Detector de portales EAS
La idea principal
Ahora mismo, con mi base de unas 1.000 fotos, la red neuronal ya distingue bastante bien las tecnologías básicas (AM y RF) en imágenes nítidas y de buena calidad. Pero para llevarla a la perfección —de modo que nunca tenga que adivinar «¿qué hay instalado ahí?» y baste con sacar el teléfono— el modelo necesita más datos del mundo real. Para empezar necesitamos unas 15.000 fotos, es decir, tan solo 100 personas que hagan 150 fotos cada una.
El objetivo final es que el servicio aprenda a reconocer al instante fabricantes y modelos concretos, además de detectar sistemas ocultos en el techo. Más adelante quizá añadamos el reconocimiento de las propias etiquetas (etiquetas rígidas, spider wraps, imanes, alarmas o como se llamen), pero ese sería otro proyecto y otra historia; por ahora solo comparto ideas.
Las fotos bonitas de estudio están muy bien, pero necesito imágenes de la vida real. Una buena red neuronal debe aprender a lidiar con el caos del comercio, los reflejos del cristal y las fotos tomadas sobre la marcha.
¡PERO! También necesitamos fotos normales y de buena calidad. A menudo me envían imágenes mal hechas porque ni siquiera se entiende «qué hay que fotografiar»: solo aparece un trozo del portal o la toma está hecha desde un ángulo completamente equivocado.
Las fotos ideales son necesarias para que la red neuronal conozca la realidad de referencia y el aspecto que tiene el equipo de verdad.
¡Importante! Si sabe aproximadamente qué portales son los más comunes, intente buscar modelos raros que quizá solo estén extendidos en su país. Ya tenemos bastantes portales estándar de Sensormatic y Checkpoint (aunque seguimos necesitándolos; más adelante simplemente los clasificaremos en carpetas por modelo).
¡Importante, muy importante! Necesitamos especialmente más detectores de metales, portales RFID y sistemas RFID de techo.
Qué hay que fotografiar exactamente
Los propios portales
AM, RF, RFID, híbridos, antiguos, nuevos, con publicidad o sin ella, visibles por completo o solo en parte.
Zonas de entrada
Vista desde la calle, desde el interior de la tienda y pasillos de centros comerciales donde estén instalados estos portales.
Cajas
Salidas después de las cajas registradoras y pasillos estrechos donde los pedestales se vean con claridad.
Complementos y rarezas
Marcos detectores de metales adicionales junto a los principales, paneles de techo y bloques ocultos en las puertas.
Tiendas SIN portales
¡Entradas en las que no haya absolutamente NINGÚN marco! Hay que mostrarle a la IA puertas vacías para que no alucine portales donde no existen.
Mala calidad
Fotos nítidas, borrosas, desde lejos o a través de cristales sucios. Entrenamos la IA justo con el tipo de imágenes que suele enviar la gente: tomadas «sobre la marcha, sacando el móvil del bolsillo».
Cómo hacer las mejores fotos
Fotografíe una misma tienda desde varios ángulos: desde la calle, desde dentro, de frente y de lado. Los detalles también importan.
Haga la foto como si fuera a enviársela a un experto, para que pueda usar su conocimiento y experiencia para reconocer el sistema que aparece en la imagen.
IMPORTANTE: ¡La cámara integrada de Telegram distorsiona mucho las proporciones! Haga las fotos con la aplicación de cámara normal del teléfono y después envíelas por el servicio de mensajería.
Si el personal de seguridad prohíbe hacer fotos o esto provoca un conflicto, olvídelo y siga adelante. Su seguridad es más importante que una fotografía.
Ejemplos de fotos
👍 Buenos ejemplos: los portales aparecen en la imagen
Planos generales y ángulos diferentes. Vistas laterales, reflejos en el cristal, maniquíes al fondo: todo ello es material de entrenamiento perfecto.
🛑 También son muy necesarias: entradas SIN portales
No son fotos «vacías»: son ejemplos fundamentales para que el algoritmo pueda responder con seguridad «No hay nada aquí, no hay portales».
Reconocimiento, prestigio y ventajas
El bot ya lleva la cuenta de cuántas fotos útiles ha enviado cada persona. Los colaboradores mejores y más activos se ganarán nuestro reconocimiento, aparecerán como coautores del conjunto de datos y, siempre que sea posible, les enviaré regalos reales: equipos de nuestro sitio. Si tiene poco dinero, pero mucho tiempo libre, esta es su oportunidad de participar en un proyecto interesante.
Llamamiento a programadores y especialistas en minería de datos 💻
Si entre quienes leen esto hay personas con experiencia que sepan DE VERDAD cómo extraer fotos de Google/Yandex Maps (panorámicas de calles, fotos de reseñas y fichas de tiendas), ¡agradecería muchísimo su ayuda!
Nuestro modelo actual ya puede detectar portales en las imágenes sobre la marcha. Solo nos falta un método inteligente para recopilar automáticamente estas imágenes de la web e integrar su scraper en nuestro ciclo: descargar una foto de una tienda ➔ el modelo la comprueba ➔ si encuentra portales, guardarla en la base de datos. Si sabe cómo recopilar este tipo de imágenes o tiene conjuntos de datos de comercios ya preparados, ¡escríbame!