目標(biāo)檢測(cè)（Object Detection）的任務(wù)是找出圖像中所有感興趣的目標(biāo)（物體），確定它們的類別和位置，是計(jì)算機(jī)視覺領(lǐng)域的主要問題之一。由于各類物體有不同的外觀、形狀和姿態(tài)，加上成像時(shí)光照、遮擋等因素的干擾，目標(biāo)檢測(cè)一直是計(jì)算機(jī)視覺領(lǐng)域相當(dāng)有有挑戰(zhàn)性的問題。隨著深度學(xué)習(xí)的不斷發(fā)展，目標(biāo)檢測(cè)的應(yīng)用愈加廣，現(xiàn)已被應(yīng)用于農(nóng)業(yè)、交通和醫(yī)學(xué)等眾多領(lǐng)域。與基于特征的傳統(tǒng)手工方法相比，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法可以學(xué)習(xí)低級(jí)和高級(jí)圖像特征，有更好的檢測(cè)精度和泛化能力媒體人被認(rèn)為是被ChatGPT取代的高危職業(yè)之一。陜西AI智能智能方案

隨著大模型時(shí)代到來，模型參數(shù)呈指數(shù)級(jí)增長(zhǎng)，達(dá)到萬億級(jí)別。大模型逐漸從支持單一模態(tài)和任務(wù)發(fā)展為支持多種模態(tài)下的多種任務(wù)。在這種趨勢(shì)下，大模型訓(xùn)練所需算力巨大，遠(yuǎn)超單個(gè)芯片的處理速度，而多卡分布式訓(xùn)練通信損耗巨大。如何提高硬件資源利用率，成為影響國(guó)產(chǎn)大模型技術(shù)發(fā)展和實(shí)用性的重要前提。成都慧視推出的AI訓(xùn)練平臺(tái)SpeedDP就可以通過大量的數(shù)據(jù)注入，讓AI進(jìn)行不斷的模型訓(xùn)練，不斷地深度學(xué)習(xí)能夠讓AI更加聰明，為目標(biāo)檢測(cè)、目標(biāo)識(shí)別提供幫助。開發(fā)AI智能算法SpeedDP進(jìn)行圖像標(biāo)注時(shí)的特點(diǎn)是快。

近年來，人們?cè)絹碓秸J(rèn)識(shí)到深入理解機(jī)器學(xué)習(xí)數(shù)據(jù)的必要性。不過，鑒于檢測(cè)大型數(shù)據(jù)集往往需要耗費(fèi)大量人力物力，它在計(jì)算機(jī)視覺領(lǐng)域的廣泛應(yīng)用，尚有待進(jìn)一步開發(fā)。通常，在物體檢測(cè)中，通過定義邊界框，來定位圖像中的物體，不僅可以識(shí)別物體，還能夠了解物體的上下文、大小、以及與場(chǎng)景中其他元素的關(guān)系。同時(shí)，針對(duì)類的分布、物體大小的多樣性、以及類出現(xiàn)的常見環(huán)境進(jìn)行了解，也有助于在評(píng)估和調(diào)試中發(fā)現(xiàn)訓(xùn)練模型中的錯(cuò)誤模式，從而更有針對(duì)性地選擇額外的訓(xùn)練數(shù)據(jù)。

我們教一個(gè)小孩識(shí)物的時(shí)候，比如“蘋果”，首先要讓他反復(fù)的看到“蘋果”，他便能認(rèn)識(shí)“蘋果”;他可能會(huì)認(rèn)錯(cuò)，把“梨”認(rèn)成“蘋果”，這個(gè)時(shí)候應(yīng)該幫他指出來。小孩看到的“蘋果”越多，辨識(shí)的能力就越強(qiáng)?；谏疃壬窠?jīng)網(wǎng)絡(luò)的人工智能，讓機(jī)器具備理解的能力，基本過程就像教一個(gè)小孩認(rèn)蘋果一樣。首先要有大量的數(shù)據(jù)，比如“蘋果”的圖片;同時(shí)，要增加大量機(jī)器會(huì)認(rèn)錯(cuò)的“負(fù)樣本”，比如“梨”的圖片;然后經(jīng)過一個(gè)深度神經(jīng)網(wǎng)絡(luò)，反復(fù)學(xué)習(xí)，然后獲得一個(gè)有效的識(shí)別模型。對(duì)于快消商品的識(shí)別，我們不僅要認(rèn)出一個(gè)瓶子包裝，還要認(rèn)出是一瓶酸奶還是啤酒;不僅要認(rèn)出酸奶，還要認(rèn)出是哪個(gè)品牌的酸奶，甚至是哪個(gè)口味和規(guī)格。要讓機(jī)器能夠準(zhǔn)確識(shí)別成千上萬的快消商品SKU，是一項(xiàng)極其龐大而復(fù)雜的AI工程。AI自動(dòng)圖像標(biāo)注平臺(tái)SpeedDP。

要解決小目標(biāo)難以追蹤的這個(gè)難題，慧視光電的算法工程師給出了小目標(biāo)識(shí)別算法的方案，通過加強(qiáng)目標(biāo)特征、數(shù)據(jù)增廣、放大輸入圖像、使用高分辨率的特征、設(shè)計(jì)合適的標(biāo)簽分配方法，以讓小目標(biāo)有更多的正樣本、利用小目標(biāo)所處的環(huán)境信息或者其他容易檢測(cè)的物體之間的關(guān)系來輔助小目標(biāo)的檢測(cè)。此外，利用自研的深度學(xué)習(xí)算法開發(fā)平臺(tái)，通過不斷的深度學(xué)習(xí)，能夠讓AI更加精細(xì)的識(shí)別目標(biāo)。這個(gè)方法在瑞芯微RK3588、RV1126、RK3399pro等系列圖像跟蹤板上得到了較好地驗(yàn)證。因此，將這個(gè)算法用在無人機(jī)高空識(shí)別領(lǐng)域，完全能夠彌補(bǔ)傳統(tǒng)算法的不足，達(dá)到更加穩(wěn)定鎖定跟蹤的目的。機(jī)器人是AI發(fā)展后的一個(gè)重要載體。陜西AI智能智能方案

人工智能和機(jī)器學(xué)習(xí)的數(shù)字施工工具，可以提供準(zhǔn)確和精確的測(cè)量。陜西AI智能智能方案

圖像識(shí)別以圖像處理為基礎(chǔ)，是指以圖像為對(duì)象所開展的各種處理性工作，包括編碼、壓縮、復(fù)原及分割等。圖像處理過程中，以圖像輸入后，一般情況下也會(huì)通過圖像形態(tài)進(jìn)行輸出。在圖像識(shí)別過程中，將處理后的圖像輸入，一般情況下輸出類別與圖像結(jié)構(gòu)分析。也就是說，圖像識(shí)別是一個(gè)自原始圖像到物體類型的過程，原始圖像經(jīng)過圖像處理后，抽取特征并加以分類對(duì)比，以圖像樣本庫(kù)資源作為對(duì)比分析的參考依據(jù)，然后確定物體類型。從本質(zhì)上來講，可以將圖像識(shí)別看作是對(duì)圖像分類與描述進(jìn)行研究的過程。在圖像識(shí)別過程中，在對(duì)圖像中物體進(jìn)行檢測(cè)分離之后，將物體特征提取出來，以形狀、紋理特征等作為提取對(duì)象，一般將圖像處理融入到圖像特征提取環(huán)節(jié)中。待對(duì)比分析明確物體類型后，從結(jié)構(gòu)層面上對(duì)圖像進(jìn)行分析。陜西AI智能智能方案