মেশিন লার্নিংয়ে ডেটাই সবচেয়ে মূল্যবান অংশ, কিন্তু কোনো নির্দিষ্ট কাজের জন্য ডেটা সংগ্রহ ও লেবেল করা প্রায়ই কঠিন। ম্যানুয়ালি ছবি তোলায় পক্ষপাত ঢুকে পড়ার ঝুঁকি থাকে, আর তৃতীয় পক্ষের বা প্রাক-অ্যানোটেশনের জন্য ব্যবহৃত ভিশন-ল্যাঙ্গুয়েজ মডেলের অ্যানোটেশন যাচাই করতেও অতিরিক্ত পরিশ্রম লাগে। সিন্থেটিকভাবে তৈরি ডেটা একটি বিকল্প দেয়, কারণ গ্রাউন্ড ট্রুথ অ্যানোটেশন নকশা অনুযায়ী আগে থেকেই থাকে। মূল চ্যালেঞ্জ হলো, সিন্থেটিক ছবিতে প্রশিক্ষিত মডেল বাস্তব জগতের ডেটায় সাধারণীকরণ করতে পারে কি না।
এই প্রকল্প দেখে, একটি অত্যাধুনিক প্রাক-প্রশিক্ষিত ফিচার এক্সট্রাক্টর কি এমন সমৃদ্ধ প্রতিনিধিত্ব তৈরি করতে পারে যা শুধু সিন্থেটিক ডেটায় প্রশিক্ষিত হালকা টাস্ক হেডকে বাস্তব ছবিতে সাধারণীকরণে সাহায্য করে। বেছে নেওয়া ক্ষেত্রটি হলো তাস কার্ড গেম SET, যেখানে খেলোয়াড়রা ৪x৩ মাঠে কার্ডের ত্রয়ী খুঁজে বের করে, যেখানে প্রতিটি বৈশিষ্ট্য (আকার, রং, শেডিং ও সংখ্যা) তিনটি কার্ড জুড়ে হয় একই অথবা ভিন্ন। এই কার্ড শনাক্ত করা একটি আয়ত্তে আনার মতো জেনারেশন সমস্যা, যা তবুও আকর্ষণীয় থাকে।
লেখক Meta-র DINOv3 বেছে নেন, কারণ এটি স্থানীয়কৃত ফিচার নিষ্কাশনে শক্তিশালী এবং এর ছোট ডিস্টিল্ড সংস্করণ রয়েছে। সীমিত হার্ডওয়্যার বিবেচনায় সবচেয়ে ছোট ডিস্টিল্ড কনভোলিউশনাল মডেল ConvNeXt Tiny নির্বাচন করা হয়, যার প্রায় ২৯ মিলিয়ন প্যারামিটার আছে, এবং বাউন্ডিং বক্স, কী-পয়েন্ট বা সেগমেন্টেশন মাস্কের জন্য টাস্ক-নির্দিষ্ট হেড যোগ করা হয়। প্রথম ধাপ হিসেবে প্রকল্পটি কার্ডের অবস্থান শনাক্ত করে, তবে এখনো এর ধরন শ্রেণিবিন্যাস করে না।
সিন্থেটিক ডেটার জন্য OpenCV মৌলিক আকৃতি আঁকে: গোলাকার কোণযুক্ত আয়তক্ষেত্র এবং আয়তক্ষেত্র ও বৃত্তের মিশ্রণ দিয়ে কার্ড তৈরি করা হয়। প্রসিডিউরাল জেনারেশন কার্ডের চেহারার ওপর সীমাহীন নিয়ন্ত্রণ দেয়, ফলে আসল ছবিতে ভালো স্থানান্তরের জন্য প্যারামিটার বিস্তৃতভাবে বদলানো যায়।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing