[0x01] Карманные нейросети: исследуем ИИ с GitHub

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Эта заметка будет разделена на две-три части, в которых мы разберем все возможные варианты уже готовых нейросетей, начиная с простеньких, заканчивая собственным ИИ.

Поговорим мы сегодня с вами о нейронных сетях, как Вы уже могли понять, на данный момент они уже действительно везде и умеют практически все.

Привет, ребята. Как вы уже могли понять, затесался к Вам новый автор. Писать буду о всяком разном связанным с Пентестом, Кали Линукс, вирусах и так далее, в своем собственном стиле, но если Вас что-то не устраивает, то линки для связи со мной в конце заметки.

А что первое пришло тебе в голову, читающий, когда ты услышал слово "нейросеть". Возможно, это будут роботы из Бостон Дайнемикс, а может и робот-пылесос, который ездит по квартире и называет всех кожаными ублюдками, попутно затирая что-то об ущемлении прав чернокожих, а возможно нейросеть, которая напишет песню с лирикой не хуже, чем у Моргенштерна, это, естественно, ирония. Помнишь, вчера ты проходил вот эту надоедливую капчу, выбирая кадры со светофорами, велосипедами или людьми? Так вот, сам того не замечая, ты внес свой вклад в развитие нейросетей.

А вот обычный телефон, поставив лайк на одну кошечку в социальной сети, ты и не успеешь моргнуть, как твоя лента будет завалена ими. А замечал ли ты, что тебе часто приходят уведомления о происшествиях из жизни тех людей, которые тебе интересны? (Реклама знакомств с милфами не в счет, её предлагают абсолютно всем и каждому).

Проще говоря, он везде.

Кратко и по сути - очередная инструкция для чайников

Нейросеть - это математическая модель нейронов головного мозга человека, построенная на программном коде, отличительной чертой является обучаемость. Естественно, это играет немаловажное значение во многих сферах: распознавание речи от Google, автопилот Теслы или система распознавания лиц вашего смартфона.

А теперь к основному, теория мало кому интересна так ещё и в моей непонятной интерпретации.

Знакомлю вас с достаточно интересным репозиторием, что был найден мной на всем нам знакомой платформе Гитхаб, он представляет собой очень простую, написанную на коленке, математическую модель. Подлинный смысл таков: установив данную сборку скриптов, мы получаем карманную нейронную сеть, которая фундаментально обучена распознавать предметы и прочую чепуху на видео или фото.

Изначально инструмент позиционирует себя, как тот, который должен работать на карманных устройствах, то бишь телефонах , на данный момент уже добавлен в Google Play и Apple Store. Но люди мы сложные, потому будем заниматься установкой сначала на Кали, а после и уже на термукс под андроидом, разобрав нюансы использования, что возникнут в ходе использования.

Время практики

Скопировать и установить возможно следующими командами, для работы потребуется Питон версии не ниже, чем 3.8 :

git clone https://github.com/ultralytics/yolov3

pip install -r requirements.txt

После каждой строчки кода буду добавлять описание: сперва мы копируем репозиторий на нашу машину, используя команду git, а после запускаем установку всех необходимых зависимостей.

Сам процесс может занять очень даже много времени, все зависит от вашего интернета.

И на этом вся установка завершена, можем приступать к тестам, но сперва уточню, что скрипт выполнен на Питоне.

python3 detect.py --source /home/kirin/yolov3/data/images/zidan.jpg

Здесь объяснения излишни, –source указывает путь к вашей фотографии или видео.

Определило действительно точно, но давайте усложним задачу, используя фотографию с целой тучей объектов.

Не сказал бы, что вариант идеален, но было распознано большинство людей и все мотоциклы, хотя я ожидал большего.

Собственно сейчас таким же образом проанализируем какой-то коротенький видеофайл.

Сразу можно отметить, что за 13 секунд файл был разбит на 895 фрагментов-слоев, каждый из которых проходит тот же путь, что и обычная фотография, но в конце компилируется в изначальный формат.

Итог вышел достаточно неплохим, единственным нюансом, который стоит упомянуть, так это сильная нагрузка на процессор устройства, напомню, что тесты проводились на средней мощности ноутбуке, где Кали выделено четыре из восьми ядер, но даже в таких условиях можно было заметить нагрузку, что превышала 70 процентов.

Продолжение следует… Лимит символов.

Автор: Telegram - @gwn_bldd.


Источник: m.vk.com

Комментарии: