Yon modèl vizyon kòm yon tcheke kad: sa li te pran ak sa li te kite pase
Videyo
Modèl imaj yo ekri fo mo sou afich, ajoute filigran epi bay moun twòp dwèt. Yon move kad jwenn apre randu a koute yon re-randu; jwenn anvan, li koute yon re-desen. Se poutèt sa chak imaj Studio desine montre bay yon modèl vizyon anvan.
Kijan tcheke a mache
Chak kad diminye nan yon JPEG ki gen omwen 1,024 piksèl sou bò long li epi voye ak yon enstriksyon: reponn sèlman ak JSON, ok vre oswa fo ak yon lis pwoblèm, epi di fo pou nenpòt tèks ekri, lèt, chif, filigran oswa logo, oswa pou men, figi oswa kò defòme, oswa yon imaj kase. Yon kad rejte desen ankò ak yon nouvo grèn, jiska yon limit ou fikse. Si okenn desen pase, travay la kanpe ak rezon yo olye pou pibliye yon kad kase. Yon kad ki se yon koulè plat, oswa kare nwa kèk filtè sekirite retounen, rejte anvan menm mande modèl la.
Tès la
Nou te itilize menm modèl lokal la ki ekri script nou yo, sèvi pa vLLM sou machin pa nou an, epi nou te bay li kat imaj modèl imaj nou an te fè anvan: yon tas kafe sou yon tab bwa, yon pòm sou yon fon blan, yon moun ap pale sou telefòn devan yon etajè liv, ak imaj kafe a ak "SALE 50% OFF" ekri sou li.
- Twa imaj pwòp yo te pase, tankou etajè liv la, kote nou te atann ke do liv yo ta deklanche yon fo alam.
- Imaj ak slogan an te rejte, ak rezon "tèks ekri".
- Nan bouk konplè a, kad slogan an te rive an premye, te rejte, epi re-desen an te pase: de desen pou sèn sa a.
Chak tcheke te pran 3 a 14 segonn, sou yon modèl ki te okipe ak lòt travay nan moman sa a.
Sa li pa fè
Yon modèl vizyon se yon dezyèm pè je, pa yon garanti. Li ka rate yon ti atifak, epi yon enstriksyon strik ap rejte kèk fwa yon imaj ou ta kenbe, sa koute yon re-desen olye yon move videyo. Kat imaj se yon tcheke kablaj la, pa yon estatistik. Gade premye videyo ou yo ou menm, epi sere oswa lage limit re-desen an ak sa ou wè.
Studio fè tcheke sa a ak nenpòt modèl sèvè ou a ekspoze ak antre imaj; kite paramèt vizyon an vid epi tcheke a ap etenn.