Распознование домашних питомцев с помощью Mask R-CNN, COCO, OpenCV

УДК 004.89

РАСПОЗНОВАНИЕ ДОМАШНИХ ПИТОМЦЕВ С ПОМОЩЬЮ Mask R-CNN, COCO, OpenCV

Аннотация: машинное обучение берет свое начало с 1952 году и по сей день экспоненциальное развивается в разных областях и сферах. Так в 1960-х годах велись разработки в глубоком обучении. В данной работе решается одна из задач машинного обучения. С использованием сверхточных нейронных сетей можно распознавать и классифицировать домашних питомцев. Набор данных используется COCO.

Ключевые слова: нейронная сеть, искусственный интеллект, машинное обучение, глубокое обучение, свёрточная нейронная сеть, R-CNN, COCO.

Abstract: Machine learning dates back to 1952 and to this day is expanding exponentially in various areas and spheres. This is how deep learning was developed in the 1960s. In this work, one of the problems of machine learning is solved. Using convolutional neural networks, pets can be recognized and classified. The dataset is used by COCO.

Key words: neural network, artificial intelligence, machine learning, deep learning, convolutional neural network, R-CNN, COCO.

Машинное обучение – это идея, что существуют универсальные алгоритмы, которые могут рассказать что-то интересное о наборе данных без необходимости написания какого-либо специального кода. Вместо этого используется общий алгоритм, и он строит свою собственную логику на основе данных.

Разработка алгоритмов машинного обучения началась с появлением искусственного интеллекта. Первой программой, способной самообучаться, принято считать игру в шашки, изобретенную Артуром Самуэлем в 1952 году. В 1955 году Самуэль добавляет в программу способность к самообучению. В 1957 году была предложена модель нейронной сети, похожая на современные алгоритмы машинного обучения. С тех пор и по настоящее время ведется активная разработка моделей и систем машинного обучения.

Несколько задач машинного обучения:

1. Классификация: прогнозирование класса экземпляра из предварительно помеченных (классифицированных) экземпляров.
2. Кластеризация: нахождения любой группы экземпляров с данными без меток. Переменная результата неизвестна.
3. Регрессия: прогнозирование конкретного результата в контексте, исходя из опыта. Он имеет непрерывный атрибут.

Глубокое обучение – один из многих подходов к машинному обучению. Глубокое обучение было вдохновлено структурой и функцией мозга, а именно взаимосвязью многих нейронов. Искусственные нейронные сети – это алгоритмы, которые имитируют биологическую структуру мозга.

        Глубокое обучение можно применить в заботе о питомцев. Например, во время отъезда сделать кормушку для домашних животных, которая будет давать соответствующий корм в зависимости от определения кто перед камерой, кошка или собака.