В первой части статей о распознавании изображений в ритейле мы начали с основ точности распознавания изображений. Затем, во второй части, мы объяснили, как рассчитываем уровень точности, и предоставили вам формулу. Теперь пришло время для части III, последней в нашей серии статей о точности распознавания изображений. Здесь мы расскажем о том, как мы демонстрируем точность распознавания на дашбордах в Inspector Cloud и какие ошибки там могут увидеть наши клиенты.
Панель управления точностью распознавания изображений в Inspector Cloud
Дашборд точности распознавания изображений — это стандартный дашборд в нашем решении, но его можно кастомизировать по запросу.
Панель инструментов состоит из двух диаграмм, как показано на первом изображении ниже: первая фиксирует точность распознавания изображений на ежедневной основе, а вторая демонстрирует ошибки точности по типам и показывает, какой тип ошибки превалирует в общем проценте ошибок. Красная линия на диаграмме указывает уровень ошибок, определенный в контракте как допустимый.
Дашборд точности распознавания товаров в Inspector Cloud
Результат анализа представлен на изображении ниже, и вы можете видеть, что средняя точность распознавания изображений за период 2 недели составила 96,6%.
Процесс за этим дашбордом выглядит так: точность распознавания изображений отслеживается ежедневно, и есть оговоренное количество изображений, которые ежедневно проверяются на наличие ошибок.
Дашборд точности классификации ценников в Inspector Cloud
Для обеспечения высокого уровня точности распознавания изображений в нашей команде есть специалисты по обеспечению качества, которые хорошо знают характеристики продукции заказчика и ежедневно следят за уровнем точности. Одной из ежедневно выполняемых ими задач является выбор изображений для мониторинга.
За последние несколько лет у нас было много масштабных проектов, и мы пришли к выводу, что и для нас, и для наших заказчиков наиболее благоприятная ситуация, когда обе стороны имеют четкое представление о реальных уровнях точности и долях ошибок.
Типы ошибок распознавания изображений, которые мы используем в Inspector Cloud
- Ложноотрицательный результат: продукт не может быть идентифицирован. На фото и на дашборде мы помечаем это как FN.
- Ложное срабатывание: нейронные сети идентифицируют конкурентный продукт как продукт клиента.
- Размер: ошибка в размере товара; это считается самой сложной ошибкой.
- Обнаружение: границы продукта не были правильно определены детектором.
- Склейка панорамы: изображения, собранные для создания панорамы, объединяются некорректно, в результате чего некоторые товары на изображении не могут быть идентифицированы.
- Неизвестный продукт: Продукт идентифицирован, но отсутствует в каталоге товаров клиента. Эти ошибки регистрируются в базе данных, но не влияют на общий уровень точности.
Пример ошибки обнаружения, когда два продукта определены как один.
В Inspector Cloud мы считаем, что все, что мы делаем в отношении точности распознавания изображений в проектах наших клиентов, вызывает доверие со стороны заказчика, поскольку мы ежедневно доказываем, что гарантированный уровень точности распознавания изображений сохраняется благодаря нашим усилиям. Более того, каждый день мы прикладываем усилия, которые позволяют повышать уровень точности, то есть анализируем и устраняем ошибки.
Дашборды, доступные в Inspector Cloud через клиентский портал, предоставляют подробную информацию о каждой ошибке. Поэтому клиенты могут регулярно перепроверять эту информацию, если у них достаточно человеческих ресурсов.
В этом последнем посте нашей серии о точности распознавания изображений мы обсудили наш подход поставщика к расчету точности распознавания изображений. Этот подход представляет собой хорошо структурированный и непрерывный процесс, который приводит к подробным отчетам об уровнях точности и ошибках.
Заключение
Если вы занимаетесь розничной торговлей, мы надеемся, что эта серия статей о точности распознавания изображений, состоящая из трех частей, будет вам полезна и приведет к глубокому пониманию того, как работает эта технология и каких результатов можно ожидать.
Часть III: Как строится отчетность об ошибках распознавания