Ես 149 հազար խառը պատկերները վերածեցի օֆլայն ճանաչման համակարգի
Ծրագրավորողը կիսվում է օֆլայն սննդի ճանաչման համակարգ ստեղծելու իր փորձով, որը կարող է նույնականացնել, հաշվել և գնահատել սննդամթերքի որակը բջջային սարքերում: Սկսելով 149,000 պատկերներից բաղկացած հսկայական և անհամապատասխան տվյալների բազայից՝ նախագիծը պահանջում էր տվյալների մանրակրկիտ մաքրում, ներառյալ կրկնօրինակների հեռացում, պղտորության հայտնաբերում և պիտակների ստանդարտացում: YOLOv8n-ի օգտագործմամբ մշակողը հաջողությամբ մարզել է մոդել, որն աշխատում է առանց ամպային կապի: Գործընթացը ներառում էր փորձնական փուլ՝ խողովակաշարը կատարելագործելու համար, որին հաջորդեց մոտ 20,000 մաքրված պատկերների վրա լիարժեք մարզումը: Հիմնական տեխնիկական մարտահրավերները ներառում էին GPU-ի հիշողության կառավարումը, տվյալների բազաներում պիտակավորման տարբեր կոնվենցիաների հետ աշխատելը և մոդելի օպտիմալացումը եզրային սարքերի համար: Հեղինակը շեշտում է տվյալների որակի կարևորությունը քանակի նկատմամբ՝ նշելով, որ համակարգված մաքրումը և նախնական մշակումը ավելի կարևոր էին մոդելի հաջողության համար, քան բուն մարզման ճարտարապետությունը՝ ի վերջո տրամադրելով գործնական ուղեցույց բազմաղբյուր համակարգչային տեսողության տվյալների հետ աշխատող մշակողների համար:
This is a summary. Read the full article at the original source:
Dev.toԿապակցված
GigaChat 3.5-ի փորձարկում. մոդելի հնարավորությունների գնահատումը բիզնես խնդիրներում
Հուլիսին թողարկված և սեպտեմբերից բաց կշիռներով հասանելի դարձած GigaChat 3.5 մոդելը ենթարկվել է լայնածավալ փորձարկման: Հոդվածի հեղինակները իրականացրել…
700 ձեռագիր, 48 ժամ, երեք հրաժարում. Ստուգողը հաղթեց։
OpenAI-ը վերջերս հրապարակեց ավելի քան 700 մաթեմատիկական ապացույցներից բաղկացած հսկայական պահոց, որոնք ստեղծվել են ներքին AI մոդելի կողմից՝ խոստանալով…
Co-op Legal Services-ը բախվել է աշխատակիցների նկատմամբ AI-ի միջոցով հսկողություն իրականացնելու քննադատությանը
Co-op Legal Services-ը ներդրել է արհեստական բանականության վրա հիմնված մոնիտորինգի համակարգ, որը ձայնագրում և գնահատում է աշխատակիցների կողմից կատարվող…