نویسنده (ها): پالک
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
آیا تا به حال فکر کرده اید که چگونه اتومبیل های خودران می توانند تفاوت بین یک عابر پیاده و لامپ را بیان کنند؟ یا چگونه نرم افزار پزشکی می تواند تومورها را با دقت مشخص شناسایی کند؟
پاسخ ممکن است شما را شوکه کند: درک تصویر پیکسل از طریق تقسیم معنایی.
برخلاف سنتی تشخیص شیء، که فقط جعبه ها را ترسیم می کند ، تقسیم بندی معنایی هر پیکسل را در تصویر شما طبقه بندی می کند.
و نتایج؟ هیچ چیز کوتاه از انقلابی نیست.
به تقسیم معنایی به عنوان ارائه دیدگاه فوق بشری رایانه خود فکر کنید.
این فقط اشیاء را نمی بیند – مرزها ، بافت ها و مواد را در سطح پیکسل درک می کند.
این فناوری همه چیز را از وسایل نقلیه خودمختار به تشخیص پزشکی تبدیل می کند.
ابتدا بیایید بسته های لازم را نصب کنیم:
# بسته های مورد نیاز را نصب کنید! ترانسفورماتورهای نصب پیپ مجموعه داده ها ارزیابی شتاب! PIP نصب مشعل مشعل! پیپ نصب matplotlib opencv-python
بعد ، ما کتابخانه های مورد نیاز را وارد می کنیم:
وارد کردن Torchimport numpy به عنوان npimport matplotlib.pyplot به عنوان ترانسفورماتور pltfrom واردات autofeatureextractor ، automodelforsemanticsegmentation از PIL Import ImportSimport Io Import INTIMPORT IO BITESIOIMPORT CV2
عملکرد مدل شما می تواند با سخت افزار مناسب افزایش یابد:
# بررسی کنید که آیا GPU is abledevice = torch.device (“cuda” اگر torch.cuda.is_available () other “cpu”) چاپ (f “با استفاده از دستگاه: {دستگاه}”)
چه اتفاقی می افتد که وقتی این کد را اجرا می کنید ممکن است شما را غافلگیر کند ، به خصوص اگر با زمان استنباط آهسته دست و پنجه نرم کرده اید.
آماده ضربه زدن به هوش مصنوعی است که می تواند بهتر از انسان ها را ببیند؟
# بار یک مدل تقسیم بندی معنایی از پیش آموزش دیده model_name = “nvidia/segformer-b0-finetuned-512-512″# بارگیری ویژگی و modelfeature_extractor = autofeatureExtractor.From_Pretrained (model_name) مدل = movemodeLforsemanticseantication.from_npreation. = model.to (دستگاه)
چه می شود اگر من به شما بگویم یک معماری دستیابی به موفقیت در AI وجود دارد که بهترین دو را از دو… وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی