Яка задача зору — і як її оцінюють?
Шість задач комп’ютерного зору пліч-о-пліч, що кожна повертає і як її оцінюють, і один запуск, де неохайніші рамки ледве зрушують одну оцінку й нищать іншу.
друкується на 2 сторінках A4з 7 сторінок і 1 каталогучитати безкоштовно · PDF — із безкоштовним акаунтомОновлено 24 жовт. 2026 р.
PDF і кнопка «Друкувати» просять увійти; безкоштовного акаунта досить. Читати й перевіряти себе може кожен.
Пліч-о-пліч
Перші стовпці — з каталогу Vision tasks; решта — з кожної сторінки.
Формулу наведено, лише коли вона коротша за слова; решту сказано словами, а формула є на кожній сторінці.
Легко сплутати
Питання «чим відрізняється…» — кожне у два рядки.
Semantic segmentation проти Instance segmentation
Семантична сегментація позначає кожен піксель класом; сегментація екземплярів ще й розрізняє два дотичні об’єкти.
Семантична — для площі за класами; екземплярів — щоб рахувати чи відстежувати об’єкти.
Object detection проти Instance segmentation
Детекція повертає рамку на об’єкт; сегментація екземплярів — його точну маску, дорожчу в розмітці.
Рамка — коли питання в положенні; маска — коли у формі чи площі. Їхні оцінки не порівнюйте.
Image classification проти CLIP
Класифікатор навчають на ваших мітках; CLIP класифікує без них, зіставляючи зображення з назвами класів.
CLIP — щоб почати без міток; навчений класифікатор — коли мітки є і точність важить.
IoU проти Mean average precision
IoU оцінює, наскільки одна рамка перекриває ціль; mAP зводить усі рамки до однієї оцінки за порогу IoU.
Подавайте mAP з його порогом; сам mAP@0.5 не бачить неохайних рамок.
Один справжній запуск
Один детектор, рамки якого стають неохайнішими, оцінений за трьох порогів IoU.
| Зсув рамок | mAP@0.5 | mAP@0.75 | mAP@[.5:.95] |
|---|---|---|---|
| 0.02 | 0.88 | 0.86 | 0.78 |
| 0.05 | 0.88 | 0.82 | 0.62 |
| 0.10 | 0.84 | 0.21 | 0.38 |
| 0.15 | 0.73 | 0.04 | 0.23 |
| 0.20 | 0.55 | 0.01 | 0.14 |
«За тремтіння 0.10 дві метрики не погоджуються, чи детектор працює.»
«По всій розгортці різниця цілковита.»
«Середнє COCO лежить посередині, і в цьому його сенс.»
Запуск і ці рядки — практичний приклад зі сторінки «Mean average precision», як його виведено: one detector, five levels of box sloppiness — how each metric reacts
Що обрати?
На що має вказувати відповідь?
- На все зображення Image classification
- На кожен об’єкт Object detection · Instance segmentation
- На кожен піксель Semantic segmentation
Чи є щось незвичне в даних?
- Міток немає, лише текст CLIP
- Відповідь — нове зображення Diffusion model
Кожна відповідь — з розділу «Чому і коли» своєї сторінки.
Усі пастки цих сторінок: 49
Кожна — перший рядок однієї з типових помилок; чому — пояснює її сторінка.
Image classification
- Припущення, що одна мітка на зображення — властивість світу.
- Цитування top-5 так, ніби це точність.
- Порівняння top-1 з однієї статті з top-5 з іншої.
- Читання таблиці лідерів без її інтервалів.
- Інтервали, що перекриваються, як доказ нічиєї.
- Припущення, що виграші на бенчмарку досі переносяться.
- Забування, що набір міток — проєктне рішення.
Object detection
- Успадкувати форми якорів зі статті.
- Подавати точність.
- Навчати щільний детектор простою перехресною ентропією.
- Забути, що NMS є гіперпараметром.
- Звинувачувати бекбоун у пропущених малих об’єктах.
- Порівнювати детектори за різними порогами IoU.
- Вважати, що більше якорів — строго краще.
Semantic segmentation
- Звітувати піксельну точність.
- Звітувати середній IoU без розбивки за класами.
- Плутати три задачі сегментації.
- Чекати, що семантична сегментація розділить дотичні екземпляри.
- Будувати енкодер–декодер без пропускних з’єднань.
- Забувати, що крайові пікселі втрачаються в кожній згортці.
- Сприймати помилки на межах і відсутні класи як той самий збій.
Instance segmentation
- Попіксельний softmax за класами.
- Припущення, що голові масок треба знати клас.
- Вирізання областей операцією з квантуванням.
- Оцінювання вирівнювання за AP50.
- Порівняння AP масок з AP рамок.
- Довіра бенчмарку щодо натовпів.
- Забування, що бекбоун обирали для класифікації.
CLIP
- Читати контрастивну точність без рядка випадковості.
- Відтворювати CLIP на малому батчі.
- Вживати голі назви класів.
- Вважати шаблони промптів хаком.
- Чекати дрібнозернистої здатності або здатності рахувати.
- Припускати, що зеро-шот б’є базовий рівень із наглядом.
- Забувати, що навчальні дані — це некурований інтернет-текст.
Diffusion model
- Симуляція прямого ланцюга під час навчання.
- Оптимізація повної варіаційної межі.
- Відсутність обумовлення на t.
- Припущення, що більше кроків — завжди краще.
- Порівняння FID між роздільними здатностями, наборами даних чи кількостями зразків.
- Очікування семплування зі швидкістю GAN.
- Ставлення до розкладу шуму як до дрібниці.
Mean average precision
- «mAP» без порогу.
- Звіт лише AP50.
- Порівняння числа COCO з числом VOC.
- Приписування архітектурі зміни в рецепті навчання.
- Припущення, що більше якорів підвищує AP.
- Забування, що AP ігнорує калібрування.
- Площа за трапеціями замість ступінчастої суми.