FácilMúltipla escolha

Questão de prática de AI-900

Um armazém usa câmeras de vídeo para monitorar uma esteira transportadora. Eles precisam contar o número de caixas que passam a cada hora para rastrear a vazão (throughput). Qual capacidade do Azure Computer Vision eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • DObject Detection

Explicação

Object Detection é a capacidade correta porque pode identificar e localizar várias caixas dentro de cada quadro de vídeo, permitindo que o sistema as conte à medida que se movem ao longo da esteira transportadora. Ao contrário da classificação de imagens, que rotula uma imagem inteira, a detecção de objetos fornece caixas delimitadoras e contagens para cada objeto detectado, tornando-a ideal para o rastreamento de vazão em tempo real.

Por que cada alternativa está certa ou errada

A

Incorreta

Optical Character Recognition (OCR)

O OCR extrai caracteres de texto de imagens, portanto não pode detectar ou contabilizar caixas físicas em uma esteira. É a escolha correta para ler etiquetas, números de série ou documentos impressos, o que não tem relação com a contagem de objetos em movimento em um fluxo de vídeo.

B

Incorreta

Face Detection

Face detection localiza rostos humanos e retorna caixas delimitadoras para eles, portanto não pode identificar ou contar caixas em uma esteira. É a capacidade correta para cenários como desfoque de rostos para privacidade ou disparo de fluxos de trabalho de presença, e não para monitoramento de vazão de objetos.

C

Incorreta

Image Classification

Image classification atribui um único rótulo a uma imagem inteira, portanto não pode localizar ou contabilizar caixas individuais entre os quadros. É adequado para cenários como sinalizar se uma imagem contém um defeito, e não para contar vários objetos distintos movendo-se continuamente através de um feed de vídeo.

D

Correta

Object Detection

Object detection retorna caixas delimitadoras e rótulos de classe por caixa, de modo que cada caixa na esteira pode ser localizada e contada individualmente. A classificação de imagens ou a rotulagem isolada não conseguem enumerar múltiplas instâncias, falhando na contagem de vazão horária.

Para se aprofundar

Os modelos de Object Detection geram tanto uma caixa delimitadora quanto um rótulo de classe por instância detectada, de modo que um único quadro pode produzir várias previsões de 'caixa' com pontuações de confiança. A contagem de vazão torna-se então um problema de rastreamento: você atribui a cada detecção uma identidade ao longo dos quadros e incrementa um contador quando ela cruza uma linha virtual. A detecção de objetos do Azure AI Vision é treinada em imagens rotuladas personalizadas por meio do Custom Vision e retorna coordenadas normalizadas (esquerda, topo, largura, altura) além da probabilidade. Uma limitação sutil é que caixas que se movem rapidamente ou se sobrepõem causam detecções perdidas ou trocas de identidade, por isso as equipes frequentemente amostram quadros e aplicam limiares de supressão de não máximos. Isso importa em uma esteira onde as caixas se tocam e a contagem horária precisa ser conciliada com os manifestos de envio.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.