MoyenneChoix unique

Question d'entraînement AI-900

Une entreprise de vente au détail utilise des caméras montées au plafond pour surveiller les stocks des rayons. Elle souhaite un système automatisé qui analyse chaque image de caméra pour détecter si un produit est absent de son emplacement prévu sur le rayon (une rupture de stock). Quelle capacité d'Azure Computer Vision doit-elle utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • CObject detection

Explication

Object detection est le choix correct car elle peut identifier et localiser plusieurs objets (par exemple, des boîtes de produits) dans une image et déterminer si les articles attendus sont manquants à leurs positions désignées sur le rayon. Contrairement à Image classification, qui attribue une seule étiquette à l'image entière, object detection fournit des cadres de délimitation et des étiquettes de classe pour chaque objet détecté, permettant une analyse précise des ruptures.

Pourquoi chaque option est juste ou fausse

A

Fausse

Image classification

Image classification attribue une étiquette à une image entière, elle ne peut donc pas localiser un produit manquant à une position spécifique sur le rayon. C'est le bon choix lorsque l'image entière nécessite une seule catégorie, comme marquer une image comme un rayon approvisionné ou vide.

B

Fausse

Optical Character Recognition (OCR)

OCR extrait du texte des images, et une rupture physique dans le stock des rayons ne contient aucun caractère à lire. C'est la capacité correcte lorsque la tâche implique la lecture d'étiquettes, d'étiquettes de prix ou de signalisation de rayon plutôt que la detection de l'absence d'un objet.

C

Juste

Object detection

Object detection localise et classe plusieurs éléments dans une image et renvoie des cadres de délimitation, permettant au système d'identifier les produits et de déterminer si un article attendu est absent de sa position sur le rayon. Image classification seule ne peut pas signaler les ruptures d'emplacement.

D

Fausse

Face detection

Face detection renvoie des cadres de délimitation et des attributs pour les visages humains, et les espaces vides des rayons ne contiennent aucun visage à localiser. C'est la capacité correcte lorsque l'exigence est de localiser ou de vérifier des personnes, comme compter des clients ou estimer la démographie à partir d'images de caméras.

Pour aller plus loin

Object detection renvoie des cadres de délimitation avec des étiquettes de classe et des scores de confiance pour chaque instance détectée, généralement via des modèles tels que YOLO ou Faster R-CNN exposés par object detection d'Azure AI Vision ou Custom Vision. Contrairement à Image classification, qui attribue une étiquette à l'ensemble du cadre, la détection localise plusieurs objets et leurs positions, de sorte qu'un modèle de rayon peut être entraîné sur des régions de 'produit présent' par rapport à 'rupture'. Une limite subtile : la précision de la détection diminue en cas d'occlusion, de petits objets et de déséquilibre des classes, et le service applique des quotas d'images et d'étiquettes par projet. En pratique, un détaillant entraîne un détecteur personnalisé sur des images de rayons étiquetées, puis exécute l'inférence sur chaque image de caméra ; les ruptures sont signalées lorsqu'aucun cadre de produit ne chevauche une région d'emplacement attendue, ce qui déclenche des alertes de réapprovisionnement.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.