Keyingi mavzular — xarita

10-bob 2 kod bloki 634 so'z

Bu kitob kompyuter ko'rishning amaliy va CPU da ishlaydigan qismini qamradi. Soha esa ancha keng.

Bu bob qolgan mavzularni o'rgatmaydi — ular haqida to'g'ri qaror qabul qilishga yordam beradi: bu menga kerakmi, nima talab qiladi, qayerdan boshlayman.

Uchta guruh

1-guruh: tayyor model bilan ishlatiladi

Bularni noldan qurish shart emas. Tayyor modelni chaqirasiz.

Semantic segmentation (U-Net) — har bir pikselni sinfga ajratadi. Hujjatda: matn / rasm / jadval hududlarini ajratish. Tayyor: segmentation-models-pytorch.

Instance segmentation (Mask R-CNN) — obyektlarni ajratadi VA har birini alohida belgilaydi. Hujjatda kamdan-kam kerak.

CLIP — ochiq lug'atli ko'rish. Rasm va matnni bitta fazoga joylashtiradi. "Bu rasmda hisob-faktura bormi?" degan savolga o'qitmasdan javob beradi.

RAG kitobidagi embedding g'oyasi bilan bir xil — faqat matn o'rniga rasm. Hujjatlarni tasniflash uchun juda foydali:

rasm -> CLIP -> vektor -> pgvector -> "shunga o'xshash hujjatlar"

Image retrieval / metric learning — o'xshash rasmni topish. Yuqoridagi CLIP quvurining davomi.

Keypoint / pose estimation — odam tanasidagi nuqtalar. Hujjat AI ga aloqasi yo'q, lekin sport va xavfsizlikda ishlatiladi.

Real-time / edge deployment — modelni telefon yoki kichik qurilmaga joylash. ONNX, TensorRT, kvantizatsiya. Amaliy qiymati yuqori.

2-guruh: o'qitish kerak, GPU talab qiladi

Vision Transformers (ViT) — CNN o'rniga transformer. Katta datasetda CNN dan yaxshiroq, kichikda yomonroq. Nazariyasi RAG kitobidagi attention bilan bir xil.

Self-supervised (SimCLR, DINO, MAE) — belgilanmagan rasmlardan o'rganish. Sizda 100 000 ta belgilanmagan hujjat bo'lsa va belgilashga vaqt yo'q bo'lsa — mana shu yo'l.

Amaliy qiymati katta, lekin o'qitish uzoq.

Video understanding — vaqt o'lchamini qo'shish. Xotira talabi keskin oshadi.

Monocular depth — bitta rasmdan chuqurlik. Tayyor model (MiDaS, Depth Anything) bor, ishlatish oson.

Multi-object tracking — videoda obyektni kuzatish. Aniqlash + ID biriktirish.

3-guruh: tadqiqot darajasi

Bularni o'qing, lekin hozir qurmang. Talabalar noutbukida o'qitib bo'lmaydi.

GAN — ikkita tarmoq raqobati orqali rasm yaratish. Tarixiy ahamiyati katta, hozir diffusion ustunlik qiladi.

Diffusion modellar — shovqindan rasm yaratish. Stable Diffusion asosi. O'qitish uchun yuzlab GPU-soat kerak.

Diffusion Transformers, Rectified Flow — diffusion ning yangi avlodi. Sof tadqiqot.

3D: point cloud, NeRF, Gaussian Splatting — rasmlardan 3D sahna qurish. Chiroyli, lekin O'zbekistonda ish bozori deyarli yo'q.

SAM (Segment Anything) — har qanday obyektni ajratadi, o'qitmasdan. Ishlatish oson va foydali, faqat o'qitish og'ir.

VLM (Vision-Language Models) — rasm + matn. Hujjatdan to'g'ridan-to'g'ri JSON so'rash mumkin:

rasm + "bu fakturadan summa va sanani JSON qilib ber" -> {...}

Hujjat AI uchun eng istiqbolli yo'nalish. 8-bobdagi regex usuli barqaror formatlar uchun, VLM esa xilma-xil formatlar uchun. Ikkalasi birga ishlatiladi.

OCR kitobida VLM bo'yicha alohida bob bor.

World models, video diffusion — kelajak. Hozircha o'qish uchun.

Amaliy tavsiya: nimadan boshlash

Agar hujjat AI bilan ishlayotgan bo'lsangiz, keyingi uch qadam:

1. CLIP bilan hujjat tasniflash. Tayyor model, o'qitish yo'q, CPU da ishlaydi. Natija darhol ko'rinadi.

2. VLM bilan maydon ajratish. 8-bobdagi regex quvuriga zaxira yo'l sifatida qo'shing: regex topolmasa — VLM ga so'rov.

3. U-Net bilan hudud ajratish. Agar hujjatlaringizda jadval va rasm ko'p bo'lsa.

Qolganlari — qiziqish uchun.

Nima uchun bu kitob 28 emas, 10 bob

Boshida 28 ta mavzu ro'yxati bor edi. Ulardan 10 tasi tanlandi. Mezon oddiy:

1. Talaba uni ISHGA TUSHIRA oladimi? GPU talab qiladigan mavzu — noutbukda ishlamaydi. O'qib chiqilgan, lekin ishga tushirilmagan mavzu — unutiladi.

2. Ish bozorida so'raladimi? O'zbekistonda hujjat tanish, OCR, tasniflash bo'yicha ish bor. NeRF bo'yicha deyarli yo'q.

3. Poydevor beradimi? Konvolyutsiyani tushungan odam ViT ni ham, diffusion ni ham keyinroq o'zlashtira oladi. Teskarisi ishlamaydi.

Kam mavzu, chuqur o'zlashtirish — ko'p mavzu, yuzaki tanishuvdan foydaliroq.

Bu kitobni tugatgan talaba: rasmni tozalaydi, model o'qitadi, tayyor modelni moslashtiradi, hujjatdan ma'lumot ajratadi va natijani o'lchaydi.

Bu — ish boshlash uchun yetarli.