Các mô hình AI để theo dõi thẻ

Tìm bốn góc của tấm thẻ, nhờ đó ảnh cắt gửi đi nhận diện được nắn thẳng và cắt sát mép thẻ, thay vì là một hình vuông còn dính những mảng nền. Nó cũng giúp bộ lọc trùng thẻ ổn định hơn: tấm thẻ nghiêng trong tay vẫn giữ nguyên embedding.

Kiến trúc

RF-DETR Seg Nano

Runtime

ONNX Runtime

Độ trễ (CPU)

~82 ms / khung hình

Cờ

--segmentor-model

Giấy phép trọng số

Apache-2.0

Giấy phép kiến trúc

Apache-2.0 (Roboflow)

Trả lời đúng câu hỏi quyết định bạn có bị tính phí hay không: vẫn thẻ đó, hay thẻ mới? Nó so sánh các ảnh cắt bằng khoảng cách cosine giữa các vector mô tả 256 chiều. Chính nó làm cho việc mỗi thẻ một lượt gọi API trở nên khả thi.

Kiến trúc

MobileNetV2

Runtime

ONNX Runtime · PyTorch · LiteRT

Độ trễ (CPU)

~5 ms / ảnh cắt

Cờ

--embed-model

Giấy phép trọng số

Apache-2.0

Giấy phép kiến trúc

Apache-2.0 (Google)

vitTracker do OpenCV công bố, lấy thẳng từ OpenCV zoo. Một lần cập nhật của bộ theo dõi tốn ~2,7 ms trong khi một lần phát hiện tốn ~80 ms, nên với --tracker-model, việc phát hiện lùi về mức đồng bộ lại chậm và chạy thời gian thực trên CPU trở nên dễ dàng. Nó chỉ cho biết thẻ còn đó hay không; thẻ cũ hay thẻ mới vẫn do bộ lọc trùng thẻ quyết định.

Kiến trúc

TrackerVit

Runtime

OpenCV

Độ trễ (CPU)

~2,7 ms / khung hình

Cờ

--tracker-model

Giấy phép trọng số

Apache-2.0

Giấy phép kiến trúc

Apache-2.0 (OpenCV)