Что такое ResNet-50 и какова её роль в компьютерном зрении?

Автоматизированный анализ изображений все чаще применяется, например, для обнаружения автомобилей, превышающих скорость, или анализа медицинских снимков. Технология, лежащая в основе этих инноваций, — это компьютерное зрение, или AI для компьютерного зрения. Это направление искусственного интеллекта (AI), которое позволяет машинам интерпретировать изображения и видео и понимать их так же, как это делают люди.

Для создания таких решений на основе компьютерного зрения разработчики используют модели AI для компьютерного зрения, обучающиеся на больших объемах визуальных данных. За прошедшие годы исследователи разработали более новые и совершенные модели с впечатляющими результатами в задачах компьютерного зрения, таких как классификация изображений (присвоение изображению меток), обнаружение объектов (поиск объектов на изображении и их распознавание) и сегментация экземпляров (обнаружение объектов и выделение их точных контуров).

Однако изучение ранних моделей помогает понять, как работают современные системы компьютерного зрения. Например, важную роль сыграла ResNet-50 — влиятельная модель, предложившая идею связей-пропусков: простых путей, благодаря которым модель обучается быстрее и точнее.

Это нововведение позволило эффективно обучать гораздо более глубокие нейронные сети, значительно улучшило классификацию изображений и повлияло на архитектуру многих последующих моделей. В этой статье мы рассмотрим ResNet-50, принцип ее работы и ее значение для развития компьютерного зрения.

Что такое ResNet-50?#

ResNet-50 — это модель компьютерного зрения на основе типа нейронной сети, называемого сверточной нейронной сетью (CNN). CNN помогают компьютерам понимать визуальную информацию: они учатся распознавать закономерности на изображениях, например края, цвета и формы, а затем используют эти закономерности для распознавания объектов и их классификации.

Представленная в 2015 году исследователями из Microsoft Research, ResNet-50 быстро стала одной из самых значимых моделей в этой области благодаря точности и эффективности при масштабном распознавании изображений.

Ключевая особенность ResNet-50 — остаточные связи, также известные как связи-пропуски. Это простые пути, позволяющие модели пропускать некоторые этапы обучения. Иными словами, вместо того чтобы заставлять модель передавать информацию через каждый слой, такие связи позволяют ей напрямую переносить важные сведения дальше. Благодаря этому обучение становится быстрее и надежнее.

Рис. 1. Остаточные связи в архитектуре ResNet.

Такая архитектура помогает решить распространенную проблему глубокого обучения — проблему исчезающего градиента. В очень глубоких моделях важная информация может теряться при прохождении через множество слоев, из-за чего модели становится трудно обучаться.

Остаточные связи помогают предотвратить это, обеспечивая беспрепятственную передачу информации от начала до конца. Поэтому модель называется ResNet-50: ResNet — сокращение от Residual Network («остаточная сеть»), а «50» обозначает количество слоев, используемых для обработки изображения.

Обзор принципа работы ResNet-50#

ResNet-50 имеет хорошо организованную структуру, которая позволяет модели быть глубокой и при этом не терять важную информацию. В ее основе лежит простой повторяющийся шаблон, который обеспечивает эффективность и высокую производительность.

Рассмотрим подробнее, как работает архитектура ResNet-50:

• Базовое извлечение признаков: Сначала модель применяет математическую операцию, называемую сверткой. Небольшие фильтры (ядра) скользят по изображению и формируют карты признаков — новые версии изображения, на которых выделены базовые закономерности, такие как края и текстуры. Так модель начинает извлекать полезную визуальную информацию.
• Изучение сложных признаков: По мере прохождения данных через сеть размер карт признаков уменьшается. Для этого используют такие методы, как пулинг или фильтры с большим шагом (так называемым шагом свертки). Одновременно сеть создает больше карт признаков, чтобы распознавать все более сложные закономерности: формы, части объектов или текстуры.
• Сжатие и расширение данных: Каждый блок-узкое место сжимает данные, обрабатывает их, а затем расширяет обратно. Это помогает модели обучаться и экономить память.
• Связи-пропуски: Это простые пути, позволяющие информации перескакивать вперед, не проходя через каждый слой. Они делают обучение стабильнее и эффективнее.
• Получение прогноза: В конце сети вся изученная информация объединяется и передается в функцию softmax. На выходе получается распределение вероятностей по возможным классам, которое показывает уверенность модели в каждом прогнозе, например: 90 % — кошка, 9 % — собака, 1 % — автомобиль.

Рис. 2. Архитектура ResNet-50.

Ключевые особенности ResNet-50#

Хотя изначально ResNet-50 создавалась для классификации изображений, ее гибкая архитектура оказалась полезной во многих областях компьютерного зрения. Рассмотрим некоторые особенности, которые выделяют ResNet-50.

Применение ResNet-50 для классификации изображений#

ResNet-50 главным образом используют для классификации изображений, где нужно присвоить изображению одну метку. Например, получив фотографию, модель может определить, что на ней собака, кошка или самолет, исходя из основного объекта.

Надежная архитектура ResNet-50 и ее доступность в популярных библиотеках глубокого обучения, таких как PyTorch и TensorFlow, сделали эту модель популярным ранним выбором для обучения на больших наборах изображений. Один из самых известных примеров таких наборов — ImageNet, огромная коллекция размеченных изображений, используемая для оценки и сравнения моделей компьютерного зрения.

Хотя более новые модели, например Ultralytics YOLO11, превосходят ее по результатам, ResNet-50 по-прежнему часто используют для сравнительной оценки благодаря хорошему балансу точности, скорости и простоты.

Рис. 3. Пример классификации собаки с помощью ResNet-50.

Обнаружение объектов с помощью базовых сетей ResNet-50#

Если классификация изображений направлена на распознавание основного объекта на картинке, то обнаружение объектов идет дальше: оно находит и размечает несколько объектов на одном изображении. Например, на снимке оживленной улицы модели нужно обнаружить автомобили, автобусы и людей, а также определить, где находится каждый из них.

В некоторых из этих моделей ResNet-50 используется в качестве базовой сети. Это значит, что она выполняет первую часть задачи: анализирует изображение и извлекает важные признаки, описывающие его содержимое и расположение объектов. Затем эти признаки передаются следующей части модели — голове обнаружения, которая определяет, какие объекты есть на изображении и где они находятся.

Популярные модели обнаружения объектов, такие как Faster R-CNN и DETR, используют ResNet-50 для извлечения признаков. Эта модель хорошо улавливает и мелкие детали, и общую структуру изображения, помогая таким моделям делать точные прогнозы даже в сложных сценах.

Трансферное обучение с ResNet-50#

Еще одна интересная особенность ResNet-50 — способность поддерживать трансферное обучение. Это значит, что модель, изначально обученную на большом наборе данных вроде ImageNet для классификации изображений, можно адаптировать к новым задачам, используя гораздо меньше данных.

Вместо обучения с нуля используют большинство слоев модели, заменяя и переобучая только последний слой классификации для новой задачи. Это экономит время и особенно полезно при ограниченном количестве размеченных данных.

Применение ResNet-50 в компьютерном зрении#

Архитектура ResNet-50 оказалась полезной для широкого спектра задач компьютерного зрения. Она сыграла особенно важную роль на раннем этапе развития глубокого обучения, помогая перенести технологии AI для компьютерного зрения из исследовательской среды в практическое применение. Решая ключевые задачи, она помогла подготовить почву для более совершенных моделей, которые используются сегодня.

Медицинская визуализация на основе ResNet-50#

ResNet-50 была одной из первых моделей глубокого обучения, использовавшихся для медицинской визуализации. Исследователи применяли ее для выявления признаков заболеваний на рентгеновских снимках, МРТ и других диагностических изображениях. Например, модель помогала обнаруживать опухоли и классифицировать снимки сетчатки при диабете, поддерживая диагностику в офтальмологии.

Хотя сейчас в клинических инструментах используют более совершенные модели, ResNet-50 сыграла ключевую роль в ранних исследованиях AI в медицине. Простота использования и модульная архитектура сделали ее подходящим выбором для создания прототипов диагностических систем.

Рис. 4. Обнаружение опухоли головного мозга с помощью ResNet-50.

Промышленная автоматизация на основе ResNet-50#

ResNet-50 также применяли в промышленности. Например, в производстве ее использовали в исследованиях и пилотных системах для обнаружения поверхностных дефектов материалов, таких как сталь, бетон и окрашенные детали.

Модель также тестировали в системах для обнаружения раковин, трещин и отложений, возникающих при литье или сборке. ResNet-50 хорошо подходит для таких задач, поскольку способна замечать едва различимые различия текстуры поверхности — важное свойство для контроля качества.

Хотя сейчас в промышленных системах широко используют более совершенные модели, например Ultralytics YOLO11, ResNet-50 по-прежнему играет важную роль в академических исследованиях и сравнительной оценке, особенно в задачах классификации изображений.

Рис. 5. Проверка поверхности с помощью ResNet-50.

Преимущества и ограничения ResNet-50#

Рассмотрим некоторые преимущества ResNet-50:

• Высокая базовая производительность: ResNet-50 обеспечивает стабильную точность в широком спектре задач, поэтому ей доверяют как эталонной модели и в исследованиях, и в прикладных проектах.
• Хорошо документирована и широко изучена: её архитектура хорошо изучена и подробно описана, поэтому разработчикам и исследователям проще устранять неполадки и осваивать модель.
• Универсальность в разных областях: от медицинской визуализации до производства ResNet-50 успешно применялась для решения самых разных практических задач, доказав свою гибкость.

А теперь кратко рассмотрим ограничения ResNet-50:

• Высокое потребление ресурсов: ResNet-50 требует больше памяти и вычислительных ресурсов, чем компактные модели, поэтому может хуже подходить для мобильных устройств и приложений реального времени.
• Переобучение на небольших наборах данных: Из-за глубины и сложности ResNet-50 может переобучаться при обучении на ограниченных данных без надлежащих методов регуляризации.
• Фиксированный размер входных данных: ResNet-50 обычно ожидает изображения определённого размера, например 224×224 пикселя, поэтому изображения часто приходится масштабировать или обрезать, что иногда приводит к потере важных деталей.

Главные выводы#

ResNet-50 показала, что очень глубокие сети можно эффективно обучать, сохраняя высокую производительность в задачах компьютерного зрения. Её архитектура стала понятной и практичной основой для создания более глубоких моделей, работающих надёжно.

После выхода модели исследователи развили эту архитектуру и создали более глубокие версии, например ResNet-101 и ResNet-152. В целом ResNet-50 — важная модель, повлиявшая на современное применение глубокого обучения в компьютерном зрении.

Присоединяйся к нашему растущему сообществу! Загляни в наш репозиторий на GitHub, чтобы узнать больше об ИИ. Хочешь начать собственные проекты в области компьютерного зрения? Ознакомься с нашими вариантами лицензирования. Узнай об ИИ в сельском хозяйстве и компьютерном зрении в здравоохранении на страницах наших решений!