I migliori strumenti di riconoscimento delle immagini a confronto nel
Abbiamo valutato le prestazioni reali dei migliori strumenti di riconoscimento di immagini cloud per attività di rilevamento di oggetti, confrontando le loro configurazioni API predefinite in 5 classi utilizzando 100 immagini. Ciò ha incluso il confronto delle prestazioni, l'analisi delle funzionalità e il confronto delle offerte di servizi in relazione ai prezzi.
Risultati di riferimento
Panoramica delle prestazioni con IoU=0,5
Le metriche di prestazione di tre piattaforme di riconoscimento delle immagini sono state valutate con una soglia di Intersection over Union (IoU) di 0,5, confrontando i valori di mAP, punteggio F1, recall e precisione. Sebbene tutte le piattaforme abbiano raggiunto tassi di precisione superiori all'89%, questa metodologia di valutazione ha rivelato differenze notevoli nelle loro prestazioni di recall e in altre metriche di valutazione.
La mAP (precisione media) è la principale metrica di valutazione da considerare per le attività di rilevamento di oggetti, in quanto fornisce una misura completa della qualità del rilevamento su diverse soglie di confidenza e classi di oggetti.
Puoi leggere ulteriori informazioni sulle metriche .
Precisione media per classe (AP) a IoU=0,5
Amazon Rekognition, Cloud Vision e Azure AI Vision dimostrano tutti buone capacità di rilevamento delle persone, ma faticano nell'identificazione dei dispositivi di protezione. La precisione diminuisce significativamente per i caschi su tutte le piattaforme.
Mentre Amazon e Google mostrano una bassa precisione nel rilevamento di guanti e cappelli, Microsoft Azure AI Vision raggiunge una precisione dello 0% per entrambe le categorie. È importante notare che Azure AI Vision non rileva oggetti di piccole dimensioni (meno del 5% dell'immagine) o disposti vicini tra loro, il che potrebbe contribuire alla bassa precisione osservata nel rilevamento di guanti e cappelli. 1
Nessuno dei servizi è in grado di rilevare correttamente le maschere (precisione dello 0%), evidenziando una grave lacuna nelle loro capacità di riconoscimento degli oggetti quando vengono utilizzati con le impostazioni predefinite, senza etichette personalizzate.
Puoi leggere ulteriori informazioni sui limiti del riconoscimento delle immagini .
mAP a diverse soglie IoU [0,5:0,05:0,95]
Le prestazioni di precisione media (mAP) di Amazon Rekognition, Google Cloud Vision e Microsoft Azure AI Vision variano significativamente all'aumentare delle soglie di Intersection over Union (IoU) da 0,5 a 0,95. Amazon Rekognition mantiene prestazioni più elevate in tutto l'intervallo di valutazione, mentre tutti e tre i servizi mostrano il previsto calo di precisione man mano che i criteri di rilevamento diventano più stringenti.
Potenziali fattori che potrebbero influenzare le differenze di prestazione
Le differenze nei risultati dei benchmark tra Amazon Rekognition, Google Cloud Vision e Microsoft Azure AI Vision possono essere spiegate da diversi fattori interconnessi legati alla progettazione del modello, all'orientamento del prodotto e alla metodologia di valutazione. Queste differenze non riflettono necessariamente la superiorità complessiva del modello, ma piuttosto il modo in cui ciascun servizio è ottimizzato ed esposto tramite le API predefinite.
Modello di formazione, focus e ambito del prodotto
- Amazon Rekognition include funzionalità specifiche relative ai DPI (Dispositivi di Protezione Individuale), che probabilmente si traducono in una migliore copertura della formazione e in una rappresentazione più accurata di oggetti come caschi e guanti.
- Google Cloud Vision e Azure AI Vision danno priorità alle attività generali di comprensione delle immagini (ad esempio, OCR, punti di riferimento, marchi, rilevamento web), rendendo i DPI e oggetti simili secondari nei loro obiettivi di addestramento.
- Queste differenze sono in linea con il mAP più elevato di Amazon Rekognition e con le sue prestazioni più stabili anche con soglie IoU più rigorose.
Configurazione API predefinita e compromessi tra precisione e richiamo.
- Tutti i servizi sono stati valutati utilizzando le impostazioni predefinite, che in genere privilegiano un'elevata precisione per ridurre al minimo i falsi positivi.
- Questa scelta progettuale porta a punteggi di precisione elevati tra i vari fornitori, ma a un richiamo significativamente inferiore, soprattutto per gli oggetti meno evidenti.
- L'impatto è più evidente nelle metriche sensibili al ricordo, come AP e mAP.
Limitazioni nel rilevamento di piccoli oggetti
- Oggetti come guanti, cappelli ed elmetti spesso occupano una piccola porzione dell'immagine, il che rende difficile rilevarli in modo affidabile.
- Il sottocampionamento e la variabilità di scala nelle reti neurali convoluzionali riducono la sensibilità ai dettagli più fini.
- Azure AI Vision, che secondo quanto documentato ha prestazioni inferiori su oggetti piccoli o ravvicinati, mostra il degrado più pronunciato in queste categorie.
Mappatura della tassonomia delle etichette e della valutazione
- Le etichette specifiche di ciascun fornitore dovevano essere mappate su una tassonomia unificata di riferimento.
- Le rilevazioni valide effettuate utilizzando etichette non corrispondenti o più granulari potrebbero essere state escluse dalla valutazione.
- Questo processo di mappatura può influire negativamente sulla sensibilità e sulla precisione media senza indicare un vero e proprio fallimento del rilevamento.
Assenza di rilevamento della maschera
- Nessuno dei servizi valutati espone etichette di oggetti relative alle maschere nelle proprie API predefinite.
- Di conseguenza, tutti i fornitori hanno registrato una precisione dello 0% per le maschere, il che riflette una limitazione strutturale dell'API piuttosto che una debolezza comparativa.
Sensibilità dell'IoU e qualità di localizzazione
- Le differenze di prestazioni aumentano a soglie IoU più elevate, dove è richiesto un allineamento più rigoroso del riquadro di delimitazione.
- Amazon Rekognition mantiene un mAP relativamente più elevato a queste soglie, il che suggerisce una maggiore precisione nella localizzazione.
Metodologia
Abbiamo testato le prestazioni standard (ovvero, senza etichettatura personalizzata) di questi fornitori in casi reali.
Abbiamo utilizzato 100 immagini. Abbiamo ridimensionato le immagini a 512×512 pixel, preservando le regioni essenziali contenenti le istanze, poiché il dataset originale presentava dimensioni variabili.
Vogliamo ripetere questo test senza che i fornitori addestrino le loro soluzioni sul dataset. Pertanto, non divulgheremo il dataset utilizzato per questo benchmark.
Abbiamo elaborato le risposte provenienti dalle API dei fornitori di servizi nel seguente modo:
- Abbiamo mappato le etichette dei fornitori di servizi alle categorie di riferimento definite nella tabella precedente. Le etichette dei fornitori di servizi che non corrispondevano a queste categorie di riferimento sono state escluse dalla valutazione.
- formati di bounding box normalizzati da diversi fornitori
- IoU calcolato tra le caselle previste e quelle reali
- previsioni abbinate alla verità reale in base alla soglia IoU
- Metriche calcolate: precisione, richiamo, F1 e AP per categoria
- mAP calcolato in stile COCO utilizzando soglie 0,5-0,95
Un esempio di calcolo di IoU, precisione, richiamo e F1 è riportato nella figura seguente:
Metriche di benchmarking
Precisione
La precisione misura l'accuratezza delle previsioni positive effettuate dal modello. Nel riconoscimento di immagini, per una data classe (ad esempio, "persona"), risponde alla domanda: "Di tutte le immagini che il modello ha etichettato come contenenti una persona, quante lo sono effettivamente?". Questo è fondamentale in scenari in cui i falsi positivi (etichettare erroneamente un'immagine come positiva) sono costosi.
Richiamo
Il recall misura la completezza delle previsioni positive, rispondendo alla domanda: "Di tutte le immagini che effettivamente contengono la classe, quante ne ha identificate correttamente il modello?". Questo è fondamentale quando la mancata individuazione di un caso positivo (falso negativo) è critica.
Punteggio F1
Il punteggio F1 è la media armonica di precisione e richiamo, e fornisce una misura bilanciata particolarmente utile in presenza di una distribuzione non uniforme delle classi (ad esempio, poche immagini di caschi rispetto a immagini di persone senza casco). Si tratta di un'unica metrica che cattura sia i falsi positivi che i falsi negativi.
mappa
mAP, o precisione media, è una metrica utilizzata principalmente nei compiti di rilevamento di oggetti nel riconoscimento di immagini. Valuta l'accuratezza del modello su diverse classi calcolando la media della precisione media (AP) di ciascuna classe. L'AP stessa è l'area sottesa alla curva precisione-richiamo, generata variando la soglia di confidenza per i rilevamenti.
Questo strumento interattivo consente di confrontare i risultati di rilevamento tra diversi fornitori utilizzando immagini di esempio tratte dal dataset. Utilizzare i pulsanti in alto per selezionare Amazon, Google, Microsoft o tutti i fornitori. Attivare o disattivare la verità di base con la casella di controllo. Navigare tra le immagini di test utilizzando i pulsanti numerati a sinistra. I riquadri colorati mostrano ogni rilevamento con i relativi punteggi di confidenza.
Le migliori API per il riconoscimento delle immagini
Riconoscimento Amazon
Amazon Rekognition offre funzionalità avanzate di riconoscimento delle immagini per l'analisi di immagini e dati visivi con funzioni di rilevamento e riconoscimento facciale. Offre classificazione delle immagini, rilevamento di oggetti e tag delle immagini per l'analisi dei contenuti tramite intelligenza artificiale.
Amazon Rekognition si integra con i servizi AWS, tra cui S3, e SageMaker, supportando l'addestramento di modelli personalizzati per sviluppare i propri modelli personalizzati. Le loro offerte sono suddivise in funzionalità del Gruppo 1 e del Gruppo 2:
- Le funzionalità del Gruppo 1 si concentrano sul rilevamento dei volti (CompareFaces, IndexFaces, SearchFaces) per la verifica dell'identità e l'ispezione visiva dei dati facciali.
- Le funzionalità del Gruppo 2 offrono analisi dei contenuti tramite moderazione, riconoscimento di celebrità, rilevamento del testo e rilevamento di DPI per i dati delle immagini, con elaborazione delle immagini che preserva la qualità dell'immagine.
Google Cloud Vision
Google Cloud Vision offre la comprensione delle immagini con funzionalità avanzate di riconoscimento delle immagini per analizzare le immagini ed estrarre dati visivi. La sua tecnologia OCR è in grado di identificare ed estrarre testo in più lingue, consentendo il supporto multilingue per contenuti diversi.
Il servizio funziona con i servizi della piattaforma cloud come Cloud Storage, BigQuery e Workspace, supportando diversi linguaggi di programmazione per l'integrazione. L'offerta di Cloud Vision comprende:
- Le funzionalità principali includono il riconoscimento ottico dei caratteri, il filtraggio dei contenuti, il rilevamento di oggetti per l'ispezione visiva, l'annotazione delle immagini e il rilevamento di punti di riferimento, loghi e celebrità.
- Tra le funzionalità aggiuntive figurano il rilevamento web per trovare immagini correlate online, modelli di apprendimento automatico personalizzati per analisi specializzate e il supporto per un'ampia gamma di tipi di file per immagini di diversa qualità.
Microsoft Azure AI Vision
Azure AI Vision offre funzionalità di analisi delle immagini per analizzare le immagini ed estrarre dati visivi. Offre il riconoscimento ottico dei caratteri (OCR) con supporto multilingue per l'elaborazione di testi in più lingue.
Parte di Azure Cognitive Services, si integra con Azure Storage, Azure Functions e Power Platform. Microsoft suddivide le sue offerte in funzionalità del Gruppo 1 e del Gruppo 2:
- Le funzionalità del Gruppo 1 si concentrano sul rilevamento di elementi visivi per classificare le immagini, inclusi volti, oggetti, marchi, punti di riferimento e ritagli di immagini.
- Il Gruppo 2 offre funzioni di descrizione delle immagini, lettura del testo e generazione di didascalie compatibili con diverse lingue.
Microsoft offre anche la rimozione dello sfondo (anteprima), un servizio gratuito separato che utilizza l'elaborazione avanzata delle immagini per rimuovere automaticamente gli sfondi dalle immagini.
Caratteristiche distintive dei fornitori di servizi
Panoramica dei prezzi delle API
Edge computing nel riconoscimento delle immagini
Il riconoscimento delle immagini tradizionale si basa su server cloud. Si acquisisce un'immagine, la si carica sui data center di AWS o di Google, si attende l'elaborazione e si ricevono i risultati. L'edge computing esegue i modelli di intelligenza artificiale direttamente sul dispositivo che acquisisce l'immagine, eliminando il passaggio di dati verso server distanti.
Come funziona l'edge computing
Il cambiamento fondamentale riguarda la posizione del "cervello" del sistema di riconoscimento delle immagini. Nelle architetture cloud, le telecamere intelligenti sono essenzialmente semplici raccoglitori di dati. Acquisiscono i fotogrammi e inviano tutto a monte per l'analisi. L'intelligenza risiede in data center remoti.
L'edge computing ribalta questo modello. La telecamera stessa diventa intelligente, dotata di processori in grado di eseguire reti neurali localmente. Invece di trasmettere video grezzi, questi dispositivi analizzano ciò che vedono sul posto e comunicano solo le informazioni rilevanti: un avviso che indica il rilevamento di una persona, una notifica di scorte in esaurimento o un indicatore di un difetto riscontrato in un prodotto.
Non si tratta semplicemente di velocità. È un ripensamento fondamentale dell'architettura di sistema, che passa dal "catturare tutto e analizzare in seguito" al "analizzare immediatamente e segnalare solo ciò che conta".
Perché è importante per il riconoscimento delle immagini
Velocità: l'intelligenza artificiale edge elabora i dati nel luogo in cui vengono generati, consentendo un processo decisionale in una frazione di secondo. I veicoli autonomi e i robot industriali non possono permettersi di aspettare i tempi di andata e ritorno del cloud. Hanno bisogno di risultati abbastanza rapidi da poter agire immediatamente.
Privacy: l'elaborazione locale significa che i dati sensibili non necessitano di server remoti. Le radiografie ospedaliere rimangono in ospedale, i filmati di vendita al dettaglio rimangono nel negozio. Questo è fondamentale per la conformità al GDPR e alle normative sulla privacy.
Efficienza dei costi: l'edge computing elimina l'invio di immagini complete ai server centrali. Vengono trasmesse solo le informazioni essenziali. Invece di trasmettere in streaming ore di video al cloud, i dispositivi inviano solo avvisi o metadati pertinenti.
Affidabilità: i sistemi continuano a funzionare anche in caso di guasto della rete. I dispositivi periferici operano in modo indipendente, garantendo la continuità operativa a prescindere dalla connettività Internet. Questo è fondamentale per i sistemi di sicurezza e le applicazioni industriali.
Trasformatori di visione nel riconoscimento delle immagini
Il riconoscimento delle immagini richiede la comprensione del contesto, ovvero la capacità di riconoscere come elementi distanti all'interno di un'immagine siano correlati tra loro. I modelli tradizionali elaborano le immagini pixel per pixel, scansionando piccole aree e costruendo gradualmente la comprensione attraverso diversi livelli. I Vision Transformer, invece, dividono le immagini in porzioni di dimensioni fisse (come blocchi di 16×16 pixel) e analizzano tutte le porzioni simultaneamente per acquisire il contesto globale dal primo livello di elaborazione.
Questo cambiamento è fondamentale per la precisione. Invece di elaborare i singoli pixel in modo isolato, ViT esamina simultaneamente la relazione tra tutte le porzioni di immagine. Nell'imaging medico, ViT correla sottili cambiamenti in un'area di tessuto con anomalie in parti distanti, identificando pattern che potrebbero apparire benigni se considerati singolarmente.
Gli strumenti di riconoscimento delle immagini cloud che abbiamo analizzato si basano ancora principalmente su modelli CNN per l'implementazione in produzione. Queste architetture collaudate offrono un rilevamento e una classificazione degli oggetti affidabili nella maggior parte dei casi d'uso. Tuttavia, con l'evoluzione dei modelli di visione , stanno emergendo approcci ibridi che combinano l'efficienza tradizionale con la comprensione globale basata su Transformer per attività che richiedono un contesto completo dell'immagine.
Modelli di trasformazione della visione per il riconoscimento delle immagini
Google Vision Transformer (ViT) : Il modello Vision Transformer originale addestrato su ImageNet per la classificazione delle immagini. Disponibile tramite Hugging Face con versioni pre-addestrate pronte per l'implementazione o la messa a punto.
Trasformatore Swin : utilizza l'elaborazione gerarchica e il meccanismo della finestra traslata per comprendere sia il contesto globale dell'immagine che i dettagli locali. Funziona bene per il rilevamento di oggetti e la segmentazione delle immagini.
DINOv2 (Meta AI) : Modello auto-supervisionato che apprende da immagini non etichettate senza bisogno di annotazioni umane. Produce rappresentazioni di immagini che funzionano in diverse attività di riconoscimento.
Segment Anything Model (SAM) : utilizza ViT per identificare e separare gli oggetti nelle immagini. È in grado di riconoscere e segmentare oggetti per i quali non è stato specificamente addestrato.
Casi d'uso del software di riconoscimento delle immagini
Nel panorama digitale odierno, le tecnologie di visione artificiale ed elaborazione delle immagini hanno trasformato il modo in cui le aziende sfruttano i dati visivi. Algoritmi avanzati di classificazione delle immagini consentono la creazione di sofisticati strumenti di riconoscimento delle immagini che stanno rimodellando le operazioni in tutti i settori.
Queste tecnologie di riconoscimento delle immagini combinano potenti approcci di addestramento dei modelli con interfacce intuitive che consentono agli utenti di automatizzare attività visive complesse. Dalle soluzioni di visione personalizzate per esigenze aziendali specifiche ai sistemi di riconoscimento facciale per la sicurezza, questi strumenti sono in grado di identificare modelli, oggetti e caratteristiche all'interno delle immagini.
Ispezione visiva
Il riconoscimento delle immagini consente l'ispezione visiva automatizzata in molteplici settori. Questi sistemi identificano gli oggetti, rilevano le caratteristiche e verificano la compatibilità analizzando i dati visivi.
Ad esempio, Chamberlain Group ha implementato Amazon Rekognition nella sua app myQ, consentendo agli utenti di acquisire automaticamente immagini del proprio apriporta da garage per verificarne la compatibilità. Questa soluzione semplificata ha sostituito un complesso processo manuale e ha aumentato significativamente il tasso di connessione degli utenti. 2
Elaborazione dei documenti
La tecnologia OCR estrae il testo da immagini e documenti, automatizzando l'inserimento dei dati in diverse lingue. I sistemi moderni sono in grado di elaborare testi scritti a mano e layout complessi, trasformando i flussi di lavoro cartacei e rendendo i documenti ricercabili.
Ad esempio, il gruppo assicurativo francese LSA Courtage utilizza l'API Cloud Vision Google per riconoscere il testo dalle patenti di guida e dai documenti di immatricolazione. Questa implementazione OCR ha ridotto i tempi di elaborazione dei documenti del 45% per pagina e ha aumentato la produttività degli assicuratori del 20%, consentendo loro di elaborare 1.500 documenti al giorno. 3
È possibile consultare il nostro benchmark OCR per verificare l'accuratezza dei vari strumenti OCR per diverse tipologie di documenti.
Monitoraggio agricolo
Gli agricoltori utilizzano le immagini riprese dai droni con riconoscimento ottico dei caratteri per monitorare la salute delle colture, individuare le malattie e ottimizzare l'irrigazione. Identificando le aree di stress delle colture prima che compaiano sintomi visibili, gli agricoltori possono intervenire tempestivamente e ridurre il consumo di risorse.
Ad esempio, il progetto FarmBeats (ora Azure Data Manager for Agriculture) di Microsoft utilizza sensori, droni e apprendimento automatico per consentire un'agricoltura basata sui dati in ambienti con connettività internet e alimentazione elettrica limitate. Il sistema contribuisce ad aumentare la produttività agricola e a ridurre i costi combinando i dati visivi con la conoscenza che gli agricoltori hanno dei loro terreni. 4
Sicurezza e sorveglianza
I sistemi di sicurezza utilizzano il riconoscimento facciale e il rilevamento di oggetti per identificare le attività, controllare gli accessi e localizzare le persone. Questi sistemi monitorano i flussi video e allertano il personale in caso di minacce. Ad esempio, Sun Finance utilizza Amazon Rekognition per verificare l'identità dei clienti confrontando i selfie con i documenti d'identità, velocizzando la verifica e prevenendo le frodi, ampliando al contempo l'inclusione finanziaria. 5
Moderazione dei contenuti
Le piattaforme di social media utilizzano il riconoscimento e la didascalia delle immagini per filtrare i contenuti inappropriati. Questi sistemi identificano rapidamente le immagini problematiche, generano automaticamente didascalie descrittive per l'analisi dei contenuti e consentono di moderare i contenuti generati dagli utenti su larga scala.
Ad esempio, CoStar Group utilizza Amazon Rekognition per la moderazione dei contenuti e l'analisi video di circa 150.000 immagini e video caricati quotidianamente sulla propria piattaforma immobiliare commerciale. Questa soluzione di moderazione dei contenuti analizza le immagini, classifica i contenuti, rileva il materiale indesiderato e sfrutta la tecnologia di didascalia delle immagini per comprenderne il contesto, risparmiando tempo e garantendo al contempo conformità e dati di alta qualità. 6
Puoi leggere ulteriori informazioni sulle applicazioni del riconoscimento delle immagini .
Limitazioni della tecnologia di riconoscimento delle immagini
Riduzione dei dettagli negli oggetti di piccole dimensioni
Quando gli oggetti appaiono piccoli nelle immagini, contengono un numero inferiore di pixel, con conseguente limitazione dei dati visivi. Inoltre, le reti neurali convoluzionali (CNN) tendono a perdere importanti dettagli fini durante l'elaborazione tramite i livelli di sottocampionamento, il che ostacola significativamente le capacità di rilevamento.
Rilevamenti mancati
I sistemi di riconoscimento delle immagini tendono a privilegiare gli oggetti di grandi dimensioni sia nella fase di addestramento che in quella di analisi, con conseguente maggiore frequenza di oggetti di piccole dimensioni non rilevati o di falsi negativi.
Interferenze di fondo
Gli oggetti più piccoli sono più vulnerabili all'oscuramento da parte del rumore visivo, degli elementi di disturbo sullo sfondo o della sovrapposizione di altri elementi, il che ne rende più difficile l'identificazione precisa. Anche un'occlusione parziale può influire in modo sproporzionato sugli oggetti di piccole dimensioni, poiché questi hanno fin dall'inizio una superficie meno distinguibile.
Variabilità della scala
Gli oggetti che appaiono a distanze o scale diverse rappresentano una difficoltà per i modelli non specificamente progettati per rilevare dettagli fini su oggetti di dimensioni variabili.
Requisiti computazionali
Le tecniche per migliorare il rilevamento di piccoli oggetti, come l'estrazione di caratteristiche multiscala o l'utilizzo di input ad alta risoluzione, richiedono una maggiore potenza di elaborazione, limitandone l'applicabilità in tempo reale.
Pregiudizio di formazione
Spesso i dataset non rappresentano adeguatamente gli oggetti di piccole dimensioni o non dispongono di annotazioni sufficienti per descriverli, riducendo la generalizzazione del modello a tali casi in scenari reali.
FAQ
Il software di riconoscimento delle immagini è un tipo di tecnologia di visione artificiale che utilizza algoritmi di apprendimento automatico per analizzare dati non strutturati come immagini digitali e video. Va oltre la semplice identificazione di oggetti specifici; i sistemi più avanzati mirano alla comprensione della scena, interpretando il contesto e le relazioni all'interno di un'immagine per fornire un'analisi più completa. Ciò consente ai computer di vedere e classificare le informazioni visive in modo efficace.
Non esiste un singolo software di riconoscimento immagini o di visione artificiale che sia universalmente il migliore. La scelta ideale tra le tecnologie di riconoscimento immagini dipende dalle esigenze specifiche. È necessario considerare fattori come la precisione richiesta, il tipo di attività da svolgere (come il rilevamento di oggetti o l'OCR, e persino la necessità di integrazione con l'elaborazione del linguaggio naturale per attività che combinano la comprensione delle immagini con l'analisi del testo), la facilità d'uso, la scalabilità, il budget, le opzioni di personalizzazione e le competenze tecniche del team. Sperimentare diverse opzioni è il modo migliore per trovare le tecnologie di riconoscimento immagini che offrono le funzionalità di visione artificiale più adatte alla propria applicazione.
Sebbene il riconoscimento delle immagini sia migliorato significativamente, la precisione non è garantita. I fattori che influenzano le prestazioni includono la qualità dell'immagine (illuminazione, risoluzione), la complessità della scena, le variazioni nell'aspetto degli oggetti e la qualità dei dati di addestramento utilizzati per gli algoritmi di apprendimento profondo. Raggiungere una solida comprensione della scena e rilevare con precisione oggetti specifici può essere difficile in presenza di dati visivi complessi o rumorosi.
Collegamenti di riferimento
Sii il primo a commentare
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori.