Нейросеть может обвести кота на фотографии, отделить его шерсть от дивана или описать всю сцену словами. Фотография одна — задачи разные. Начнём с опытов: будем менять входные данные, наблюдать ответы и разбираться, что именно удалось модели. Устройство нейронов подождёт до следующей главы.
Здесь работают готовые обученные модели. Начните с поиска объектов: у него самая небольшая загрузка. Скачивайте только тот пример, который хотите попробовать; фото, звук и ответы обрабатываются на вашем устройстве.
На фотографии можно спросить не только «есть ли кот?», но и «где каждый кот?». Это задача обнаружения объектов. Вход — изображение. Выход — список найденных объектов: для каждого нужны название категории, прямоугольная рамка и оценка уверенности модели.
Попробуйте. Скачайте модель и запустите её на фотографии. Затем откройте «Пример видео». Посмотрите, сохраняются ли номера котов при движении. Можно загрузить собственное фото или видео.
Рамка охватывает объект целиком и обычно захватывает немного фона. Модель ищет категории из своего заранее заданного списка: отсутствие рамки не доказывает, что на снимке ничего нет. Проверьте, все ли заметные объекты найдены и правильно ли подписаны.
В видео сеть заново находит объекты на каждом кадре. Дополнительный алгоритм сопоставляет соседние рамки и присваивает им номера — это отслеживание объектов. При перекрытии или резком движении номера могут перепутаться. Встроенный пример специально прост: движется фотография, а не сами коты. Собственное видео позволяет устроить более трудную проверку.
Для наклейки с котом прямоугольника недостаточно: вместе с ним вырежется диван. Нужен ответ для каждой точки изображения — сохранить её или сделать прозрачной. Задача выделения переднего плана даёт гораздо более точный контур, чем рамка.
Попробуйте. Уберите фон и рассмотрите усы, шерсть и промежуток между котами. Затем откройте свою фотографию: легче ли выделяется предмет на однотонном фоне?
Вход — фотография, выход модели — маска: значения, определяющие, какую долю каждой точки сохранить. По этой маске программа делает фон прозрачным. На сложных краях возможны пропуски и остатки фона. Сеть выбирает заметный передний план; это не инструмент точного выбора любого предмета по вашему указанию.
Сравните этот результат с рамками из прошлого опыта. Обе сети работают с изображением, но отвечают на разные вопросы: «где объект?» и «какие точки оставить?». Именно нужный результат определяет выбор задачи.
Фотография плоская, но мы замечаем, что кот ближе стены, а спинка дивана — дальше его морды. Нейросеть тоже может искать признаки взаимного расположения объектов: перспективу, перекрытия, знакомые формы. Задача называется оценкой глубины.
Попробуйте. Сначала сами назовите самый близкий и самый далёкий участок фотографии. Затем получите карту глубины. Совпало ли ваше предположение с ответом сети?
Вход — один снимок, выход — карта относительной глубины, где каждой точке сопоставлена оценка её удалённости. Такая карта помогает отделять ближний план от дальнего, например для эффекта размытого фона. Это другая задача, чем выделение кота: глубина описывает всю видимую сцену.
Теперь поменяем тип данных. Для распознавания речи на вход поступает звук, а на выходе нужна последовательность слов. Такая модель полезна для субтитров и черновика конспекта. Она должна восстановить произнесённое, включая имена и числа, а не сочинить подходящую по смыслу фразу.
Попробуйте. Откройте и прослушайте русский пример, затем запустите распознавание. После этого запишите короткую фразу с необычным именем или числом. Сверьте расшифровку с тем, что действительно прозвучало.
Плавный и грамматически правильный текст ещё не означает точную расшифровку. На шуме, тишине и непривычных словах модель может пропустить или добавить слова. Проверять результат нужно по записи, особенно если ошибка в имени или числе меняет смысл.
Детектор выдаёт рамки и названия категорий. Но иногда нужен другой ответ: «Что лежит на диване?» или «Чем отличаются два кота?». Здесь работают вместе изображение и язык. Мультимодальная модель получает фотографию и текст вопроса, затем составляет текстовый ответ.
Попробуйте. Попросите описать фотографию одним предложением. Затем включите камеру и спросите, какие предметы видны или что человек держит в руке. Измените сцену и дождитесь следующего ответа. Быстрый вариант отвечает по-английски; для русского есть отдельный компактный вариант. Каждая модель видит отдельные кадры, поэтому ответы обновляются с задержкой, а не на каждом кадре видео.
По внешности нельзя установить, «хороший» человек или «плохой», каков его характер и можно ли ему доверять. Проверяемые вопросы касаются видимых предметов и действий.
Модель может связать изображение с вопросом и сформулировать удобный ответ. Но она также может неверно посчитать предметы или придумать правдоподобную деталь. Сравните её описание с результатом детектора: подпись словами и список рамок имеют разные возможности и разные ошибки.
Языковая модель получает текст и генерирует продолжение. После специального обучения на заданиях и ответах она может выполнять инструкции: сокращать, переводить, объяснять или предлагать названия. В отличие от распознавания речи здесь часто допустимо много разных хороших ответов.
Попробуйте. Придумайте названия для кружка, затем попросите сократить готовый абзац. В первом случае оцените выразительность, во втором — сохранился ли смысл и не добавились ли новые сведения.
Для сравнения ниже есть более крупная модель. Дайте ей точно то же задание и заранее выберите критерий: соблюдение ограничения, точность пересказа или удачность названий. Размер модели сам по себе не определяет победителя в конкретном опыте. Скачивание второго варианта необязательно.
Во всех этих опытах мы применяли готовые сети: загрузка фотографии или новый вопрос меняют вход, но не обучают модель заново. Это позволяет использовать одну обученную сеть много раз, для разных примеров подходящей ей задачи.
Задачу определяют вход, нужный выход и критерий качества: рамка, маска, глубина и текст требуют разных проверок.
При обучении меняются настройки сети. При применении готовая сеть получает новые входные данные.
Правдоподобный результат нужно сверять с изображением, записью или условиями задания.
Домашняя работа
Источники
- TensorFlow.js: задачи и браузерные примеры
- Google Teachable Machine: обучение собственным примерам
- Карточка конкретной модели и её лицензия доступны под каждым опытом, в пункте «О модели и ограничениях».