وقد أصبح التعلم العميق تكنولوجيا رئيسية في التعرف على الصور، وتطبيقات تمكينية في مختلف الصناعات، وتستكشف هذه الدراسة كيفية نجاح الشركة في نشر نماذج للتعلم العميق لتحسين دقة التصنيفات للصور وكفاءتها.

استعراض عام للمشروع

وكان الهدف من المشروع هو تيسير عملية تحديد الأجسام في الصور لتبسيط العمليات، وجمعت الشركة مجموعة كبيرة من الصور المسمومة واستخدمتها لتدريب الشبكات العصبية التي تولّد الثورة، وكان الهدف هو تحقيق الدقة العالية مع الحفاظ على فترات الاستطلاع السريع.

عملية التنفيذ

وبدأ الفريق من خلال تجهيز الصور مسبقا، بما في ذلك إعادة التوحيد والتطبيع، ثم اختاروا هيكلا مناسبا للشبكة، مثل شبكة ريسنت أو شبكة الإنترنت الفعالة، ودربوا النموذج باستخدام تعجيل وحدة التخطيط العام، وكفل التحقق المنتظم من النموذج تحسينا متكررا.

بعد التدريب، تم إدماج النموذج في النظام الحالي للشركة من خلال جهاز تسجيل الدخول هذا مُمكّن من التعرف على الصور في الوقت الحقيقي بأقل قدر من الكفاءة، كما تضمن النشر أدوات رصد لتتبع الأداء وكشف القضايا المحتملة.

النتائج والفوائد

وأدى النشر إلى زيادة كبيرة في دقة التصنيف، حيث بلغ أكثر من 95 في المائة، وقلص من الجهود اليدوية وسرعات التجهيز، كما أظهر النظام قوة في معالجة مختلف ظروف التصوير، مثل الإضاءة والزوايا المختلفة.

مداخل رئيسية

  • ويعد إعداد مجموعات البيانات بشكل سليم أمراً حاسماً لتحقيق النجاح في النموذج.
  • إن اختيار الهيكل الصحيح يؤثر على الدقة والسرعة.
  • ويساعد الرصد المستمر على الحفاظ على أداء النظام.
  • ويؤدي التلقائية إلى خفض عبء العمل اليدوي وزيادة الكفاءة.