Gailuko mozketa-eredu batek ikusten duena

By Technical specialist

Gailuko mozketa-eredu batek ez du pertsona, zapata, maskota edo aulkirik ikusten giza zentzuan. Irudiaren zenbakizko irudikapena jasotzen du eta zenbatesten du, pixelez pixel, gai nagusiarenak zein eremu izan daitezkeen. Bere irteera erabilgarria maskara bat da: emaitzaren gardentasun kanal bihur daitekeen gris-eskalako mapa bat.

Bereizketa horrek mozketa automatikoen abiadura eta haien mugak azaltzen ditu. Ereduak prestakuntzan ikasitako eredu bisualak erabil ditzake, baina ez du zure asmoa ezagutzen. Erdigunetik gertu dagoen objektu zorrotz batek garrantzitsua dirudi; beirazko ertz ahul batek edo ile solte batek hondo itxura izan dezake.

Irudi fitxategitik ereduaren sarrerara

Lehen aukeratzen duzun fitxategia deskodetu behar da. Konprimitutako argazki bat ez da zuzenean eredura pasatzen fitxategi-byte-bloke gisa. Arakatzaileak pixel bihurtzen ditu zabalera, altuera eta kolore balioak dituztenak.

Ondoren, inferentzia kanalizazioak ereduaren tamainako sarrera bat prestatzen du. Ereduaren eta exekuzioaren denboraren arabera, prestaketak honako hauek izan ditzake:

• deskodetutako irudiaren tamaina aldatu ereduak espero dituen neurrietara;
• Balio gorriak, berdeak eta urdinak zenbakizko kanal gisa antolatzea;
• balio horiek eskalatzea edo normalizatzea;
• tentsore batean bildu, inferentzia exekuzio-denborak erabiltzen duen array formatua.

Dimentsio zehatzak eta normalizazio-arauak ereduaren ezarpenari dagozkio. Puntu praktiko garrantzitsuena da inferentzia normalean prestatutako irudikapen batetik funtzionatzen duela, ez iturriko pixel guztietatik bere jatorrizko tamainan.

Easy Background Remover-k inferentzia-urrats hau exekutatzen du arakatzailean gailuko segmentazio-eredu batekin. Baliteke eredu-fitxategia lehen mozketaren aurretik deskargatu behar izatea, baina irudiak prozesatzeko bidea tokian tokiko jarraitzeko diseinatuta dago eredua prest dagoenean. Ereduaren deskarga aktibo eskaera bat da; ez da gauza bera aukeratutako argazkia urruneko ondorioetarako igotzea.

Irteera konfiantza moduko maskara bat da

Bere irteerako kokapen bakoitzerako, ereduak balio bat sortzen du, gaiaren antzekoagoa edo atzeko planoaren antzekoagoa dela interpreta daitekeena. Baliagarria da hau gris-eskalako irudi gisa irudikatzea:

• zuriak eremu hau mantentzea esan nahi du;
• beltzak esan nahi du eremu hori kendu;
• grisak estaldura partziala edo ertz batetik gertu dagoen ziurgabetasuna esan nahi du.

Arakatzaileak irteera hori laneko alfa maskara bihurtzen du. Jatorrizko koloreko pixelak koadro baten, betegarri solido baten, gradiente baten edo beste irudi baten gainean konposa daitezke. Esportazio garden batek maskara alfa gisa gordetzen du fitxategian koadroa margotu beharrean.

Balio bigunek garrantzia dute. Maskara-balio bakoitza zuri edo beltz hutsera berehala behartuko balitz, ilea, ilea, ehun-zuntzak, mugimendu-lausoa eta ertz desfokatuak oso gogorrak izango lirateke. Alfa partzialak trantsizio leunagoa gorde dezake. Gainera, atzealde zaharreko kolore ertzak agerian utzi ditzake, eta horregatik emaitzak ikusmen egiaztapena merezi du oraindik.

Zer ikusizko frogak laguntzen dion ereduari

Segmentazio-eredu batek arrasto bat baino gehiago erabil ditzake aldi berean. Arrasto sendoak sarritan hauek dira:

• gaiaren eta hondoaren arteko kontrastea;
• objektu nagusi baten inguruan etengabeko mugak;
• Forma, ehundura eta posizioaren konbinazio ezagunak;
• sakontasun-seinaleak, hala nola foku desberdintasunak;
• bisualki elkarrekin dagozkion eskualdeak.

Arrasto hauetako bat ere ez da bermerik. Horma ilun baten kontrako jaka ilun batek muga-kontraste ahula eskaintzen du. Hutsune estuak dituen aulki batek objektuaren antza duten hondoko eskualdeak izan ditzake. Ereduzko atzealde batek benetako gaiarekin lehiatu dezake arretarako.

Eredua estimazio onena egiten ari da eskuragarri dauden pixeletatik. Ezin ditu irudiak inoiz harrapatu ez dituen xehetasunak berreskuratu.

Modeloak ez dakiena

Ereduak ez daki automatikoki zein objektu gorde nahi zenuen hainbat subjektu daudenean. Ez daki edateko edalontzi gardena komertzialki garrantzitsua denik, itzal batek errealismorako geratu behar duenik edo uhal txiki bat poltsa batena denik.

Ez du iturburu lauso baten bereizmen handiko bertsio ezkutuko bat ere jasotzen. Konpresio-blokeek, moztutako argitasunak, mugimendu-lausoak eta oso xehetasun txikiek eskuragarri dauden frogak mugatzen dituzte. Aurrebistaren zooma handitzeak pixelak handitzen ditu pantailan; ez du falta den informazioa sortzen.

Horregatik, “AIk detektatu du” eta “ertza argitaratzeko prest dago” aldarrikapen desberdinak dira. Detekzioak edizioa hasten du. Berrikuspenak amaitzen du.

Zergatik diren zailak xehetasun meheak eta gardenak

Objektu meheek pixel gutxi hartzen dute. Irudi bat inferentziaren tamaina aldatzen denean, pixel bateko hari bat edo ile-harria batez bestekoa izan daiteke inguruko atzeko planoarekin. Objektu gardenak zailak dira beste arrazoi batengatik: haien kolore ikusgaia atzealde zaharra da, neurri batean. Muga argia izan daiteke objektua ulertzen duen pertsonarentzat, pixelaren eredua anbiguoa izaten jarraitzen duen bitartean.

Itzal leunek nahita anbiguotasuna sortzen dute. Kanpoko ertza pixkanaka desagertzen da, eta ez dago mozketa objektiboki zuzen bakarra. Itzal osoa mantentzeak naturala dirudi hondo antzeko batean, baina zikina betegarri berri distiratsu batean. Kenduz gero, baliteke gaia flotatzen ari dela agertzea.

Hauek epai-arazoak dira eredu-arazoak bezainbeste.

Eredu maskara, lan egiteko maskara eta esportatzeko maskara

Hiru fase bereizten laguntzen du:

1. Eredu-maskara: inferentzia bidez itzultzen den estimazio automatikoa.
2. Lan-maskara: Gehitu edo Ezabatu hobekuntzaren ondoren editorean agertzen den maskara.
3. Esportatu maskara: uneko emaitza deskargatu edo kopiatzen denean aplikatzen den lan-maskara.

Easy Background Remover-n, eskuila fintzeak laneko maskara editatzen du. Esportatu uneko editatutako emaitza erabiltzen du ukitu gabeko maskara automatikora isilean itzuli beharrean. Honi esker, ereduari bereizketa zabala kudeatzen da asmoaren araberako xehetasunak zuzentzen dituzun bitartean.

Bistaratzen den aurrebista eskala daiteke editorera egokitzeko. Pantaila-tamaina hori ez da maskaren barneko xehetasunaren neurri fidagarria. Irakurri Maskararen bereizmena vs aurrebistaren tamaina bereizketa ikusteko.

Tokiko inferentzia oraindik konfigurazio-urrats bat dauka

Modelo bat gailuan exekutatzeko ereduaren pisuak eta arakatzaile bateragarria den exekuzio-denbora behar dira. Pisuak interfaze-kode arruntak baino askoz ere handiagoak dira, beraz, editorearen abiarazte bakoitzean dena kargatzea alferrikakoa izango litzateke. Lehen saio batek eredua deskargatu eta gorde dezake; geroago saio arruntek berrerabili ahal izango dute normalean.

Zergatik lehen exekuzioak deskargatzen duen modelo bat muga hori azaltzen du ereduko erreproduzigaien deskargarekin argazki kargatuarekin nahastu gabe. Inferentzia astunak interfaze nagusiaren haritik ere ihes egiten du; ikusi Web Worker irudiak prozesatzeko oinarriak.

Emaitza epaitzeko modu praktikoa

Ez ikuskatu gaiaren erdigunea bakarrik. Egiaztatu froga ahulena dagoen maskara:

• ilea, ilea, biboteak eta ehun-zuntzak;
• betaurrekoak, uhalak, hariak eta hutsune estuak;
• kontraste baxuko ertzak;
• material erdi gardena;
• kontaktu itzalak;
• atzeko kolore zaharra gera daitekeen izkinak.

Ikusi emaitza hondo argi eta ilunean, azken helmuga ezezaguna bada. Halo zurbil bat zurian desager daiteke eta beltzean agerikoa izan daiteke. Ondoren, hobetu nahi den erabilerari eragiten dioten eremuak soilik.

Segmentazio automatikoa lehen pasabide sendo gisa tratatzen denean da erabilgarriena, ez ulermen perfektuaren adierazpen gisa. Tokiko mozketa eta fintze-fluxu osoa probatzeko, ikusi Hasi.