखे आँकड़े:

उत्पादन

docker

बचावकर्मियों की इच्छाओं और अनुरोधों के आधार पर, हमने एक डेस्कटॉप एप्लिकेशन विकसित किया और हम इसे यथासंभव सरल बनाना चाहते थे, जिससे आवश्यक पुस्तकालयों को स्थापित करना आसान हो गया। एनवीडिया क्यूडा और CuDNN या कस्टम बिल्डिंग TensorFlow स्थापित करना औसत उपयोगकर्ता के लिए एक आसान काम नहीं है। मैं यूएवी पायलटों को लैपटॉप पर पायथन स्थापित करने और निर्भरता स्थापित करने के बारे में चिंता नहीं करना चाहता था। कुछ कॉम्पैक्ट की आवश्यकता थी जो उपयोगकर्ता से पुस्तकालयों को स्थापित करने और स्थापित करने की जटिलता को छिपाएगा। और हमें ऐसा समाधान मिला - यह डॉकर है। कंटेनर में, हम एक स्थानीय छोटे वेब सर्वर को बोर्ड पर एक न्यूरॉन और स्थापित निर्भरता के साथ तैनात करते हैं। यदि हम अचानक मॉडल को अपडेट करना चाहते हैं, तो हमें बस डॉकटर छवि का नया संस्करण डाउनलोड करना होगा। इसके अलावा, हम जीयूआई और मॉडल को इस तरह से अलग करते हैं।तो जीयूआई स्थानीय सर्वर तक नहीं पहुंच सकता है, लेकिन रिमोट एक, यदि, उदाहरण के लिए, उपयोगकर्ता के पास एक अच्छा संचार चैनल है। इसके अलावा, डॉकर एक सुविधाजनक एपीआई प्रदान करता है जिसे सीधे जीयूआई से सीधे नियंत्रित किया जा सकता है, इसलिए उपयोगकर्ता के लिए सब कुछ उतना ही पारदर्शी रहेगा। इसके अलावा, डॉकर अपनी खुद की रिपॉजिटरी प्रदान करता है जहां आप छवियों के विभिन्न संस्करणों को स्टोर कर सकते हैं और मॉडल के साथ सर्वर के बारे में चिंता नहीं कर सकते।

उपयोगकर्ता इंटरफ़ेस या सी # वर्क्स चमत्कार

अब इंटरफ़ेस के बारे में। आवेदन को विकसित करने की प्रक्रिया में, 3 मापदंड हमारे लिए महत्वपूर्ण थे:

• विकास की गति
• क्रॉस-प्लेटफॉर्म
• कम संसाधन की खपत

इंटरनेट पर कुछ खोज के बाद, हम डॉटनेक्स्ट सम्मेलन से इस रिपोर्ट में आए । "हम्म! यह कुछ नया है! किसी प्रकार की बहुत युवा रूपरेखा? इसे छूना दिलचस्प है, "हमने सोचा, और हार नहीं मानी!" परिणामस्वरूप, हमारे एप्लिकेशन का GUI AvaloniaUI C # फ्रेमवर्क में लिखा गया है, जो आपको 64-बिट ऑपरेटिंग सिस्टम Win10, Linux और Mac पर इसे चलाने की अनुमति देता है।

AvaloniaUI एक युवा, लेकिन बहुत शक्तिशाली और तेज़ ढांचा है। इसकी अवधारणा में, यह WPF के समान है, जो आपको कोड को वास्तव में कोड को बदलने के बिना इसे स्थानांतरित करने की अनुमति देता है। यह तेज और कुशल है, यह 2D ग्राफिक्स को तेजी से खींचता है और WPF की तुलना में कम संसाधनों का उपभोग करता है। कुछ अच्छे भी हैं जो मूल WPF को बढ़ाते हैं।

आंतरिक उपकरण के लिए, SkiaSharp लाइब्रेरी का उपयोग ग्राफिक्स और GTK (यूनिक्स सिस्टम के लिए) रेंडर करने के लिए किया जाता है। X11 रेंडर का विकास भी जारी है। यह सब आपको कंसोल बफ़र (!) में कहीं भी, कहीं भी इंटरफ़ेस आकर्षित करने की अनुमति देता है। यदि .Net कोर को बायोस में लॉन्च किया जा सकता है, तो एवलोनियायू कूल मदरबोर्ड पर एक फैशनेबल गेमिंग इंटरफ़ेस तैयार करेगा।

AvaloniaUI लोकप्रियता प्राप्त कर रहा है और एक खुला ढांचा है, हालांकि यह अभी भी बीटा में है, और इस ढांचे में कीड़े हैं। लेकिन डेवलपर्स इसे लगातार सुधार और पूरक कर रहे हैं, और 2019 के अंत तक, हम कह सकते हैं कि इस पर छोटे वाणिज्यिक समाधान लिखना पहले से ही संभव है। यदि आप WPF और C # से परिचित हैं, तो आपको इसे जरूर आज़माना चाहिए। फायदे में इंटरफ़ेस द्वारा कम संसाधन खपत भी शामिल हो सकती है (जो कि इलेक्ट्रॉन के बारे में नहीं कहा जा सकता है), जिसका अर्थ है कि हम अपने ग्रिड के लिए कई मेगाबाइट रैम जीतते हैं।


जो वह सक्षम है ... मैं

यह भी कहना चाहता हूं कि परियोजना में काफी प्रतिक्रियात्मक समर्थन है, और डेवलपर्स जल्दी से इस मुद्दे पर प्रतिक्रिया देते हैं। जो लोग रुचि रखते हैं वे हमारे लेख को पढ़ सकते हैं , यह लेख भी । और यह।

इस अवधारणा की पूरी समझ के लिए, निकिता त्सुकानोव @kekekeks द्वारा प्रस्तुति देखने लायक है । वह इस ढांचे के विकासकर्ता हैं, सामान्य रूप से इसके बारे में और .NET में पारंगत हैं।

बैकएंड

डेस्कटॉप एप्लिकेशन के अलावा, हम प्रयोगों के संचालन और क्लाउड में सर्वश्रेष्ठ तंत्रिका नेटवर्क वास्तुकला खोजने के लिए एक mlOps बुनियादी ढांचे का विकास कर रहे हैं। सर्वर की ओर से, हम चाहते हैं:

• समग्र डेटा और इसे केंद्र में संग्रहीत करें;
• एक तंत्रिका नेटवर्क की सीखने की प्रक्रिया को स्वचालित करें, अनुसंधान के लिए एक वातावरण बनाएं और दूसरों के लिए इस तक पहुंच प्रदान करें;
• खोज और बचाव टीमों के लिए क्लाउड तक पहुंच प्रदान करें ताकि वे आवश्यक होने पर संचित डेटा का उपयोग कर सकें;

समग्र प्रणाली वास्तुकला कुछ इस तरह दिखता है:



डेस्कटॉप-क्लाइंट डस्टर कंटेनर के स्थानीय संस्करण और केंद्रीय सर्वर पर नवीनतम संस्करण के साथ REST API के माध्यम से काम कर सकता है।

पहचान microservice केवल अधिकृत उपयोगकर्ताओं के लिए सर्वर तक पहुँच प्रदान करता है।

डेटासेट सेवा का उपयोग दोनों छवियों को स्वयं और उनके मार्कअप को संग्रहीत करने के लिए किया जाता है।

भविष्यवाणी सेवा आपको पायलटों के लिए एक विस्तृत चैनल की उपस्थिति में बड़ी संख्या में छवियों को जल्दी से संसाधित करने की अनुमति देती है।

नए मॉडल का परीक्षण करने और नए डेटा आने के साथ ही मौजूदा लोगों को फिर से प्रशिक्षित करने के लिए प्रशिक्षण सेवा की आवश्यकता है।

कार्य कतार को RabbitMQ / Redis का उपयोग करके प्रबंधित किया जाता है।

GPU क्षमताओं की खोज

इस तथ्य के बावजूद कि तंत्रिका नेटवर्क की शुरूआत एक साधारण लैपटॉप पर भी काम कर सकती है, मॉडल को प्रशिक्षित करने के लिए एक जीपीयू की आवश्यकता होती है। तकनीकी रूप से, आप इसे सीपीयू पर प्रशिक्षित कर सकते हैं, लेकिन व्यवहार में इसमें बहुत अधिक समय लगता है। टीम में आने वाले सभी लोगों के पास डीप लर्निंग के लिए उपयुक्त कंप्यूटर हैं, इसलिए हम केंद्रीकृत GPU क्षमताओं की तलाश में हैं।

फिलहाल हम DTL के साथ बातचीत कर रहे हैं और हमें उम्मीद है कि सहयोग विकसित होगा। DTL GPU सर्वरों की विशिष्टता है विसर्जन शीतलन का उपयोग: एक विशेष ढांकता हुआ द्रव में रैक का विसर्जन। यह इस तरह दिखता है:




(फ़ोटोग्राफ़र का ध्यान दें: नीला चेरनकोव चमक नहीं है। यह उन में इस तरह का एक आकर्षण है)

गीतात्मक विषयांतर। "क्या आप Beeline से तंत्रिका नेटवर्क के बारे में जानते हैं?"

ईमानदारी से, मैं वास्तव में इस (फिसलन) विषय को नहीं छूना चाहता, लेकिन यह हमें छूता रहता है, इसलिए यह दिखावा करना असंभव है कि हम टैंक में हैं। हाँ, हम Beeline से तंत्रिका नेटवर्क के बारे में जानते हैं। हमारे साथ सहयोग करने वाले पायलटों की प्रतिक्रिया के अनुसार, यह हमारे संस्करण से भी बदतर है और केवल उच्च-अंत प्लेटफार्मों पर काम करता है। बीलाइन के डेवलपर्स के अनुसार - परियोजना जमी है और अब विकसित नहीं हो रही है। सामान्य ज्ञान के दृष्टिकोण से, इस तरह के एक तंत्रिका नेटवर्क को विकसित करने के लिए रूस में बीलाइन की भावना में समाचार पहली बार शायद ही सच था। कुछ लोग प्रयोगशालाओं द्वारा डिज़ाइन किए गए आर्किटेक्चर जैसे फेसबुक रिसर्च या गूगल ब्रेन को भी लागू करते हैं, बहुत कम लोग अपना निर्माण करते हैं। सबसे अधिक बार, यह आपके विषय क्षेत्र की जरूरतों के लिए एक सार्वजनिक ओपनसोर्स पुस्तकालय को अपनाने के बारे में है। वाणिज्यिक रूसी सॉफ्टवेयर में कितनी बार लाइब्रेरी का उपयोग किया जाता है, इस सॉफ़्टवेयर को विकसित करने वाला हर कोई जानता है। अधिकांश भाग के लिए, लाइसेंस का उल्लंघन भी नहीं है; लेकिन अपने पूरे विकास के रूप में अंतर्राष्ट्रीय ओपनसोर्स की उपलब्धियों को बताने और उस पर जोर से पीआर करने से कम से कम बदसूरत है। ऐसा लगता है कि हमारी उपलब्धियों का भी उपयोग किया गया था: विशेष रूप से, हमारे गेम में हमारी तस्वीरों को जलाया गया था । Lacmus डाटासेट के बारे में अनुभाग से "सर्दियों" फोटो के साथ तुलना करें:



यह मानने के अन्य कारण हैं कि मामला यहाँ डेटा तक सीमित नहीं था।

पहली जगह में हमारे लिए बुरा यह है कि बीलाइन तंत्रिका नेटवर्क अब असंभवता के लिए अपरिवर्तित है। जब इसका उल्लेख किया जाता है, तो यह समझना असंभव है कि क्या यह वास्तव में उसके बारे में है, या हमारे आवेदन के बारे में है, या सामान्य रूप से किसी और के विकल्प के बारे में है। विकेंद्रीकरण, खराब जेआई नियंत्रणीयता और प्रतिक्रिया चैनलों की एक छोटी संख्या की स्थितियों में, लैकमस काम की व्यापकता और गुणवत्ता के बारे में कोई भी जानकारी उपयोगी होगी, साथ ही समान विकास के बारे में भी - लेकिन बीलाइन ओवरशैड के आसपास प्रचार सब कुछ फैल गया है।

हम अभी के लिए स्थिति की निगरानी करना जारी रखने की योजना बना रहे हैं, लेकिन समुदाय से हमारा अनुरोध है, सबसे पहले, "बीलाइन न्यूरल नेटवर्क" कहने के लिए, जब वे 100% सुनिश्चित हों कि यह ऐसा है, और दूसरा, ओपन सोर्स लाइसेंस और ईमानदारी से ऑथरशिप पढ़ने के लिए।

परिणाम

पिछले 2019 में लैकमस फाउंडेशन के सदस्य:

• हमने एक अद्वितीय डेटासेट को शूट किया और चिह्नित किया, जिसमें नवीनतम संस्करण में 2000 से अधिक चित्र शामिल हैं;
• विभिन्न तंत्रिका नेटवर्क आर्किटेक्चर की एक संख्या की कोशिश की और सबसे उपयुक्त चुना;
• हमने तंत्रिका नेटवर्क के सर्वश्रेष्ठ हाइपरपैरामीटर का चयन किया और इसे सबसे सटीक मान्यता के लिए अपने स्वयं के अनूठे डेटा पर प्रशिक्षित किया;
• ऑफ़लाइन काम करते समय उपयोग करने की क्षमता के साथ यूएवी ऑपरेटरों के लिए एक क्रॉस-प्लेटफ़ॉर्म एप्लिकेशन विकसित किया;
• बजट और कम-शक्ति वाले लैपटॉप कंप्यूटरों पर काम करने के लिए हमारे तंत्रिका नेटवर्क के काम को अनुकूलित किया;

फिलहाल, LAPMUS तंत्रिका नेटवर्क एमएपी मीट्रिक का सबसे अच्छा संकेतक 94% है। हमारा कार्यक्रम वास्तविक खोज और बचाव कार्यों में उपयोग के लिए तैयार है और सामान्य रनों पर परीक्षण किया गया है। "फ़ील्ड" और "विंडब्रेक" प्रकार के खुले क्षेत्रों में सभी परीक्षण "खो" पाए गए। पहले से ही अब Lakmus का उपयोग बचाव दल द्वारा किया जाता है और लोगों को खोजने में मदद करता है।

और हमें ओपन डेटा साइंस से प्रोजेक्ट ऑफ़ द ईयर अवार्ड भी मिला:



इस साल हम योजना:

• विश्वसनीय होस्टिंग अवसंरचना के लिए एक भागीदार खोजें;
• वेब इंटरफ़ेस और mlOps लागू करें;
• UE4 इंजन पर या GANs की मदद से एक बड़ा सिंथेटिक डेटासेट तैयार करें;
• कागल में उन सभी के लिए इनक्लास प्रतियोगिता शुरू करना जो अपने डीएल / सीवी कौशल को उन्नत करना चाहते हैं और सर्वश्रेष्ठ सोता समाधानों की खोज करना चाहते हैं;
• इस वास्तुकला की रीढ़ और विविधताओं के और भी अधिक कार्यान्वयन में हमारे रेटिनानेट को जोड़ें;

हमारे पास इन योजनाओं को लागू करने के लिए वास्तव में श्रमिकों की कमी है, इसलिए हमें प्रशिक्षण के स्तर और दिशा की परवाह किए बिना सभी के लिए खुशी होगी।
यदि एक साथ हम कम से कम एक और व्यक्ति को बचा सकते हैं, तो सभी प्रयास व्यर्थ नहीं होंगे।

कैसे करें प्रोजेक्ट की मदद

हम एक ओपनसोर्स प्रोजेक्ट हैं, और हम सभी को सहर्ष स्वीकार करेंगे! यहाँ हमारे github रिपॉजिटरी के लिंक दिए गए हैं:

• https://github.com/lacmus-foundation - होमपेज
• https://github.com/lacmus-foundation/lacmus - हमारा तंत्रिका नेटवर्क
• https://github.com/lacmus-foundation/lacmus-app - हमारी GUI एप्लिकेशन

यदि आप एक डेवलपर हैं और परियोजना में शामिल होना चाहते हैं, तो आप Perevozchikov Georgy Pavlovich, सभी सामाजिक नेटवर्क में gosha20777 , gosha20777@live.ru पर लिख सकते हैं या चैनल के माध्यम से प्रोजेक्ट में शामिल हो सकते हैं # ml4sg सुस्त ओडीएस में (यदि आप वहां हैं)।
हमें चाहिए:

• एमएल डेवलपर्स
• सी # / गो / पायथन डेवलपर्स;
• फ्रंट-लाइन कार्यकर्ता;
• Bekendschiki;
• किसी भी दिशा के सक्रिय लोग! हम हमेशा आपको देखकर खुश होंगे!

यदि आप विकास में शामिल नहीं हैं, तो आप परियोजना की मदद भी कर सकते हैं:

• आप लेख लिखने में हमारी मदद कर सकते हैं;
• आप उपयोगकर्ता के दस्तावेज और विकी लिखने में हमारी सहायता कर सकते हैं (और वहां व्याकरण की त्रुटियों को ठीक करें))
• आप एक उत्पाद प्रबंधक की भूमिका में रह सकते हैं और ट्रेलो में पूर्ण कार्य कर सकते हैं;
• आप हमें एक विचार दे सकते हैं;
• आप इस पोस्ट को वितरित कर सकते हैं;

टीम के बारे में

परियोजना प्रबंधक: जॉर्जी पावलोविच पेरेवोचिकोव , गोशाला 20777 ।

इसमें शामिल लोगों की एक अधूरी सूची (वास्तव में, यह बहुत बड़ा है, अगर आप अन्यायपूर्ण रूप से भूल गए हैं, तो मुझे बताएं और हम जोड़ देंगे):

• चैनल में सबसे सक्रिय ODS प्रतिभागी #proj_rescuer_la : Kseniia, balezz, ei-grad, Palladdiumm, sharov_am, dartov
• ODS के बाहर परियोजना प्रतिभागी: मार्टीनोवा विक्टोरिया विक्टोरोवना (परियोजना संगठन, डेटा संग्रह और लेबलिंग), डेनिस पेत्रोविच शुरानकोव (डेटा संग्रह संगठन), डारिया पावलोवना पेरेवोचिकोवा (सभी फ़ोटो का लगभग 30% टैग किया गया)।
• लिजा अलर्ट दस्ते के यूएवी संचालक, जिन्होंने छवियों और डेटा सेट के गठन में मदद की: पार्टीज़ान, वैंटेइच, सेविच, कैलिफ़ोर्निया, तारेकोन, एवेरेन, जीबी।

विशेष धन्यवाद:

• AvaloniaUI से प्रोग्रामर के लिए - सबसे अच्छा .NET फ्रेमवर्क: वर्ल्डबिटर , केकेक , लैरीमर
• ओडीएस सबसे अच्छे समुदाय के आयोजन के लिए प्रशंसा करता है: नैटकीन, साशा, मेफिस्टोफि।

इस लेख को सह-लिखा गया था balezz और gosha20777 habrozhitelami के साथ ।

हर कोई साधन संपन्न हो और कभी न हारें!



मिठाई के लिए काम का वीडियो प्रदर्शन। पूर्व-प्रारंभिक-अल्फा संस्करण। उन लोगों के लिए जो अंत तक पढ़ते हैं। फरवरी 2019।