MediaOpción múltiple

Pregunta de práctica de AI-900

Una empresa minorista utiliza cámaras montadas en el techo para supervisar el inventario de los estantes. Desean un sistema automatizado que analice cada imagen de la cámara para detectar si falta algún producto en su ubicación esperada en el estante (un espacio vacío de producto). ¿Qué capacidad de Azure Computer Vision deben utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • CObject detection

Explicación

Object detection es la opción correcta porque puede identificar y localizar múltiples objetos (por ejemplo, cajas de productos) dentro de una imagen y determinar si faltan elementos esperados en sus posiciones designadas en el estante. A diferencia de Image classification, que asigna una sola etiqueta a toda la imagen, object detection proporciona cuadros delimitadores y etiquetas de clase para cada objeto detectado, lo que permite un análisis de espacios vacíos preciso.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Image classification

Image classification asigna una etiqueta a toda la imagen, por lo que no puede localizar un producto faltante en una posición específica del estante. Es la elección correcta cuando toda la imagen necesita una sola categoría, como marcar una imagen como un estante abastecido o vacío.

B

Incorrecta

Optical Character Recognition (OCR)

OCR extrae texto de las imágenes, y un espacio físico vacío en el inventario del estante no contiene caracteres para leer. Es la capacidad correcta cuando la tarea implica leer etiquetas, etiquetas de precios o carteles de estantes en lugar de detectar la ausencia de un objeto.

C

Correcta

Object detection

Object detection localiza y clasifica múltiples elementos dentro de una imagen y devuelve cuadros delimitadores, lo que permite al sistema identificar productos y determinar si falta un elemento esperado en su posición de estante. Image classification por sí sola no puede informar sobre espacios vacíos de ubicación.

D

Incorrecta

Face detection

Face detection devuelve cuadros delimitadores y atributos para rostros humanos, y los espacios vacíos en los estantes no contienen rostros para localizar. Es la capacidad correcta cuando el requisito es localizar o verificar personas, como contar clientes o estimar datos demográficos a partir de imágenes de cámaras.

Para profundizar

Object detection devuelve cuadros delimitadores con etiquetas de clase y puntuaciones de confianza para cada instancia detectada, normalmente a través de modelos como YOLO o Faster R-CNN expuestos a través de object detection de Azure AI Vision o Custom Vision. A diferencia de Image classification, que asigna una etiqueta a todo el fotograma, la detección localiza múltiples objetos y sus posiciones, de modo que un modelo de estante se puede entrenar en regiones de 'producto presente' frente a 'espacio vacío'. Un límite sutil: la precisión de la detección se degrada con la oclusión, los objetos pequeños y el desequilibrio de clases, y el servicio aplica cuotas de imágenes y etiquetas por proyecto. En la práctica, un minorista entrena un detector personalizado en imágenes de estantes etiquetadas y luego ejecuta la inferencia en cada fotograma de la cámara; los espacios vacíos se marcan cuando ningún cuadro de producto se superpone con una región de ranura esperada, lo que activa alertas de reabastecimiento.

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.