Blog - Rozpoznawanie obrazu — od pikseli do decyzji

Rozpoznawanie obrazu to nie „magiczna AI”, tylko pipeline: reprezentacja → cechy → model → decyzja. Poniżej skrót tego, co naprawdę dzieje się pod spodem.

Od obrazu do wektora

Obraz $H \times W$ z kanałami RGB to tensor $x \in \mathbb{R}^{H \times W \times 3}$. Sieć konwolucyjna buduje mapy cech $f_\theta(x)$. Na końcu klasyfikator zwraca logitów $z \in \mathbb{R}^{C}$ dla $C$ klas.

Prawdopodobieństwa dostajemy z softmax:

$$p_i = \frac{e^{z_i}}{\sum_{j=1}^{C} e^{z_j}}$$

Decyzja to zwykle $\hat{y} = \arg\max_i p_i$, ale w produkcji częściej stosujemy próg $\tau$: akceptuj tylko gdy $\max_i p_i \ge \tau$.

Pipeline

Detekcja vs klasyfikacja

• Klasyfikacja — jeden obraz → jedna etykieta.
• Detekcja — lokalizacja obiektów (bbox + klasa), np. YOLO / DETR.
• Segmentacja — maska pikselowa (semantyczna lub instancyjna).

Dla detekcji mIoU / mAP liczy się przy progu IoU, np. $0.5$:

$$\mathrm{IoU}(A,B) = \frac{|A \cap B|}{|A \cup B|}$$

Typowe pułapki

1. Domain shift — model uczony na studio lighting pada w hali produkcyjnej.
2. Kalibracja — wysoki $p_i$ nie zawsze oznacza pewność; warto mierzyć ECE.
3. Koszt błędu — false positive ≠ false negative; $\tau$ dobieramy pod biznes, nie pod accuracy.

Wniosek

Dobre rozpoznawanie obrazu to przede wszystkim kontrakt jakości danych + próg decyzji, a dopiero potem architektura sieci.