បដិវត្តន៍ចក្ខុវិស័យកុំព្យូទ័រ៖ ថាមពលនៃ LLaVA និងការលៃតម្រូវ

ថ្មីៗនេះខ្ញុំបានចូលទៅក្នុងពិភពនៃចក្ខុវិស័យកុំព្យូទ័រ ហើយបានរកឃើញគំរូភាសាចក្ខុវិស័យដ៏គួរឱ្យរំភើបមួយដែលមានឈ្មោះថា LLaVA ។ គំរូនេះបានធ្វើបដិវត្តដំណើរការនៃការបង្រៀនគំរូមួយដើម្បីទទួលស្គាល់លក្ខណៈពិសេសជាក់លាក់នៅក្នុងរូបភាពមួយ។

ជាប្រពៃណី ការបណ្តុះបណ្តាលគំរូដើម្បីសម្គាល់ពណ៌នៃរថយន្តនៅក្នុងរូបភាពមួយ តម្រូវឱ្យមានដំណើរការហ្វឹកហាត់ដ៏លំបាកពីទទេ។ ទោះជាយ៉ាងណាក៏ដោយជាមួយនឹងម៉ូដែលដូចជា LLaVA អ្វីដែលអ្នកត្រូវធ្វើគឺសួរវាជាមួយនឹងសំណួរដូចជា "តើរថយន្តពណ៌អ្វី?" និង voila! អ្នកទទួលបានចម្លើយរបស់អ្នក រចនាប័ទ្មសូន្យបាញ់។

វិធីសាស្រ្តនេះឆ្លុះបញ្ចាំងពីការរីកចម្រើនដែលយើងបានឃើញនៅក្នុងវិស័យដំណើរការភាសាធម្មជាតិ (NLP)។ ជំនួសឱ្យការបណ្ដុះបណ្ដាលគំរូភាសាពីដំបូង អ្នកស្រាវជ្រាវឥឡូវនេះកំពុងធ្វើការកែសម្រួលគំរូដែលបានបណ្តុះបណ្តាលជាមុន ដើម្បីបំពេញតម្រូវការជាក់លាក់របស់ពួកគេ។ ដូច​គ្នា​នេះ​ដែរ ចក្ខុវិស័យ​កុំព្យូទ័រ​កំពុង​តែ​ឈាន​ទៅ​ទិស​ដៅ​ដូច​គ្នា។

ស្រមៃថាអាចទាញយកការយល់ដឹងដ៏មានតម្លៃពីរូបភាពដោយប្រើប្រអប់បញ្ចូលអត្ថបទដ៏សាមញ្ញមួយ។ ហើយ​ប្រសិន​បើ​អ្នក​ត្រូវ​ការ​ដើម្បី​លើក​កម្ពស់​ការ​អនុវត្ត​របស់​ម៉ូដែល, ការ​សម្រួល​បន្តិច​អាច​ធ្វើ​ឱ្យ​អស្ចារ្យ. ជាការពិត ការពិសោធន៍របស់ខ្ញុំបានបង្ហាញថា ម៉ូដែលដែលបានកែសំរួល ថែមទាំងអាចដំណើរការបានប្រសើរជាងអ្នកដែលបានទទួលការបណ្តុះបណ្តាលតាំងពីដំបូង។ វាដូចជាមានអ្វីដែលល្អបំផុតនៃពិភពលោកទាំងពីរ!

ប៉ុន្តែនេះគឺជាកម្មវិធីផ្លាស់ប្តូរហ្គេមពិតប្រាកដ៖ គំរូមូលដ្ឋាន ដោយសារការបណ្តុះបណ្តាលយ៉ាងទូលំទូលាយរបស់ពួកគេលើសំណុំទិន្នន័យដ៏ធំ មានការយល់ដឹងគួរឱ្យកត់សម្គាល់អំពីតំណាងរូបភាព។ នេះមានន័យថាអ្នកអាចកែសម្រួលពួកវាដោយគ្រាន់តែឧទាហរណ៍មួយចំនួន ដោយមិនចាំបាច់ប្រមូលរូបភាពរាប់ពាន់សន្លឹក។ តាមការពិត ពួកគេអាចរៀនពីឧទាហរណ៍តែមួយ។

ល្បឿន​នៃ​ការ​អភិវឌ្ឍ​គឺ​ជា​អត្ថប្រយោជន៍​មួយ​ទៀត​នៃ​ការ​ប្រើ​ប្រអប់​បញ្ចូល​អត្ថបទ​ដើម្បី​ធ្វើ​អន្តរកម្ម​ជាមួយ​រូបភាព។ ជាមួយនឹងវិធីសាស្រ្តនេះ អ្នកអាចបង្កើតគំរូនៃចក្ខុវិស័យកុំព្យូទ័របានយ៉ាងឆាប់រហ័សក្នុងរយៈពេលប៉ុន្មានវិនាទី។ វាលឿន មានប្រសិទ្ធភាព ហើយវាកំពុងធ្វើបដិវត្តលើវិស័យនេះ។

ដូច្នេះ តើ​យើង​កំពុង​ឈាន​ទៅ​អនាគត​ដែល​គំរូ​មូលដ្ឋាន​នាំមុខ​ក្នុង​ចក្ខុវិស័យ​កុំព្យូទ័រ ឬ​នៅ​តែ​មាន​កន្លែង​សម្រាប់​បណ្ដុះបណ្ដាល​គំរូ​ពី​ដំបូង? ចម្លើយចំពោះសំណួរនេះនឹងកំណត់អនាគតនៃចក្ខុវិស័យកុំព្យូទ័រ។

PS ខ្ញុំចង់ដោតកម្មវិធីប្រភពបើកចំហរបស់ខ្ញុំដែលហៅថា Datasaurus ដោយឥតអៀនខ្មាស។ វាប្រើប្រាស់ថាមពលនៃគំរូភាសាចក្ខុវិស័យ ដើម្បីជួយវិស្វករទាញយកការយល់ដឹងពីរូបភាពបានយ៉ាងឆាប់រហ័ស។ ខ្ញុំចង់ចែករំលែកគំនិតរបស់ខ្ញុំ និងចាប់ផ្តើមការសន្ទនាអំពីអនាគតនៃចក្ខុវិស័យកុំព្យូទ័រ។ តោះ​និយាយ​គ្នា!