Интерактивные примеры работы нейронных сетей

Уровень курса

← К урокам·Сюжет·55 мин

Найдите объекты в кадре, отделите их от фона и превратите голос в текст.

На розовом диване спят два кота. Хочется сделать из них наклейку для чата. Представьте, что вокруг каждого кота провели самую тесную прямоугольную рамку, в которую он помещается целиком. Получится ли наклейка без дивана, если вырезать оба прямоугольника?

Для первого занятия на 45 минут сравните рамки и маску на одном снимке, затем сверьте субтитры с записью. Результаты моделей уже в уроке. Если захотите проверить собственный снимок или видео, запустите модель на устройстве.

На фотографии можно спросить не только «есть ли кот?», но и «где каждый кот?». Это задача обнаружения объектов. Вход — изображение. Выход — список найденных объектов: для каждого нужны название категории, прямоугольная рамка и оценка уверенности модели.

Посмотрите на левого кота. Что помимо него оказалось внутри рамки? Проследите лапу, вытянутую вниз. Целиком ли она войдёт в миниатюру?

Два кота на розовом диване. У левого кота между лапами видна розовая ткань. Пульт лежит над спиной, чуть ниже верхней стороны рамки. Нижняя сторона пересекает кончик лапы.

Рамки YOLO26n для класса «кот».
Сверить наблюдение на снимке

Слева в рамке видны пульт и ткань между лапами. А кончик вытянутой вниз лапы оказался чуть ниже нижней границы. При обрезке по рамке пульт сохранится, а часть лапы пропадёт.

В опыте ниже можно запустить детектор на другом фото. В «Примере видео» посмотрите, сохраняются ли номера котов при движении.

Объекты в кадре

Рамки показывают расположение объектов; номера помогают проследить за ними на видео.

В видео сеть заново находит объекты на каждом кадре. Дополнительный алгоритм сопоставляет соседние рамки и присваивает им номера — это отслеживание объектов. При перекрытии или резком движении номера могут перепутаться. Встроенный пример специально прост: движется фотография, а не сами коты. Собственное видео позволяет устроить более трудную проверку.

Из фотографии нужны две прямоугольные миниатюры — по одной на каждого кота. Какого ответа детектора достаточно, чтобы редактор узнал, где провести границы обрезки?

Внутри рамки левого кота, между его лапами, видна розовая ткань. Для поиска кота такая рамка вполне удачна. А в наклейке лапы должны остаться, ткань между ними — исчезнуть. Теперь программе нужно решить, какую часть снимка оставить видимой. Эту задачу называют выделением переднего плана.

На результате второй сети найдите то место, где между лапами была розовая ткань. Исчезла ли ткань? Не пропала ли вместе с ней шерсть?

Оба кота сохранились. Между лапами просвечивает страница, ткань и пульт исчезли.

BiRefNet Lite обработала тот же снимок. В прозрачных местах виден фон страницы.
Объект без фона

Шахматная подложка обозначает прозрачность. Результат можно сохранить как PNG.

Сеть выдаёт маску — для каждого пикселя она оценивает, насколько тот должен остаться видимым. По этой маске программа делает фон прозрачным. Если на наклейке осталась полоска розовой ткани, сеть сохранила часть дивана. Если укоротился ус, она стёрла часть кота.

А если для наклейки нужен только левый кот? Даже когда сеть идеально убрала диван, общая маска может сохранить обоих. Она отделяет передний план от фона, но не указывает, где кончается один кот и начинается другой.

Для наклейки нужно сохранить обоих котов и сделать прозрачной ткань между лапами. Какой результат позволит редактору вырезать такой контур?

Фотография плоская, но мы замечаем, что кот ближе стены, а спинка дивана — дальше его морды. Нейросеть тоже может искать признаки взаимного расположения объектов: перспективу, перекрытия, знакомые формы. Задача называется оценкой глубины.

Попробуйте. Сначала сами назовите самый близкий и самый далёкий участок фотографии. Затем получите карту глубины. Совпало ли ваше предположение с ответом сети?

Что ближе, а что дальше

На карте светлое означает ближе, тёмное — дальше. Сравните границы предметов с фотографией.

Вход — один снимок, выход — карта относительной глубины, где каждой точке сопоставлена оценка её удалённости. Такая карта помогает отделять ближний план от дальнего, например для эффекта размытого фона. Это другая задача, чем выделение кота: глубина описывает всю видимую сцену.

Замена одного слова в субтитрах может изменить смысл фразы. При распознавании речи модель восстанавливает слова по звуку.

Какой из двух вариантов субтитров точно передаёт фразу? Сверьтесь с записью или с её текстом ниже.

Текст записи

«Сегодня мы проверяем, как нейронная сеть распознаёт русскую речь».

Оба варианта составлены автором для сравнения.

  • А. Сегодня мы проверим, как нейронная сеть распознаёт русскую речь.
  • Б. Сегодня мы проверяем, как нейронная сеть распознаёт русскую речь.
Сверить выбор

В записи слышно «проверяем» — говорящий описывает то, чем занят сейчас. Вариант Б передаёт его слова. В варианте А подмена на «проверим» превращает их в сообщение о планах.

А как справится сама нейросеть? В опыте ниже запустите распознавание той же записи или запишите фразу с необычным именем. Сверьте спорное слово с тем, что прозвучало. Для запуска потребуется скачать модель.

Русская речь становится текстом

Можно использовать готовую запись, свой файл или микрофон. В опыте обрабатываются первые 30 секунд.

Плавный и грамматически правильный текст ещё не означает точную расшифровку. На шуме, тишине и непривычных словах модель может пропустить или добавить слова. Проверять результат нужно по записи, особенно если ошибка в имени или числе меняет смысл.

В субтитрах разошлись две версии одного слова. Обе подходят по смыслу. Как узнать, какую оставить для точной цитаты?

Детектор выдаёт рамки и названия категорий. Но иногда нужен другой ответ: «Что лежит на диване?» или «Чем отличаются два кота?». Здесь работают вместе изображение и язык. Мультимодальная модель получает фотографию и текст вопроса, затем составляет текстовый ответ.

Попробуйте. Попросите описать фотографию одним предложением. Затем включите камеру и спросите, какие предметы видны или что человек держит в руке. Измените сцену и дождитесь следующего ответа. Быстрый вариант отвечает по-английски; для русского есть отдельный компактный вариант. Каждая модель видит отдельные кадры, поэтому ответы обновляются с задержкой, а не на каждом кадре видео.

Вопросы по фотографии и камере

Сопоставляйте каждое утверждение с изображением. Уверенный тон не подтверждает, что деталь существует.

По внешности нельзя установить, «хороший» человек или «плохой», каков его характер и можно ли ему доверять. Проверяемые вопросы касаются видимых предметов и действий.

Модель может связать изображение с вопросом и сформулировать удобный ответ. Но она также может неверно посчитать предметы или придумать правдоподобную деталь. Сравните её описание с результатом детектора: подпись словами и список рамок имеют разные возможности и разные ошибки.

Языковая модель получает текст и генерирует продолжение. После специального обучения на заданиях и ответах она может выполнять инструкции: сокращать, переводить, объяснять или предлагать названия. В отличие от распознавания речи здесь часто допустимо много разных хороших ответов.

Попробуйте. Придумайте названия для кружка, затем попросите сократить готовый абзац. В первом случае оцените выразительность, во втором — сохранился ли смысл и не добавились ли новые сведения.

Текст по вашему заданию

Начните с маленькой модели Qwen. Кнопки под заданием предлагают несколько разных задач.

Для сравнения ниже есть более крупная модель. Дайте ей точно то же задание и заранее выберите критерий: соблюдение ограничения, точность пересказа или удачность названий. Размер модели сам по себе не определяет победителя в конкретном опыте. Скачивание второго варианта необязательно.

То же задание для Gemma

Около 2,3 ГБ загрузки и дополнительная рабочая память. При запуске другого примера предыдущая модель выгружается, а её ответ остаётся на странице.

Во всех этих опытах мы применяли готовые сети: загрузка фотографии или новый вопрос меняют вход, но не обучают модель заново. Это позволяет использовать одну обученную сеть много раз, для разных примеров подходящей ей задачи.

Задачу определяют вход, нужный выход и критерий качества: рамка, маска, глубина и текст требуют разных проверок.

При обучении меняются настройки сети. При применении готовая сеть получает новые входные данные.

Правдоподобный результат нужно сверять с изображением, записью или условиями задания.

Домашняя работа

  1. Вы загрузили другое фото в готовый детектор. Что произошло в этом опыте?

Источники

Повторить эту тему