Поведенческий ИИ делает компьютерное зрение более эффективным

Многие годы инновации в области компьютерного зрения были сосредоточены на таких задачах, как обнаружение объектов — распознавание объектов, например собак или машин, на изображениях и видео. Эти подходы сделали возможными приложения в таких сферах, как беспилотные автомобили, производство и здравоохранение.

Однако такие задачи часто сводятся лишь к тому, чтобы определить, что перед нами за объект. А что, если системы ИИ в компьютерном зрении могли бы пойти дальше? Например, вместо того чтобы просто обнаруживать собаку, система могла бы понять, что собака гонится за мячом, или что автомобиль резко тормозит, потому что дорогу переходит пешеход. Этот переход от простого распознавания к контекстуальному пониманию знаменует собой важный сдвиг в сторону более интеллектуального, контекстно-зависимого поведенческого ИИ.

На YOLO Vision 2024 (YV24), ежегодном гибридном мероприятии компании Ultralytics, посвященном достижениям в области визуального ИИ, концепция анализа поведения на основе ИИ заняла центральное место во время интересного выступления Дэвида Скотта, генерального директора The Main Branch.

В своем выступлении Дэвид рассказал о переходе от базовых задач компьютерного зрения к поведенческому отслеживанию. Обладая более чем 25-летним опытом создания передовых технологических приложений, он продемонстрировал влияние этого качественного скачка. Он подчеркнул, как расшифровка паттернов и моделей поведения меняет такие отрасли, как сельское хозяйство и защита животных.

В этой статье мы рассмотрим основные моменты выступления Дэвида и узнаем, как поведенческое отслеживание делает ИИ более практичным.

Понимание проблем внедрения ИИ#

Дэвид Скотт начал свою основную речь со смелой констатации фактов: «Один мой коллега часто говорит: „Наука не продается“, что немного задевает многих из нас, потому что мы действительно любим науку. ИИ — это очень круто, почему бы людям просто не купить его? Но реальность такова, что люди не хотят покупать его только потому, что мы считаем его крутым; им нужна причина для покупки».

Он продолжил и объяснил, что в его компании, The Main Branch, всегда сосредоточены на решении реальных проблем с помощью ИИ, а не просто на демонстрации его возможностей. Множество клиентов приходят с желанием поговорить о том, как они могут использовать ИИ в целом, но он считает это подход обратным — это все равно что иметь решение без проблемы. Вместо этого они работают с клиентами, которые приносят конкретные задачи, чтобы создавать решения на базе ИИ, которые действительно меняют дело к лучшему.

Рис. 1. Дэвид Скотт на сцене YV24.

Дэвид также отметил, что их работа часто выходит за рамки простого распознавания объектов в кадре. Обнаружение того, что находится перед нами, — это лишь первый шаг. Настоящая ценность заключается в том, чтобы понять, что делать с этой информацией, и сделать ее полезной в рамках более широкой цепочки создания стоимости.

Технология поведенческого отслеживания: ключ к практичному ИИ#

Жизненно важный шаг на пути к тому, чтобы сделать ИИ по-настоящему полезным, — это выход за рамки базовых задач компьютерного зрения, таких как обнаружение объектов, и использование этих аналитических данных для поведенческого отслеживания. Дэвид подчеркнул, что поведенческий ИИ ориентирован на понимание действий и паттернов, а не просто на идентификацию объектов. Это позволяет ИИ распознавать значимые события и предоставлять полезные аналитические данные.

Он привел пример животного, катающегося по полу, что может указывать на болезнь. Хотя люди не могут круглосуточно следить за животным, системы видеонаблюдения на базе ИИ с возможностями поведенческого отслеживания могут это делать. Такие решения могут непрерывно мониторить объекты, обнаруживать определенные поведения, отправлять оповещение и позволять вовремя принять меры. Это превращает «сырые» данные во что-то практичное и ценное.

Дэвид также показал, что такой подход делает ИИ не просто интересным, а по-настоящему эффективным. Решая реальные проблемы, такие как отслеживание поведения и реагирование на него, поведенческий мониторинг может стать ключевой частью эффективных решений на базе ИИ в различных отраслях.

Воплощение поведенческого ИИ в жизнь#

Затем Дэвид Скотт проиллюстрировал, как Ultralytics YOLOv8, модель компьютерного зрения, стала прорывом для проектов его команды по поведенческому отслеживанию. Она дала им прочную основу для обнаружения, классификации и отслеживания объектов. Его команда также пошла дальше и настроила YOLOv8 под свои нужды, чтобы сосредоточиться на мониторинге поведения с течением времени, сделав модель более практичной и полезной для реальных ситуаций.

Интересно, что с выходом Ultralytics YOLO11 такие решения, как те, что созданы в The Main Branch, могут стать еще более надежными и точными. Эта новейшая модель предлагает такие функции, как улучшенная точность и более быстрая обработка, которые расширяют ее возможности по отслеживанию поведения. Мы обсудим это подробнее после того, как лучше разберемся в областях применения поведенческого ИИ.

Далее давайте разберем решения, о которых говорил Дэвид, и то, как технология поведенческого отслеживания используется в реальных приложениях для решения повседневных задач и оказания значимого влияния.

HerdSense с анализом поведения на базе ИИ#

Сначала Дэвид поделился захватывающим проектом под названием HerdSense, с которым они столкнулись. Он включал мониторинг здоровья тысяч коров на огромной откормочной площадке. Цель заключалась в отслеживании поведения каждой коровы для выявления потенциальных проблем со здоровьем. Это означало, что нужно было следить за десятками тысяч животных одновременно, и это была непростая задача.

Рис. 2. Проект HerdSense был сосредоточен на мониторинге и идентификации коров с помощью поведенческого ИИ.

Чтобы начать решать проблему идентификации каждой коровы и отслеживания ее поведения, команда Дэвида провела двухдневный семинар, на котором описала все возможные виды поведения, требующие контроля. В общей сложности они выявили более 200 типов поведения.

Каждый из 200 типов поведения зависел от способности точно распознавать отдельных коров, поскольку все данные должны были быть привязаны к конкретным животным. Одной из главных проблем было отслеживание коров, когда они сбивались в стадо, из-за чего было трудно увидеть отдельных особей.

Команда Дэвида разработала систему компьютерного зрения, чтобы гарантировать, что каждая корова постоянно идентифицируется, даже в сложных ситуациях. Им удалось подтвердить, что за одной и той же коровой всегда закрепляется один и тот же ID, даже если она пропадала из виду, смешивалась с другими или появлялась снова позже.

Мониторинг здоровья лошадей с помощью компьютерного зрения#

Двигаясь дальше, Дэвид представил другой увлекательный проект, в котором они применили аналогичные методы поведенческого отслеживания для мониторинга лошадей. В этом проекте команде Дэвида не нужно было отслеживать индивидуальные ID лошадей так пристально, как они делали это с коровами. Вместо этого они сосредоточились на конкретных поведенческих проявлениях и отслеживали такие детали, как пищевые привычки и общий уровень активности, чтобы вовремя выявлять любые проблемы со здоровьем. Выявление незначительных изменений в поведении может привести к более быстрому вмешательству для обеспечения лучшего ухода и предотвращения проблем до того, как они станут серьезными.

Рис. 3. Мониторинг лошадей с помощью поведенческого ИИ.

Почему поведенческий ИИ не так прост, как кажется#

Дэвид также обсудил сложность поведенческого отслеживания на интригующем примере. Изучая способы улучшения анализа поведения, его команда столкнулась с компанией, которая утверждала, что способна обнаруживать кражи в магазинах путем анализа определенных поз, например, когда кто-то держит руку в кармане. Сначала это казалось умной идеей — определенные движения могут указывать на подозрительное поведение, верно?

Рис. 4. Понимание сложностей технологии поведенческого отслеживания.

Однако, углубившись в тему, Дэвид осознал ограничения этого метода. Одна поза, например рука в кармане, не обязательно означает, что кто-то совершает кражу. Это может просто означать, что человек расслаблен, о чем-то задумался или даже замерз. Проблема фокусировки на изолированных позах в том, что она игнорирует более широкий контекст. Поведение — это не просто отдельное действие, это паттерн действий во времени, сформированный контекстом и намерением.

Дэвид подчеркнул, что истинное поведенческое отслеживание гораздо сложнее и требует комплексного подхода. Речь идет об анализе последовательностей действий и понимании того, что они означают в более широкой картине. Хотя индустрия ИИ делает успехи, он отметил, что предстоит еще много работы по развитию поведенческого отслеживания для получения значимых и точных результатов.

Создание более умных моделей ИИ для распознавания действий#

Впоследствии Дэвид показал аудитории закулисье и продемонстрировал, как его команда создала решение компьютерного зрения для мониторинга здоровья коров с помощью Ultralytics YOLOv8 и его возможностей оценки позы.

Они начали с создания пользовательского набора данных для оценки позы коровы, увеличив стандартное количество ключевых точек с 17 до 145, чтобы сделать модель лучше в анализе движений. Затем модель была обучена на огромном наборе данных, содержащем более 2 миллионов изображений и 110 миллионов примеров поведения.

Используя передовую аппаратную инфраструктуру, команда Дэвида смогла обучить модель всего за два дня вместо недель, которые потребовались бы на обычном оборудовании. Обученная модель была затем интегрирована с кастомным трекером поведения, который анализировал несколько видеокадров одновременно для обнаружения паттернов в действиях коров.

Результатом стало решение на базе ИИ, которое может обнаруживать и отслеживать восемь различных видов поведения коров, таких как еда, питье и лежание, чтобы заметить незначительные изменения, которые могут сигнализировать о проблемах со здоровьем. Это позволяет фермерам действовать быстро и улучшает управление стадом.

Путь вперед для поведенческого ИИ#

Дэвид завершил свое выступление, поделившись важным уроком с аудиторией: «Если вы не даете ИИ права на ошибку, вы обрекаете себя на неудачу, потому что в конечном итоге все это статистика». Он отметил, что ИИ, несмотря на свои сильные стороны, не безупречен. Это инструмент, который учится на паттернах, и всегда будут ситуации, когда он ошибается. Вместо того чтобы бояться этих ошибок, ключ к успеху — создавать системы, которые могут их обрабатывать и продолжать совершенствоваться со временем.

Это справедливо и в отношении самих моделей компьютерного зрения. Например, Ultralytics YOLO11, последняя версия моделей Ultralytics YOLO, была создана с учетом необходимости вывести всё на новый уровень по сравнению с YOLOv8.

Рис. 5. Задачи компьютерного зрения, поддерживаемые в Ultralytics YOLO11.

В частности, Ultralytics YOLO11 предлагает лучшую производительность, особенно в приложениях реального времени, где точность имеет ключевое значение, таких как сельское хозяйство и здравоохранение. Благодаря своим продвинутым функциям YOLO11 переосмысляет то, как отрасли используют ИИ, предоставляя инновационные инсайты в реальном времени и помогая им более эффективно справляться с задачами.

Основные выводы#

Выступление Дэвида на YV24 стало напоминанием о том, что ИИ — это не просто крутая инновация, это мощный инструмент для решения реальных проблем и улучшения того, как мы живем и работаем. Фокусируясь на поведении, ИИ уже оказывает влияние в таких областях, как отслеживание здоровья животных и распознавание значимых паттернов в повседневных действиях.

Потенциал поведенческого ИИ захватывает, и мы находимся только в самом начале. Преобразуя «сырые» данные в полезные инсайты, поведенческий ИИ переходит от пассивного мониторинга к активному решению проблем. По мере своего развития поведенческий ИИ будет способствовать принятию более разумных решений, оптимизации процессов и внесению значимых улучшений в нашу жизнь.

Оставайся на связи с нашим сообществом, чтобы узнать больше об ИИ и его приложениях в реальном мире. Посети наш репозиторий на GitHub, чтобы открыть для себя инновации в таких областях, как ИИ в сельском хозяйстве и компьютерное зрение в производстве.