Slik fungerer AI-basert objektgjenkjenning i en dashcam-app

Fra kamerabilde til rammer

En modell for gjenkjenning av veiobjekter behandler et bilde og forutsier støttede objektklasser, avgrensningsrammer og konfidensverdier. I AyniCam kjører kamera-AI på iPhone. En vist etikett er modellens tolkning av det tilgjengelige bildet, ikke en fullstendig beskrivelse av alt rundt bilen.

Dette kan AyniCam kategorisere

Modellfamilien støtter personer, sykler, motorsykler, biler, busser, trafikklys og stoppskilt. Et objekt utenfor disse klassene kan bli oversett eller feilmerket. En bilramme identifiserer ikke bilens nøyaktige modell og garanterer ikke retningen foran/bak. Konfidens er ikke en kollisjonssannsynlighet eller en målt avstand.

Ett kamera betyr begrenset geometri

Omtrentlig plassering kan støtte en forenklet visning, men kameraet leverer ikke en oppmålt scene. Skjulte objekter, kameravinkel og endret utseende påvirker estimatet. Virtuell visning forenkler kameraobservasjoner; 3D-kart legger til veier og bygninger fra kartdata. Dette er ulike informasjonskilder.

Masker gir en annen type utdata

Segmenteringsmodellen i Pro forutsier individuelle objektmasker og en veibanemaske på en egen side. Masker er nyttige for å se en anslått form i stedet for bare et rektangel. En veimaske er ikke kjørefeltgjenkjenning, en fotgjengerfeltdetektor eller en garanti for kjørbart areal.

Slik vurderer du et resultat

Mens du står stille, sammenlign utdataene med kildebildet og noter oversette objekter, feil etiketter og ustabilitet. Registrer enhet, scene, modell og innstillinger ved enhver sammenligning. Gjenskinn, mørke, regn og tildekking kan redusere nyttige observasjoner. Animasjoner i modellvelgeren og simulatorgjenkjenning er illustrasjoner; de dokumenterer ikke målt nøyaktighet, forsinkelse eller universell bruk av Neural Engine.