AI для PHP‑разработчиков. Часть 8: Свёрточные нейронные сети: ищем границы на изображениях с помощью чистого PHP
Это восьмая часть проекта.Часть 7: Экосистема AI‑агентов в PHP — от вызовов OpenAI до мультиагентных платформЧасть 6: Bag of Words и TF‑IDF — как компьютер превращает текст в математикуЧасть 5: От массивов к GPU: как PHP‑экосистема приходит к настоящему MLЧасть 4: Практическое использование TransformersPHPЧасть 3: Практика без Python и data scienceЧасть 2: Собираем простейшую RAG‑систему на PHP с Neuron AI за вечер
Как заставить робота‑уборщика проверять ценники: OrangePi, две камеры и немного «нечистых путей»
Привет, хабр! Решил поделиться интересным опытом по взаимодействию с роботом‑уборщиком вместе с технологиями компьютерного зрения.Представьте обычный продуктовый магазин. Несколько рядов стеллажей, тысячи товаров и примерно столько же ценников. Цены регулярно меняются, и после очередного обновления админ магазина должен убедиться, что на полке действительно висит та цена, которая сейчас находится в учётной системе. Но есть нюанс — проверять всё вручную долго, муторно и скучно.Отсюда возникает довольно очевидная идея: а что, если пустить по магазину робота, который этот процесс автоматизирует?
Анализ волейбольного видео: фиксируем и классифицируем игровые действия
Ранее я рассказывал о своих попытках написать модель для детекции игроков на волейбольной площадке. Следующий шаг — научиться определять, когда игрок касается мяча и какое действие выполняет.Определение касания игрокаПосле того как система научилась находить игроков на площадке, возник следующий вопрос: как автоматически распознавать их игровые действия?Для начала я остановился на четырёх классах:подача — serve;приём — receive;пас — set;атака — attack.
Критерии приемки AI-ML-проекта: как определить качество результата и что закрепить в договоре
В разработке большую часть функционала оценивают бинарно — либо кнопка работает, либо нет. А вот в алгоритмах с нейросетями результат всегда остается вероятностным и зависит от n-го числа параметров.Я Евгений Макутин, ML-инженер в веб-продакшене Далее. В статье расскажу, как договориться о способах измерения качества и условиях, при которых результат AI/ML-решения считается принятым. Главные судьи в оценке качества AI/ML-продуктов — измеримые показатели
Компьютерное зрение on‑premise выше SOTA, весом 4мб и на одном ядре CPU: как «Ночной глаз» превратился во всевидящее око
Вода камень точит. А у нас — не вода.Итак.
Jev 1.14: ищем объекты, проверяем документы и находим кошку среди 96 фотографий
В предыдущей статье я проверял Jev на текстовых задачах: классификации, уверенности ответов, длинном контексте и грязном входе. 14 октября TypeSafe анонсировала Jev 1.14 и открыла экспериментальные возможности: изображения, новый тип вопроса box и расширенный контекст. Захотелось посмотреть, что с их помощью можно сделать на практике и где возникают ошибки.
Как не утопить RTSP в YOLO: real‑time‑конвейер на C++20, Clang и ONNX Runtime
Привет, Хабр! Меня зовут Александр Кудряшов. Более тридцати лет я занимаюсь разработкой систем цифровой обработки сигналов, аудио и видео. В последнее время я создаю собственную платформу видеоаналитики и сравниваю её серверные реализации на C++, Python и Rust. Это моя первая статья: в ней хочу поделиться не обзором готового продукта, а одной конкретной инженерной задачей, возникшей при его разработке.YOLO обрабатывает кадр дольше, чем камера формирует следующий. Если построить видеосервер как последовательность read → motion → YOLO → encode
Компьютерное зрение для контроля качества на линии: гречка, брак и бесплатная платформа для разметки и обучения модели
Всем привет.Сегодня я расскажу, как решал задачу по определению качества крупы гречневой через Computer Vision.Задача состояла в том, что по фото с фотосепаратора (такая штука которая отделяет хорошие зерна от плохих) необходимо определить качество крупы: сколько доброкачественных ядер уходит в некондицию и сколько плохих остается. Размечал и обучал модель я на своем портале picva.ru который доступен всем желающим бесплатно.Зачем это производствуНа производственной линии крупа идет сплошным потоком. Фотосепаратор удаляет зерна, которые считает некондицией (плохими).
Месяцы против дней: анатомия неверного подхода в компьютерном зрении
Embodied AI как хобби. ЧАСТЬ 1Как игровой робот учился видеть доску: подход, который поддавался, детектив с Captum, вечно деревянная доска — и почему самое дорогое знание в прикладном ML не гуглится.Мы с приятелем делаем игрового робота-компаньона для настольных игр. Сейчас он умеет понимать позицию на игровой доске (гомоку, оно же «пять в ряд»), обдумывать ход (самописный аналог AlphaZero) и понимать базовые фразы для сопровождения игры — моделью, которая вместе с эмбеддингами весит меньше 80 мегабайт.
