在15分钟内构建视频分析应用程序

我经常看到很多人都在谈论如何，因为它需要的注释例子数千练好的神经网络人工智能项目可以是一个非常艰苦的任务。
这可能是真实的一些范围，其中存在检测对象很大的可变性，如，例如，在数据集中ImageNet，1000班在极其不同的环境。但是，在质量检验项目，在这里平常Eyeflow.AI，需要的是有一个固定的定位摄像头检测到极少数的类，在这风光，神经网络可以迅速获得良好的效果，除了极少数注释的例子。
我将在这里展示我们如何才能建立一个神经网络，以在15分钟内工作的检测视频中的简单对象，使用Eyeflow.AI。
首先，我拍的我儿子的玩具小15’ ”的电影，用我的手机。
https://www.youtube.com/watch?v=Htsxkgx6zSU&t=4s
在Eyeflow.AI我们创建了一个新的应用程序（我称之为“Blog”），然后创建了一个新的流（15分钟），以及一个用两个类“Bat”和“Puzzle”注释示例（Detect Toy）的数据集。之后，从视频中提取帧，并将随机选择的示例添加到数据集。我只添加了20个示例。这些示例需要用方框、区分区域和类进行注释。然后，我们对数据集进行训练。（仅5个时代）培训结束后，我们可以将视频放在测试流程中，并查看结果。我们可以在带注释的视频中看到令人印象深刻的结果，只有20个带注释的示例。
https://www.youtube.com/watch?v=2UqUurtONhw&t=1s
当然，我知道这是一个过于简单的证明。但根据我们的经验，我们已经取得了非常好的结果，生产级，有300~500个示例，很少需要超过2000个示例才能在实际检测中获得99.9%的准确率。
提醒我们，我们正在讨论使用固定角度摄像机检测类似零件。当我们有一个在角度、格式、颜色等方面有很多变化的对象时，情况就不同了。
在我们的项目中，我们不断地检查检测的结果，在生产环境中获得所有的例子，该模型不能正常获得，并添加只有这些错误示例数据集纠正注释和培养的新模式。通过这种方法，我们大大减少了数据集需要获得生产应用程序很好的准确性实例的个数。因此，降低获得视频分析的优良品质应用程序所需的工作量。