Hvad er Computer Vision?
Computer Vision er det felt inden for AI, hvor vi anvender computerens evne til at forstå visuelle data, hvilket primært er billeder og video.
Det centrale i Computer Vision er at udtrække relevante informationer fra det visuelle materiale og omsætte disse til et beslutningsgrundlag eller til konkrete handlinger. Det kan indebære en række typiske opgaver, såsom:
- - Objektgenkendelse (f.eks. genkendelse af biler i et trafikbillede)
- - Billed- eller video klassifikation og segmentering (f.eks. analyse af røntgenbilleder og udarbejdelse af automatiskeret diagnose)
- - Mønstergenkendelse (f.eks. identifikation af personer ud fra ansigtskarakteristika eller afgrøder ud fra sattelitfoto)
- - Sporing af objekter og følge bevægelse af genkendte objekter over tid (f.eks. automatisk at holder øje med pakker på et lager)
- - Udarbejdelse af 3D-modeller ud fra 2D billeder eller video (f.eks. generering af 3D-modeller ud fra en række billeder eller video ifm ejendomsudvikling)
- - Videoanalyse (f.eks. analyse af mistænkelig adfærd i detailhandlen og alarmering af vagter pba dette)
Hvis du kan komme i tanke om billed- eller video materiale, som i allerede har og bruger tid (og penge) på at analysere i din organisation, så har i sikkert basis for at gennemføre et succesfuldt computer vision projekt.
Uanset hvilke tanker du har, så er du meget velkommen til at kontakte os og vi kan tage en dialog om mulighederne.
Hvilke typer af projekter laver vi inden for Computer Vision?
Trueimpact.ai laver en bred vifte af forskellige projekter inden for computer vision.
Vi har samarbejde med en række specialiserede AI computer vision virksomheder primært i Syd- og Østeuropa, og i de fleste projekter bruger vi spidskompetencer i form af enkeltpersoner eller hele teams, som besidder lige præcis de tekniske kompetencer projektet har behov for.
Det betyder, at vi kan gennemføre stort set alle projekter inden for computer vision området. Vi sikrer, at scopet er både konkret og gennemførbart ud fra både jeres forudsætninger, og de teknologiske muligheder, der er til rådighed.
Fælles for alle vores projekter er, at vi er ansvarlige over for dig som kunde i hele forløbet - både ift. at scope og implentere det givne projekt.
Hvilke teknologier bruger vi ifm. Computer Vision projekter?
Gennem vores samarbejder med specialiserede enkeltpersoner og nichevirksomheder er vi i stand til at operere på en lang række forskellige teknologier, og vi vælger den rigtige teknologi baseret på jeres organisations forudsætninger og det konkrete projekts behov.
Eksempler på de mest anvendte teknologier er nedenfor:
OpenCV (Open Source Computer Vision Library): Et open-source bibliotek i C++ udviklet specifikt til computer vision og billedbehandling. OpenCV tilbyder funktioner fra f.eks. ansigtsgenkendelse og objektsporing til billedfiltrering og kantdetektion.
TensorFlow: Googles open-source machine learning-framework, som indeholder en række forudtrænede modeller (f.eks. til objektgenkendelse og billedklassifikation), og fungerer godt ift. skalering og GPU-acceleration.
PyTorch: Et open-source deep learning framework fra Meta, der kan bruges til at træne og teste avancerede neurale netværk. Dette bruger vi inden for forskning og eksperimenter inden for computer vision på grund af deres stærke API, som muliggør hurtig prototyping.
YOLO (You Only Look Once): Objekt- og detektionsalgoritmer, der har både høj hastighed og god nøjagtighed ved realtidsanalyse. YOLO bruges i mange applikationer som selvkørende biler, overvågning og droneteknologier.
AWS Rekognition: En cloud-baseret tjeneste fra Amazon Web Services, der tilbyder færdige modeller til objekt- og ansigtsgenkendelse og tekstgenkendelse. Det kræver ingen særlig opsætning af egne servere eller modeller, da det kører fuldt ud i skyen.
Træne egne modeller eller bruge standardmodeller?
Før de store LLMs fik deres gennembrud blev der lavet en lang række computer vision projekter, hvor man udelukkende trænede på egne data. Dette kan give stor nøjagtighed og kontrol, men det er meget sjældent den måde man vil gøre det på i dag, da det er alt for ressourcekrævende.
De eksisterende sprogmodeller er i dag så gode til billed- og videogenkendelse, at det næsten altid giver mening at basere sig på en eller anden form for eksisterende platform. Hvilken platform afhænger af en lang række forskellige faktorer, som vi vil afdække i samarbejde med dig.
Hvornår fejler Computer Vision projekter og hvornår lykkes de?
AI er en ny disciplin og derfor prædiker mange, at man skal påbegynde projekter begrænset viden om scopet, og definere scopet i takt med at projektet skrider frem. Dette kan være fint til at hæve organisationens AI modenhed og skabe læring, men det er ikke den måde vi arbejder på i trueimpact.ai
Vi tror på at computer vision projekter lykkes, når man ved hvad man vil rent forretningsmæssigt, og man grundigt har undersøgt, hvilke forudsætninger det kræver at gennemføre projektet. Derfor laver vi altid en foranalyse af computer vision projekter, der typisk inkluderer i vi analyserer:
Målsætninger: Baseret på vores erfaring og i samarbejde med jer, laver vi en business case der kvantificerer, hvad vi ønsker at få ud af projektet og dermed også hvornår det er en succes.
Krav til data: I computer vision projekter er det her i særlig grad vigtigt at definere hvilke data i allerede har, samt hvad kvaliteten af disse data er. Ud fra dette kan der laves en gap analyse og estimering af omkostninger på at få det nødvendige data.
Teknologi: Hvilken teknologi er mest optimal at anvende, og hvordan harmonerer det med jeres organisations kompetencer og mulighed for at vedligeholde og videreudvikle løsningen.
Proof of concept: Vi laver proof of concept på de mest kritiske elementer i projektet. I computer vision projekter er dette typisk at den valgte løsning i tilstrækkelig grad kan genkende eller klassificere objekter korrekt, og at løsningen kan integreres med eksisterende systemer.
Projekt- og ressourceplan: Når vi i samarbejde er sikre på, at vi har et projekt, der kan gennemføres og skaber tilstrækkelig værdi, så laver vi en konkret projekt- og ressourceplan, så der er klarhed om hvilke opgaver der ligger hos os og hvilke der ligger hos jer. Det er afgørende, at planen indeholder træning og implementering af den færdige løsning hos slutbrugerne.
Har du et relevant projekt?
Udfyld formularen nedenfor og vi kommer tilbage med relevante overvejelser og vores konkrete erfaring på området