شبكة عصبية للتعرف على الأجسام على جهاز لوحي: مقياس F1-score يبلغ 94% خلال 20 مللي ثانية
كشفت YADRO كيف جعلت الجهاز اللوحي KVADRA_T يرى في الوقت نفسه الشخص والمستند والنص ورموز QR والباركود في إطار واحد. فبدلًا من مخطط multiclass المعتاد، اختار الفريق نهج multi-label، وجمع مجموعة بيانات من 193 ألف صورة، وحصل على مقياس F1-score بنسبة 94%. ويستغرق الاستدلال (inference) على NPU في الجهاز نحو 20 مللي ثانية، ومن المفترض أن تُضاف هذه الوظيفة إلى الإصدار القادم من kvadraOS.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
طورت YADRO شبكة عصبية للتعرف في وقت واحد على الشخص والمستند والنص ورموز QR والباركود على الجهاز اللوحي KVADRA_T، وحققت مقياس F1-score بنسبة 94% وسرعة معالجة تبلغ 20 مللي ثانية مباشرة على الجهاز. وتوضح الشركة أن تصنيف multiclass المعتاد لم يكن مناسبًا هنا بحكم طبيعة المهمة نفسها، إذ قد يظهر في اللقطة الواحدة عدة أجسام من أنواع مختلفة في آن واحد، ولذلك لزم اعتماد نموذج multi-label.
لماذا لا يصلح التصنيف المعتاد للتعرف على عدة أجسام؟
قد يظهر في اللقطة الواحدة شخص وجواز سفر وأسطر نصية ورموز للمسح الضوئي، بينما يفترض تصنيف multiclass الكلاسيكي أن الجسم ينتمي إلى فئة واحدة فقط. وتتطلب هذه المهمة نموذج multi-label يتعرف على جميع الأجسام في وقت واحد.
كيف تعالج الشبكة العصبية البيانات خلال 20 مللي ثانية على الجهاز اللوحي
دون سحابة؟ جرى تحسين النموذج ليعمل مباشرة على الجهاز (on-device inference)، ما يتيح معالجة الإطارات خلال 20 مللي ثانية دون الاتصال بالإنترنت، وهو شرط للاستخدام العملي على الأجهزة المحمولة.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.