Глубокое обучение

Как это работает

Модель глубокого обучения — это стек математических слоёв, каждый из которых выполняет простые операции (умножение, активацию), параметры которых настраиваются в процессе обучения:

1. Обучение. Сети показывают миллионы размеченных примеров. Для каждого примера она формирует прогноз, измеряет ошибку и обновляет свои веса с помощью обратного распространения ошибки.
2. Валидация. Отдельные, ранее не встречавшиеся данные проверяют, что модель обобщает, а не запоминает.
3. Инференс. После обучения модель применяет усвоенные веса к новым входным данным в продакшене — как правило, за миллисекунды на кадр.

В компьютерном зрении доминируют свёрточные нейронные сети (CNN) и архитектуры на основе трансформеров.

Почему это важно

Глубокое обучение превратило ранее «сложные» задачи в готовые продукты:

• Распознавание лиц, работающее в масштабе — невозможное с классическими алгоритмами.
• Считывание автомобильных номеров в более чем 100 национальных форматах одним семейством моделей.
• Обнаружение огня и дыма по видеопотоку без датчиков температуры.
• Обнаружение аномалий, которое усваивает нормальное поведение и помечает отклонения без явных правил.

Технология AI-распознавания лиц от IncoreSoft и все остальные модули платформы VEZHA опираются на архитектуры глубокого обучения, обученные на миллионах реальных образцов.

Сценарии применения

• Безопасный город — распознавание лиц, ALPR, обнаружение оружия и огня
• Промышленность — контроль касок и СИЗ, обнаружение падений
• Ритейл — аналитика возраста/пола, тепловые карты, время пребывания
• Транспорт — безбилетный проезд, скопление людей на платформах, классификация транспортных средств
• Логистика — считывание кодов контейнеров UIC, обнаружение грузовиков, оценка позы

Часто задаваемые вопросы

В чём разница между глубоким обучением и машинным обучением?

Машинное обучение включает множество методов (деревья решений, SVM, случайные леса). Глубокое обучение относится именно к нейронным сетям с большим числом слоёв. Глубокому обучению обычно требуется больше данных и вычислительных ресурсов, но оно превосходит классическое ML на неструктурированных данных, таких как изображения и видео.

Сколько данных нужно моделям глубокого обучения?

Обучение с нуля обычно требует от десятков тысяч до миллионов размеченных примеров. На практике большинство продакшен-моделей используют перенос обучения — начиная с предобученной основы и дообучая её на меньшем наборе данных, специфичном для конкретной области.

Требуется ли для глубокого обучения облачный GPU?

Для обучения — да. Для инференса на периферии современные встраиваемые ускорители (Jetson, Hailo, Intel Movidius) и даже оптимизированные CPU справляются с видео в реальном времени. IncoreSoft поддерживает как периферийные, так и облачные развёртывания.