Yukarıdaki videoda Lambert, CV aracının topların dönme eksenini neon yeşili bir noktayla ve diğer neon renklerle temas yönünü nasıl tanımladığını gösteriyor.
Lambert, “Sanırım bu noktada CV’nin muhtemelen en uygun kullanımı, Hawk Eye’dan alamadığım bazı ölçümleri almaktır” dedi. “Eminim ki ağabeyim Cincinnati’de lisedeyken boğa güreşi yaparken ve bir Trackman’imiz olmasaydı, biraz görüntü elde edebilirsek, neler olup bittiğine dair bazı tahminler alabilirsek, bu süreci oradan ayarlamamız daha iyi olur.”
Bir bilgisayarlı görme sistemi, desenleri tanımlamak ve mekansal hiyerarşileri anlamak için evrişimli sinir ağlarını kullanarak binlerce ve binlerce etiketli görüntüyü (bazen Tesla’nın ilk kendi kendine sürüş çabalarında olduğu gibi milyonlarca) analiz ederek öğrenir. Bu derin öğrenmedir.
Driveline’daki Boddy ve diğerleri, sistemi eğitmek için çok sayıda etiketleme ve ağır iş yaptı; binlerce ve binlerce kayıtlı performans için katmanları, dönüş eksenlerini ve perde türlerini etiketledi. Sistem hâlâ öğreniyor ve hâlâ gelişiyor.
Lambert bu ayın başlarında yaklaşık 50 atış yaptı ve Driveline’ın gerçek dünyadaki yapay zeka çalışmalarından alınan geri bildirimler doğrultusunda topun uçuşunu ve her ayarlamanın etkisini inceledi.
Tek bir oyunda sahayı mükemmel bir şekilde taklit edemedi, ancak bilgisayarlı görüş modelimizin bir tavsiyesi ve bazı ince ayarlarla yalnızca bir tutuştan sonra bazı özelliklerini simüle edebildi.
Lambert, “Yeniden yaratabildiğim şey, onun atacağı kolun yanından yüksek bir koşu yapabilmemdi” dedi. “Jiroskop hareketini gerçekleştirmek için dönüş verimliliğini yeterince tamamlayamadım. Sırtüstü pozisyonda (düzenleme) bir değişim profili oluşturmanın, kaydırıcının gerçek bir jiroskopik versiyonunu oluşturmaktan daha kolay olduğunu buldum. Yineleme sürecinin çoğu buydu. Aslında, kolun yan tarafında yüksek koşuyla bazı atışlar üretmek uzun sürmedi.”
Profesyonel ve üniversite atıcılarının ve koçlarının bu araçla neler yapabileceğini hayal edin?
Bu, bilgisayarla görme modelinin bir uygulamasıdır: koçların ve oyuncuların şutu nasıl başlatacaklarını anlamalarına yardımcı olmak.
Driveline Satış Konuşması Yöneticisi Conor White, derin öğrenmenin yardımıyla bir sunum tasarlamanın diğer büyük faydasını açıklıyor.
White, “Analizin hızı en heyecan verici şeylerden biri” dedi. “Kalemleri oyun benzeri bir hale getirmek istiyoruz. Yani, her atıştan sonra durup bir dizi ölçüme bakıp videoya geri dönmeniz gerekiyorsa ve atışlar arasında yaklaşık bir dakika olduğunu bildiğiniz bir sonraki şey, bu gerçekten akan bir tür geçiştir… Bilgisayarlı görüş, gözlemlenen (hareket) ile dönüşün neye benzediğine bakmanıza olanak tanır, bu da gerçek zamanlı olarak olup bitenlerin top fiziğine daha da yaklaşır.”
“Bu (gelişmelerin) uygulanma hızı çok heyecan verici.”
Geri bildirim döngüsünü kısaltmak ve sunumun ne yaptığını anlamak gerçekten heyecan verici.
Bilgisayarla görme modelimiz bitmiş bir ürün değil ancak spor salonlarımızda halihazırda sonuçlara ulaşıyor.
Aktarma organları atış koçu Grayson Liebhardt bunun bir koç olarak kendisine gerçekten yardımcı olduğunu söylüyor.
Liphart, “Bu gerçekten kullanışlı bir araç” dedi. “Geliştirme aşamasında henüz erken ancak profesyonel kuruluşların sahip olduğu verilere herhangi bir erişim olmadan dikiş yönünü anlayarak aradaki boşluğu doldurmamıza yardımcı oluyor… Bir sunumun neden belirli bir şekilde hareket ettiği veya belirli hareket profilleri için dikiş yönünün nasıl optimize edileceği konusunda bize daha fazla bağlam sağlıyor.”
Liphart, “Sahanın fiziği tam olarak çözülmedi. Magnus’la hiçbir ilgisi olmayan, değişken dikiş hareketi ve belki de bilmediğimiz, topun uçuşunu etkileyen diğer değişkenler gibi birçok şey var” dedi.
Örneğin Lijphart, temas kaymasının top uçuşunu nasıl etkilediğini bildiğimizi ancak diğer değişkenlerle birlikte hareketi ne kadar etkilediğini belirleyemediğimizi belirtiyor ve bunlardan bazılarını “şu anda hesaba katmıyor olabiliriz” diye belirtiyor.
Her şeyi bilmiyoruz. Çok heyecan verici olan şey, bilgisayarla görmenin daha fazla anlayışa yol açacak olmasıdır.
Özgeçmiş hakkında şunları söyledi: “Bu araçlar, halihazırda sahip olduğumuz bilgilerden yararlanmanın yanı sıra, stadyumun fiziği hakkında daha fazla şey öğrenebilmemiz için daha fazla bilgi toplamak açısından da çok faydalı” dedi.
Gerçek dünyadaki yapay zeka buluşlarının heyecan verici tarafı da öğrenmeye devam etmeleri ve giderek daha iyiye gitmeleridir.
Liphart, “Benim için güzel olan kısım, dikiş yönüne ve dönme eksenine bakmanın daha kolay bir yolunu bulabilmemdir” dedi. “Bu sadece tarihsel olarak Edgertronic kamerayı (incelemeniz) ve onu bulmaya çalışmanız ve dönüş ekseninin nerede olduğunu tahmin etmeniz gereken bir şey.”
Artık Liebhardt’ın tahminleri daha da fazla ortadan kaldıran bir aracı var.
Bu klibi Imai’ye benzeyen başka bir gizemli şovdan, bu Driveline sporcusu Tony Uribe’den paylaştı.
Credit Post By: Travis Sawchik