Не, я конечно все понимаю - программа бесплатная и т.п. Исходя из этого я как то уже смирился с тем, что при распознавании белокожей женщины, например, предлагают ее же распознать в мужчине негре, про прочие частности, когда приходится отвергать кучу абсолютно непохожих лиц я уж молчу. Но где на этих фото программа смогла рассмотреть черты лица человека?

Добрый день! Что же, попробую объяснить, насколько это вообще возможно. Все сейчас слышат кругом термин “искусственный интеллект”, но мало кто понимает, что это всего лишь маркетинговая уловка для выдаивания денег в первую очередь с инвесторов, а уже во вторую - с потребителей. Никакого искусственного интеллекта, в самом изначальном смысле этого слова, не существует. Есть набор методов машинного обучения, (довольно эффективных, надо сказать), которые к тому же быстро развиваются, всё более успешно решают всё более широкий круг задач. Но давайте определимся с тем, что такое алгоритм машинного обучения . Это некая программа (и не важно на нейросетях или какой другой архитектуры), который обучается на примерах, и который пытается обобщить полученные примеры, и воспроизводить аналогичное поведение на других примерах из предметной области, которых он раньше не видел никогда. В Tonfotos на данный момент используется четыре(!) разных алгоритма машинного обучения для разных этапов обработки лиц: Обнаружение лиц на фотографии Определение геометрии лиц для их последующей нормализации Вычисление атрибутов лиц, чтобы можно было сравнивать насколько они похожи Кластеризация похожих лиц в группы Но это не главное. Главное, что все алгоритмы обучаются на какой-то обучающей выборке (которая никогда не является достаточно репрезентативной, и часто тоже содержит ошибки, но не это сейчас главное) для достижения максимального результата. А результатом является некая метрика, например соотношение правильно и неправильно угаданных результатов (например, лиц). Так вот, подходим к главному. Никогда эти нейросети не достигают 100% качества в результате обучения. Всегда есть какой-то процент ошибок. А если какой-то инженер машинного обучения скажет, что он достиг 100%, то его тут же уволят за непрофпригодность, потому что он переобучил свою стеку, что на практике означает, что сетка просто запомнила всю обучающую выборку, вместо того, чтобы сделать обобщающие выводы, и будет работать вообще плохо в реальных условиях. Итак вывод номер 1 - всегда будут примеры, на которых сетка будет ошибаться. Какой бы хорошей она не была. Даже если она даёт 99,98% качества (что вообще говоря фантастика для задачи распознавания лиц на данный момент), это означает, что из 100 000 распознанных лиц 20 будут ошибочными. Но и это еще не всё. Есть очень хорошие нейросети от лучших исследовательских центров, которые дают дейтвительно неплохой результат, более 99% (опять же оставим в стороне для простоты изложения что конкретно значат эти проценты), вот например есть статья: https://paperswithcode.com/sota/face-verification-on-labeled-faces-in-the тут даже приведены результаты независимого исследования. И даже эти лучшие в мире сети дают ошибки в несколько десятых долей процента. Но на вашем компьютере, скорее всего, ни одна из этих сетей даже не запустится, если у вас конечно случайно не подключена пара видеокарт Titan за миллион рублей каждая. Поэтому, тут всплывает второй фактор - в реальных условиях всегда используются упрощенные архитектуры сетей, которые представляют собой компромисс между точностью, скоростью работы и требовательностью к вычислительным ресурсам. Что означает, что они дают еще больший процент ошибок, зато мы, простые смертные, вполне можем использовать их в быту с разумной производительностью. И тут мы приходим к статистике. В Tonfotos обрабатываются обычно очень большие архивы. У меня вот терабайт примерно. Под сотню тысяч фотографий, несколько сотен тысяч лиц. На таких масштабах всегда при самых крутых сетях будет достаточно ошибок, над которыми мы все сможем посмеяться из серии “ну блин программа тупая, ну как она могла ошибиться НА ТАКОМ!!!! ”. Что уже говорить о компромиссных сетях, которые я использую. Но при этом мы почему-то забываем даже посмотреть в сторону тысяч лиц, на которых она не ошиблась, и благодаря которой мы разметили их без особых усилий за очень короткое время. А об этом забывать вовсе не стоит, ибо именно соотношением правильных и ошибочных результатов определяется эффективность сети, а вовсе не чем-то еще. Очень легко сделать алгоритм, который вообще не будет давать смешных ошибок. Он просто и нормальных лиц будет выдавать намного меньше тоже. Нужен вам такой алгоритм? Сомневаюсь 🙂 Причем забавный факт. Обычно люди оценивают эти ошибки, как те, что вы прислали выше из серии “ну блин, это же очевидно! я, как человек, никогда бы такую глупость не сморозил бы! почему машина лажает?” Лично не искал исследования на эту тему конкретно для лиц, но по моему опыту с другими системами распознавания, предположу, что процент ошибок даже тех упрощенный сетей, что использует Tonfotos, скорее всего, меньше , чем у среднестатистического человека. То есть, если человеку не давать смотреть только на предложения, которые нейросеть пытается выскрести из низкокачественных снимков, а произвести честный эксперимент - дать одинаковое количество фоток незнакомых людей разного качества сетке и человеку и через некоторое время посмотреть, что они там понаразмечают, то мне почему-то кажется, что человек без помощи каких либо инструментов наделает гораздо больше ошибок, чем сеть. Да, возможно, ошибки будут не такими “смешными” как те, что вы привели тут для примера, человек будет ошибаться на другом. Но неизбежно будет, и смею предположить, что ошибаться будет гораздо чаще. Особенно, если фотки незнакомых ему людей - тут я думаю, качество у человека будет вообще ниже плинтуса. В общем, надеюсь я дал исчерпывающий ответ на вопрос.

Еще практический совет. Любой алгоритм машинного обучения работает по принципу “мусор на входе - мусор на выходе”. Если вы обнаружили, что для какого-то человека (или нескольких людей) из вашей библиотеки программа выдает слишком много ложных предположений, то это явный признак того, что вы, скорее всего, уже подтвердили какие-то неверные фотографии ранее. И теперь, обучаясь на них как на примерах, программа даёт вам всё больше неверных вариантов. В такой ситуации лучший вариант - внимательно глазами просмотреть альбом ранее принятых лиц для этого человека и вычистить оттуда весь мусор. Качество предлагаемых вариантов сразу вырастет в разы.

Все это, конечно, хорошо и, в целом, понятно. Не очень понятен алгоритм машинного обучения. У меня, к примеру, по большинству из 6 распознанных практически вручную людей (практически вручную - это их отлавливание в виде 1 верного варианта из 50 предложенных) - более 2 тысяч распознанных фото. По каждому. И все равно - процент брака не сильно снижается, такое ощущение, что программа подсовывает мне рандомные лица (и иногда - предметы), прошерстив которые я самостоятельно выбираю единицы верных. Причем зачастую вылавливают варианты, когда я уже отклонил, а она настойчиво мне их снова предлагает. Ну т.е. тут как то не программа машинно обучается, а меня обучает.

Pedalkin Понятно, у вас слишком мало людей в базе, обучающая выборка получается плохо сбалансированная. Алгоритм кластеризации работает на “первой передаче” - используется быстрый, но менее точный подход. Но он не предназначен для тысяч лиц, быстрый алгоритм хорошо работает до нескольких сотен лиц, дальше нужен более точный - SVM. Он сильно медленнее, но гораздо точнее. Но он включается лишь начиная с 15 персон. На малом количестве персон ему сложно “расправить крылья”.

Со своей стороны хочу сказать, что меня алгоритм распознавания tonfotos вполне устраивает. Я пока распознаю в основном только членов семьи и могу сказать, что tonfotos отличает моих детей даже во младенчестве, хотя я не всегда могу это сделать. У двух младших детей и жены распознавание близится к 100% - очень редко встречаются ошибочные кадры. Старший ребенок - больше ошибок: здесь предлагает и взрослых каких-то и других детей. Хуже всего ему дается распознавание моего лица - то кусок ковра предложит, то какой-то размытый цветок на заднем плане 😀 Однако программа, например, распознала меня вот на такой фотографии: Также сравню с picasa: в свое время я уже распознавал и сортировал все лица, которые мне предлагала пикаса и, для надежности (и поиска по нескольким лицам на фото), я прописал во всех распознанных фотографиях имена в тегах. Дак вот: tonfotos нашел и те фото (из старых), на которых тегов нет. То есть, в свое время picasa их не нашла / не распознала. p.s. Справедливости ради: я пока не могу сказать, а все ли фотографии с прописанными в пикасе тегами, нашел tonfotos. Процесс распознавания все еще идет.

Андрей спасибо большое за положительный отзыв! Добавлю, что моему собственному опыту, Tonfotos нашел (после уже нескольких месяцев использования) в несколько раз больше фото близких, чем нашла в свое время Picasa. Еще я специально для сравнения купил самую дорогую программу в данной категории - ACDSee. И опять же, по моим субъективным впечатлениям, там распознавание заметно менее удобно организовано. Настолько неудобно, что трудно что-то про качество сказать - я бросил и не стал процесс до конца доводить.

Уважаемый Pedalkin , в последний выпуск (1.1.2) вошли изменения в порогах срабатывания алгоритмов, что должно улучшить качество кластеризации на небольшом количестве человек в базе. Было бы очень интересно получить вашу обратную связь по изменениям.

Ну как то не заметил существенной разницы.

Pedalkin сколько персон в библиотеке сейчас?

Сколько и было - 6. И вот что еще заметил - при попадании новых фото с последующим распознаванием персоны: “Лыко да мочало - начинай сначала”, т.е. опять программа заново начинает шерстить весь перечень лиц (ну или лиц - по ее мнению), в т.ч. - ранее отвергнутых.

Распознавание лиц

Этот сайт лучше всего просматривать в современном браузере с включённым JavaScript.

Распознавание лиц

Олег С

veneamin Венеамин, скорее всего Вы правы. Хотя ожидаешь обратного - чем больше данное лицо размечено, тем точнее программа будет его находить.

Ещё одна особенность, которую я заметил: стоит один раз ошибиться и отметить не того человека, пусть даже у него уже 600-800 фото отмечено, и всё. Будет предлагаться что угодно, и девочки вместо мальчиков, и дети вместо взрослых, и бородатые дядьки вместо детей. Приходится листать и отсматривать эти 600-800 фото в поисках одного некорректного. Возможно, есть более простой способ?

FoksSerg

Олег С Да, есть такая тема. Если “поперли левые”, приходится сначала внимательно пересмотреть десятки сотен подтвержденных в поисках неверных персонажей. Причем к сожалению несколько раз натыкался на явно нереально закрепленные лица, просто совсем не из той оперы. Но в последнее время вроде больше такого не наблюдалось, хотя возможно просто руки не доходят опять заняться наведением порядка, утверждать не берусь.

veneamin

Олег С я не очень силен в нейросетках, но насколько я понимаю, проблема в том, что чем более сложные фото мы добавляем, тем более расплывчатыми становятся критерии похожести. Пока мы добавляем фото с 90% схожести, все ок, но когда добавляем с 10%, а то и просто руками указываем лицо и человека, вместе с ней подтягиваются нехарактерные “приметы”, отсюда начинаются ложные срабатывания

Андрей

veneamin да, вы всё верно понимаете. Именно так оно и работает. И про фото сбоку и из-за плеча тоже очень верно выше написали.

Олег С

Тогда, раз мы говорим про сотни, а то и тысячи фото, которые приходится вручную отсмотреть и среди которых нужно найти несколько некорректно отмеченных, то явно напрашивается функция “покажи всех, кто выбивается”, или “отсортируй по уверенности/вероятности”, или подобная. Чтобы машина делала то, что у неё получается лучше, а не человек.

Alex

Уже неоднократно предлагал, некоторым распознаным фото, прикрутить какой томеханизм “весов”. т.е. чтобы не совсем эталонные ( там где часть лица, очки, угол наклона головы ) фотки человека не портили алгоритм распознавания.

AlexPol

Очередной раз ПРОГРАММА рисует квадрат на лице человека для распознавания.
Лицо в профиль. В квадрате - по центру УХО огромное и … маленький глазик с огромным новом.
Я человека распознал. Программе подсказал. Но суь в том, что я не могу поменять этот образ, что схватила программа. ОГРОМНОЕ ухо и почти всё. Мне так и не удалось победить этот разум. Я плюнул и удалил этот снимок.
Ещё раз порошу дать пользователю возможность самому исправлять этот квадрат… для распознавания. Иначе вырезка ИИ - это кошмар.

leonid

вот эту фотку пердложила программа для подтверждения лица ребенка )))

Но это просто забавная фотка по сравнению с тем сколько программа распознала! Спасибо Вам.

Ashman

leonid ctrl+I в помощь 🙂
У меня фиги любит предлагать!

AndreyShrek

подскажите пожалуйста, а что значит красный занк такой, выплывает не понятно по какому принципу…

Андрей

AndreyShrek что-то поломалось, просто перезапустите программу и пройдет. Я тоже один раз сталкивался, но не понял пока, что приводит к такому эффекту.

« Предыдущая страница