La tecnología sigue evolucionando, y nosotros también. Con la aparición de la inteligencia artificial y el aprendizaje automático, el enfoque se ha desplazado hacia la automatización. Dicho esto, se introducen varias disciplinas informáticas para estudiar y explorar las aplicaciones de estas tendencias emergentes.
Uno de esos ejemplos es procesamiento de imágenes. En un lenguaje sencillo, se refiere a explorar imágenes para extraer información significativa. Si bien hay varias técnicas disponibles para lograr esto, la más utilizada es: cajas delimitadoras.
Este blog profundiza en varios aspectos de los cuadros delimitadores. Incluye qué son, cómo funcionan en el procesamiento de imágenes, parámetros que los definen, convenciones que los especifican, casos de uso común, precauciones y mejores prácticas, y más.
Vamos a sumergirnos
El procesamiento de imágenes se refiere a realizar ciertas operaciones en una imagen para mejorarla o extraer información valiosa de las características o atributos asociados con ella. Hoy en día, el procesamiento de imágenes es un área principal de investigación en estudios de ingeniería y tecnología informática.
El procesamiento de imágenes se puede realizar mediante dos métodos: procesamiento de imágenes analógicas y procesamiento de imágenes digitales.
El procesamiento de imágenes analógicas implica el uso de copias impresas y fotografías para analizar y manipular imágenes. Los analistas de imágenes utilizan varios métodos para interpretar estas copias de imágenes y extraer resultados significativos.
El procesamiento de imágenes digitales usa imágenes digitales y las interpreta usando computadoras. Es una subcategoría del procesamiento de señales digitales y utiliza algoritmos para procesar imágenes digitales. Proporciona ventajas sobre el procesamiento de imágenes analógicas, como algoritmos para evitar el ruido y la distorsión en el procesamiento.
El procesamiento de imágenes digitales tiene varias aplicaciones en las áreas de medicina, manufactura, comercio electrónico y más.
Cuadros delimitadores en el procesamiento de imágenes
Al principio, el cuadro delimitador es un cuadro rectangular imaginario que incluye un objeto y un conjunto de puntos de datos. En el contexto del procesamiento de imágenes digitales, el cuadro delimitador denota las coordenadas del borde en los ejes X e Y que encierran una imagen. Se utilizan para identificar un objetivo y servir como referencia para la detección de objetos y generar un cuadro de colisión para el objeto.
¿Qué son los cuadros delimitadores?
Los cuadros delimitadores son los elementos clave y una de las principales herramientas de procesamiento de imágenes para proyectos de anotación de video. En esencia, un cuadro delimitador es un rectángulo imaginario que delinea el objeto en una imagen como parte de un requisito del proyecto de aprendizaje automático. El marco rectangular imaginario encierra el objeto en la imagen.
Los cuadros delimitadores especifican la posición del objeto, su clase y la confianza que indica el grado de probabilidad de que el objeto esté realmente presente en el cuadro delimitador.
La visión por computadora ofrece aplicaciones sorprendentes, desde autos sin conductor hasta reconocimiento facial y más. Y esto, a su vez, es posible gracias al procesamiento de imágenes.
Entonces, ¿el procesamiento de imágenes es tan simple como dibujar rectángulos o patrones alrededor de los objetos? No. Dicho esto, ¿qué hacen los cuadros delimitadores?
Entendamos.
¿Cómo funcionan los cuadros delimitadores en el procesamiento de imágenes?
Como se mencionó, el cuadro delimitador es un rectángulo imaginario que actúa como punto de referencia para la detección de objetos y desarrolla un cuadro de colisión para el objeto.
Entonces, ¿cómo ayuda a los anotadores de datos? Bueno, los profesionales usan la idea de los cuadros delimitadores para dibujar rectángulos imaginarios sobre las imágenes. Crean contornos de los objetos en cuestión dentro de cada imagen y definen sus coordenadas X e Y. Esto simplifica el trabajo de los algoritmos de aprendizaje automático, ayudándolos a encontrar rutas de colisión y demás, ahorrando así recursos informáticos.
Por ejemplo, en la imagen a continuación, cada vehículo es un objeto clave cuya posición y ubicación son esenciales para entrenar los modelos de aprendizaje automático. Los anotadores de datos utilizan la técnica de los cuadros delimitadores para dibujar los rectángulos alrededor de cada uno de estos objetos: vehículos, en este caso.
Fuente: keymakr
Luego, usan las coordenadas para comprender la posición y ubicación de cada objeto, lo cual es útil para entrenar los modelos de aprendizaje automático. Un solo cuadro delimitador no proporciona una buena tasa de predicción. Para mejorar la detección de objetos, se deben usar varios cuadros delimitadores en combinación con métodos de aumento de datos.
Los cuadros delimitadores son técnicas de anotación de imágenes altamente eficientes y robustas que reducen los costos considerablemente.
Parámetros que definen un cuadro delimitador
Los parámetros se basan en las convenciones utilizadas para especificar el cuadro delimitador. Los parámetros clave utilizados incluyen:
- Clase: denota el objeto dentro del cuadro delimitador, por ejemplo, automóviles, casas, edificios, etc.
- (X1, Y1): Esto se refiere a las coordenadas X e Y de la esquina superior izquierda del rectángulo.
- (X2, Y2): Esto se refiere a las coordenadas X e Y de la esquina inferior derecha del rectángulo.
- (Xc, Yc): Esto se refiere a las coordenadas X e Y del centro del cuadro delimitador.
- Ancho: Esto denota el ancho del cuadro delimitador.
- Altura: Esto denota la altura del cuadro delimitador.
- Confianza: Representa la posibilidad de que el objeto esté en la caja. Digamos que la confianza es 0.9. Esto significa que hay un 90 % de probabilidad de que el objeto esté realmente presente dentro de la caja.
Convenciones que especifican un cuadro delimitador
Al especificar un cuadro delimitador, por lo general, se deben incluir dos convenciones principales. Estos son:
- Las coordenadas X e Y de los puntos superior izquierdo e inferior derecho del rectángulo.
- Las coordenadas X e Y del centro del cuadro delimitador, junto con su ancho y alto.
Ilustremos esto con el ejemplo de un automóvil.
una. Con respecto a la primera convención, el cuadro delimitador se especifica según las coordenadas de los puntos superior izquierdo e inferior derecho.
Fuente: AnalíticaVidhya
b. Con respecto a la segunda convención, el cuadro delimitador se describe según las coordenadas del centro, el ancho y la altura.
Fuente: AnalíticaVidhya
¿Cómo se relacionan las convenciones?
Dependiendo del caso de uso, es posible convertir entre los diferentes tipos de convenciones.
- Xc = (X1 + X2)/2
- Yc = (Y1 + Y2)/2
- Ancho = (X2 – X1)
- Altura = (Y2 – Y1)
Cuadros delimitadores explicados con código de programación
Veamos otro ejemplo sobre la ubicación o posición de un objeto con fragmentos de código.
Fuente: d2i
Cargamos la imagen que se utilizará para esta ilustración. La imagen tiene un perro a la izquierda y un gato a la derecha. Hay dos objetos: un perro y un gato en la imagen.
Fuente: d2i
Fuente: d2i
Tomemos x e y como coordenadas para las esquinas superior izquierda e inferior derecha del cuadro delimitador. Diga, (x1,y1) y (x2,y2). De manera similar, consideremos las coordenadas del eje (x, y) para el centro del cuadro delimitador, junto con su ancho y alto.
A continuación, definimos dos funciones para convertir estas formas: box_corner_to_center convierte la representación de dos esquinas en la representación centro-alto-ancho y box_center_to_corner lo hace al revés.
Los cuadros de argumento de entrada deben ser un tensor bidimensional de forma (n,4), donde n es el número de cuadros delimitadores.
Fuente: d2i
A continuación, definamos los cuadros delimitadores del perro y el gato en la imagen en función de los datos de las coordenadas.
Fuente: d2i
Para verificar la corrección de las dos funciones de conversión de cuadros delimitadores, podemos convertir dos veces.
Fuente: d2i
Fuente: d2i
A continuación, podemos dibujar los cuadros delimitadores de los objetos en la imagen para verificar si son precisos. Antes de eso, definimos una función bbox_t_rect que representa el cuadro delimitador en el formato relevante del paquete matplotlib.
Fuente: d2i
Ahora, después de agregar los cuadros delimitadores de los objetos perro y gato a la imagen, vemos que el contorno principal de estos objetos está dentro de los dos cuadros.
Fuente: d2i
Fuente: d2i
¿Quiere automatizar tareas manuales repetitivas? Consulte nuestro software de procesamiento de documentos basado en el flujo de trabajo Nanonets. ¡Extraiga datos de facturas, documentos de identidad o cualquier documento en piloto automático!
Casos de uso común de cuadros delimitadores
Localización de objetos de vehículos autónomos
Los cuadros delimitadores son integrales en el entrenamiento de vehículos autónomos o autónomos para identificar objetos en la carretera como edificios, señales de tráfico, obstrucciones y más. Ayudan a anotar cualquier obstáculo y permiten que los robots conduzcan el vehículo de forma segura y eviten accidentes, incluso en caso de congestión.
Imágenes de robótica
Las técnicas de anotación de imágenes, como los cuadros delimitadores, se utilizan ampliamente para marcar los puntos de vista de robots y drones. Estos vehículos autónomos ayudan a clasificar objetos en la tierra usando las fotografías obtenidas de este método de anotación.
Etiquetado de imágenes para comercio electrónico y comercio minorista
Las anotaciones del cuadro delimitador ayudan a mejorar la visualización del producto, lo cual es una gran ventaja en el comercio electrónico y el comercio minorista. Los modelos capacitados en artículos similares pueden anotar objetos como ropa de moda, accesorios, muebles, cosméticos, etc., con mayor precisión cuando están debidamente etiquetados. A continuación se presentan algunos de los desafíos que abordan las anotaciones de cuadros delimitadores en el comercio minorista:
- Resultados de búsqueda incorrectos
Si la búsqueda es la única forma en que los clientes pueden tropezar con el sitio de comercio electrónico, entonces los datos incorrectos del catálogo pueden generar resultados de búsqueda inexactos, lo que no conducirá al tráfico de clientes al sitio.
- Cadenas de suministro no organizadas
Para aquellos que desean expandir su negocio minorista para poder enviar millones de productos anualmente, se vuelve imperativo tener sincronizados los datos fuera de línea y en línea.
- Digitalización Continua
Es fundamental tener todos los productos digitalizados y etiquetados de manera sistemática y rápida para garantizar que los clientes no pierdan ninguna nueva oportunidad. Además, las etiquetas deben estar en contexto, lo cual se vuelve difícil a medida que el negocio minorista se expande y se agregan más productos.
Detecta la pérdida de automóviles para reclamos de seguros
La técnica de los cuadros delimitadores ayuda a rastrear automóviles, bicicletas u otros vehículos dañados en un accidente. Los modelos de aprendizaje automático utilizan estas imágenes de cuadros delimitadores para comprender la posición y la intensidad de las pérdidas. Esto ayuda a predecir el costo de las pérdidas incurridas, en base a lo cual los clientes pueden presentar su estimación antes de presentar una demanda.
Fuente: Superanotar
Detección de elementos de interior
Los cuadros delimitadores ayudan a las computadoras a detectar elementos interiores como camas, sofás, escritorios, gabinetes o electrodomésticos. Esto permite que las computadoras tengan una idea del espacio y los tipos de objetos presentes, con sus dimensiones y ubicación. Esto, a su vez, ayuda a los modelos de aprendizaje automático a identificar estos elementos en una situación de la vida real.
Los cuadros delimitadores se utilizan ampliamente en fotografías como una herramienta de aprendizaje profundo para comprender e interpretar varios tipos de objetos.
Identificación de enfermedades y crecimiento de plantas en agricultura
La detección temprana de enfermedades de las plantas ayuda a los agricultores a prevenir pérdidas graves. Con el surgimiento de la agricultura inteligente, el desafío radica en entrenar datos para enseñar modelos de aprendizaje automático para detectar enfermedades de las plantas. Los cuadros delimitadores son un factor importante que proporciona la visión necesaria a las máquinas.
Industria manufacturera
La detección de objetos y la identificación de artículos en las industrias es un aspecto esencial de la fabricación. Con robots y computadoras habilitados para IA, se reduce el papel de la intervención manual. Dicho esto, los cuadros delimitadores juegan un papel crucial al ayudar a entrenar los modelos de aprendizaje automático para localizar y detectar componentes industriales. Además, los procesos como el control de calidad, la clasificación y las operaciones de la línea de montaje, que forman parte de la gestión de calidad, necesitan detección de objetos.
Imagenes medicas
Los cuadros delimitadores también encuentran aplicaciones en la industria de la salud, como en imágenes médicas. La técnica de imágenes médicas se ocupa de detectar objetos anatómicos como el corazón y requiere un análisis rápido y preciso. Los cuadros delimitadores se pueden usar para entrenar los modelos de aprendizaje automático, que luego podrán detectar el corazón u otros órganos de forma rápida y precisa.
CCTV automatizados
Los CCTV automatizados son obligatorios en la mayoría de los establecimientos residenciales, comerciales y de otro tipo. A menudo, se requiere un alto almacenamiento de memoria para mantener las imágenes de CCTV capturadas durante mucho tiempo. Con técnicas de detección de objetos como los cuadros delimitadores, se puede garantizar que el metraje se grabe solo cuando se identifiquen ciertos objetos. Los cuadros delimitadores pueden entrenar los modelos de aprendizaje automático, que detectarán solo esos objetos y, en ese instante, se puede capturar el metraje. Esto también ayudaría a minimizar la extensión del almacenamiento requerido para CCTV y reducir los costos.
Reconocimiento y detección facial
El reconocimiento facial ofrece múltiples aplicaciones, como por ejemplo en la vigilancia biométrica. Además, varias agencias como bancos, aeropuertos, tiendas minoristas, estadios y otras instituciones utilizan el reconocimiento facial para prevenir delitos y violencia. Dicho esto, la detección facial es un elemento importante de la visión artificial que implica el procesamiento de imágenes. Y aquí nuevamente, los cuadros delimitadores se pueden usar como una herramienta efectiva para el reconocimiento de caracteres.
¿Quiere utilizar la automatización robótica de procesos? Consulte el software de procesamiento de documentos basado en el flujo de trabajo de Nanonets. Sin código. Plataforma sin complicaciones.
Cuadros delimitadores para el reconocimiento de caracteres
La detección de objetos comprende: clasificación de imágenes y localización de objetos. Esto significa que para que una computadora detecte un objeto, necesita saber cuál es el objeto en cuestión y dónde se encuentra. La clasificación de imágenes asigna una etiqueta de clase a una imagen. La localización de objetos está relacionada con dibujar el cuadro delimitador alrededor del objeto en cuestión en una imagen.
El proceso implica que un anotador dibuje los cuadros delimitadores alrededor de los objetos y los etiquete. Esto ayuda a entrenar el algoritmo y le permite comprender cómo se ve el objeto. Como primer paso para la detección de objetos, el conjunto de datos de imágenes debe tener etiquetas.
Para etiquetar una imagen, siga los pasos a continuación:
- Elija el conjunto de datos que desea entrenar y probar. Haz una carpeta de eso.
- Tomemos el ejemplo de un proyecto de detección de rostros como: BTS, Avenger, etc.
- Hacer datos de nombre de carpeta.
- En Google Drive, cree una carpeta con el nombre FaceDetection.
- En la carpeta FaceDetection, haga una carpeta de la imagen.
- En la carpeta de imágenes, cree carpetas de la imagen de prueba, XML de prueba, imagen de entrenamiento y XML de entrenamiento.
Fuente:industrial
Ahora, en la carpeta de imágenes del tren, descargue y cargue de 10 a 15 imágenes de BTS y Avengers en formato JPEG. Del mismo modo, en la carpeta de imágenes de prueba, haga lo mismo para 5-6 imágenes. Se recomienda tener más imágenes en el conjunto de datos para obtener resultados precisos.
Fuente: industrial
Fuente: industrial
A continuación, genere un archivo XML para cada imagen de la imagen de prueba y entrene las carpetas de imágenes.
Descargue y haga clic en Windows v_1.8.0. Haga clic en el archivo .exe de GitHub y presione Ejecutar.
A continuación, haga clic en el directorio abierto para seleccionar la carpeta de la imagen. Verá la imagen que tiene que ser etiquetada. Para etiquetar, presione W en el teclado y haga clic con el botón derecho y arrastre el cursor para dibujar el cuadro alrededor del objeto. Dale un nombre y haz clic en Aceptar.
Fuente: industrial
A continuación, guarde la imagen para generar el archivo XML de la imagen en la carpeta de imágenes, como se muestra a continuación.
Fuente: industrial
Abra el archivo XML para ver las coordenadas.
Fuente: industrial
Repite el procedimiento con todas las imágenes para generar los archivos XML y busca las coordenadas.
Si trabaja con facturas y recibos o le preocupa la verificación de identidad, consulte Nanonets reconocimiento óptico de caracteres en línea or Extractor de texto PDF para extraer texto de documentos PDF gratis. Haga clic a continuación para obtener más información sobre Solución de automatización empresarial Nanonets.
Varios formatos de anotación utilizados en cuadros delimitadores
Esencialmente, un cuadro delimitador tiene 4 puntos en los ejes (x, y) que representan las esquinas:
Arriba a la izquierda: (x_min, y_min)
Arriba a la derecha: (x_max, y_min)
Abajo a la izquierda:(x_min, y_max)
Abajo a la derecha: (x_max, y_max)
Las coordenadas del cuadro delimitador se calculan con respecto a la esquina superior izquierda de la imagen.
Existen varios formatos de anotación de cuadro delimitador, cada uno de los cuales utiliza su propia representación de las coordenadas del cuadro delimitador.
una. Albumentaciones
Utilizan cuatro valores para representar el cuadro delimitador: [x_min, y_min, x_max, y_max], que se normalizan dividiendo las coordenadas en píxeles para el eje x por el ancho y el eje y por la altura de la imagen.
Digamos que las coordenadas del cuadro delimitador son: x1 = 678, y1 = 24; x2 = 543, y2= 213.
Sea ancho = 870, Alto = 789
Entonces, [678/870, 24/789, 543/870, 213/789] = [0.779310, 0.030418, 0.624137, 0.269961]
Albumentations utiliza e interpreta estos valores internamente con cuadros delimitadores y los mejora.
b. COCO
Este es un formato utilizado por el conjunto de datos COCO de Common Objects in Context. En formato COCO, un cuadro delimitador se representa mediante cuatro valores: (x_min, y_min, ancho, alto). Esencialmente, se refieren a la esquina superior izquierda y al ancho y alto del cuadro delimitador.
C. yolo
En este formato, se presenta un cuadro delimitador con cuatro valores: (x_center, y_center, width, height). Aquí, x_center y y_center denotan las coordenadas x e y normalizadas del centro del cuadro delimitador. Para normalizar, la coordenada x del centro por el ancho de la imagen y la coordenada y del centro por la altura de la imagen. Los valores de ancho y alto también están normalizados.
d. PASCAL
En el formato Pascal, el cuadro delimitador está representado por las coordenadas superior izquierda e inferior derecha. Entonces, los valores codificados en píxeles son: [x_min, y_min, x_max, y_max]. Aquí, [x_min, y_min] es el de la esquina superior izquierda, mientras que [x_max, y_max] denota la esquina inferior derecha del cuadro delimitador.
¿Quiere automatizar tareas manuales repetitivas? ¡Ahorre tiempo, esfuerzo y dinero mientras mejora la eficiencia!
Precauciones y mejores prácticas en el uso de cuadros delimitadores
Se recomiendan algunas precauciones y mejores prácticas para un uso óptimo de los cuadros delimitadores en el procesamiento de imágenes. Incluyen:
Variaciones de tamaño de caja
El uso de todos los cuadros delimitadores del mismo tamaño no generará resultados precisos. Entrenar sus modelos en cuadros delimitadores del mismo tamaño haría que el modelo funcionara peor. Por ejemplo, si el mismo objeto parece más pequeño, es posible que el modelo no lo detecte. En el caso de que los objetos parezcan más grandes de lo esperado, es posible que ocupe una mayor cantidad de píxeles y no proporcione la posición y ubicación precisas del objeto. El quid es tener en cuenta la variación en tamaño y volumen del objeto para lograr los resultados deseados.
Estanqueidad perfecta de píxeles
La estanqueidad es un factor crucial. Esto significa que los bordes del cuadro delimitador deben estar lo más cerca posible del objeto en cuestión para obtener resultados precisos. Las brechas constantes pueden afectar la precisión al determinar el área de superposición entre la predicción del modelo y el objeto real, lo que genera problemas.
Elementos diagonales colocados en cuadros delimitadores
El problema al que se enfrentan los elementos colocados en diagonal dentro de un cuadro delimitador es que ocupan mucho menos espacio dentro del cuadro en comparación con el fondo. Sin embargo, si se expone durante más tiempo, el modelo puede suponer que el objetivo es el fondo, ya que consume más espacio. Por lo tanto, como práctica recomendada, se recomienda usar polígonos y segmentación de instancias para objetos diagonales. Sin embargo, es posible enseñar los modelos con un cuadro delimitador con una buena cantidad de datos de entrenamiento.
Reducir la superposición de cuadros
Siempre es seguro evitar superposiciones de anotaciones en todos los escenarios. A veces, esto puede causar tanto desorden que solo algunos cuadros superpuestos pueden ser finalmente visibles. Los objetos que tienen una superposición de etiquetas con otras entidades producen resultados relativamente peores. El modelo no podrá diferenciar entre el objeto de destino y otros elementos debido a la superposición excesiva. En tales casos, se pueden usar polígonos para una mayor precisión.
Conclusión
El procesamiento de imágenes es un campo emergente de la tecnología que ofrece un amplio alcance. Dicho esto, los cuadros delimitadores forman la técnica de procesamiento de imágenes más comúnmente aplicada.
En resumen, los cuadros delimitadores son un método de anotación de imágenes para entrenar modelos de aprendizaje automático basados en IA. Se utiliza para la detección de objetos y el reconocimiento de objetivos en una amplia gama de aplicaciones, incluidos robots, drones, vehículos autónomos, cámaras de vigilancia y otros dispositivos de visión artificial.
Recursos sugeridos:
https://www.v7labs.com/blog/bounding-box-annotation
Nanonetas API de OCR y OCR en línea tengo muchos interesantes casos de uso tEsto podría optimizar el desempeño de su negocio, ahorrar costos e impulsar el crecimiento. Descubra cómo se pueden aplicar los casos de uso de Nanonets a su producto.
- AI
- IA y aprendizaje automático
- arte ai
- generador de arte ai
- robot ai
- inteligencia artificial
- certificación de inteligencia artificial
- inteligencia artificial en banca
- robots de inteligencia artificial
- robots de inteligencia artificial
- software de inteligencia artificial
- blockchain
- conferencia blockchain ai
- Coingenius
- inteligencia artificial conversacional
- criptoconferencia ai
- de dall
- deep learning
- google ai
- máquina de aprendizaje
- Platón
- platón ai
- Inteligencia de datos de Platón
- Juego de Platón
- PlatónDatos
- juego de platos
- escala ia
- sintaxis
- zephyrnet
