FácilOpción múltiple

Pregunta de práctica de AI-900

Un almacén utiliza cámaras de video para monitorear una cinta transportadora. Necesitan contar el número de cajas que pasan cada hora para realizar un seguimiento del rendimiento. ¿Qué capacidad de Azure Computer Vision deben usar?

Elige la mejor respuesta.

Respuesta correcta

  • DObject Detection

Explicación

Object Detection (Detección de objetos) es la capacidad correcta porque puede identificar y ubicar múltiples cajas dentro de cada fotograma de video, lo que permite que el sistema las cuente a medida que se mueven por la cinta transportadora. A diferencia de la clasificación de imágenes, que etiqueta una imagen completa, la detección de objetos proporciona cuadros delimitadores y recuentos para cada objeto detectado, lo que la hace ideal para el seguimiento del rendimiento en tiempo real.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Optical Character Recognition (OCR)

OCR extrae caracteres de texto de las imágenes, por lo que no puede detectar ni contar cajas físicas en una cinta. Es la opción correcta para leer etiquetas, números de serie o documentos impresos, lo cual no está relacionado con contar objetos en movimiento en una transmisión de video.

B

Incorrecta

Face Detection

Face Detection localiza rostros humanos y devuelve cuadros delimitadores para ellos, por lo que no puede identificar ni contar cajas en una cinta transportadora. Es la capacidad correcta para escenarios como difuminar rostros por privacidad o activar flujos de trabajo de asistencia, no para el monitoreo de rendimiento de objetos.

C

Incorrecta

Image Classification

Image Classification asigna una sola etiqueta a una imagen completa, por lo que no puede localizar ni contar cajas individuales entre fotogramas. Se adapta a escenarios como marcar si una imagen contiene un defecto, no a contar múltiples objetos discretos que se mueven continuamente a través de una fuente de video.

D

Correcta

Object Detection

Object Detection devuelve cuadros delimitadores y etiquetas de clase por caja, por lo que cada caja en la cinta transportadora se puede ubicar y contar individualmente. La clasificación de imágenes o el etiquetado por sí solos no pueden enumerar múltiples instancias, lo que falla en el recuento de rendimiento por hora.

Para profundizar

Los modelos de Object Detection emiten tanto un cuadro delimitador como una etiqueta de clase por instancia detectada, por lo que un solo fotograma puede generar múltiples predicciones de "cajas" con puntuaciones de confianza. Contar el rendimiento se convierte entonces en un problema de seguimiento: le asignas a cada detección una identidad a lo largo de los fotogramas e incrementas un contador cuando cruza una línea virtual. La detección de objetos de Azure AI Vision se entrena con imágenes etiquetadas personalizadas a través de Custom Vision, y devuelve coordenadas normalizadas (izquierda, superior, ancho, alto) además de la probabilidad. Un límite sutil es que las cajas que se mueven rápido o se superponen provocan detecciones perdidas o cambios de identidad, por lo que los equipos suelen muestrear fotogramas y aplicar umbrales de supresión de no máximos. Esto importa en una cinta transportadora donde las cajas se tocan y el recuento por hora debe coincidir con los manifiestos de envío.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.