‘Count Anything’ সাধারণ AI দক্ষতা হিসেবে বস্তু গণনাকে বদলাতে চায়

দেখতে সহজ একটি কম্পিউটার ভিশন সমস্যার এখন আরও বিস্তৃত উত্তর মিলছে

আধুনিক AI সিস্টেম ছবি বর্ণনা করতে, বস্তু শনাক্ত করতে, এবং টেক্সট বের করতে পারে। কিন্তু গণনা এখনো এমন একটি ভিজ্যুয়াল কাজ, যা সাধারণভাবে সমাধান করা কঠিন। ভিড়ের মধ্যে মানুষ গণনা করতে পারা একটি মডেল মাইক্রোস্কোপের নিচে কোষ বা স্যাটেলাইট ছবিতে যানবাহন গণনায় ব্যর্থ হতে পারে। এই ফাঁকটি গুরুত্বপূর্ণ, কারণ গণনা কোনো খেলনা সমস্যা নয়। এটি চিকিৎসা চিত্রায়ণ, কৃষি, ট্রাফিক বিশ্লেষণ, এবং এমন বৈজ্ঞানিক কাজে আসে যেখানে নির্ভুলতা জরুরি।

Count Anything নামের নতুন গবেষণা ব্যবস্থা এই সীমাবদ্ধতাকে মোকাবিলা করতে তৈরি হয়েছে, যাতে বস্তুর গণনাকে একটি সাধারণ-উদ্দেশ্য ক্ষমতায় রূপান্তর করা যায়। উৎস উপাদান অনুযায়ী, মডেলটি কেবল একটি টেক্সট প্রম্পট ব্যবহার করেই নানা ধরনের ছবিতে বস্তু গণনা ও লেবেল করতে পারে। লক্ষ্য হলো এমন একটি একক ব্যবস্থা, যাকে মাথা, গাড়ি, কোষ বা ব্যাকটেরিয়া কলোনি গণনা করতে বলা যাবে, এবং প্রতিটি ক্ষেত্রের জন্য আলাদা বিশেষায়িত মডেলের দরকার হবে না।

এই উচ্চাকাঙ্ক্ষাই কাজটিকে উল্লেখযোগ্য করে তোলে। চ্যালেঞ্জটি শুধু শনাক্তকরণ নয়। ব্যাপকভাবে ভিন্ন ইমেজ স্কেল, বস্তুর আকার, এবং দৃশ্যের ঘনত্ব সামলাতে গিয়ে ডাবল কাউন্টিং ও অস্পষ্টতা এড়ানোই আসল কঠিন অংশ, যা প্রায়ই গণনা-ব্যবস্থাকে ভেঙে দেয়।

দুটি গণনা-পদ্ধতি, এক সিস্টেমে মিলিত

Count Anything-এর মূল নকশা একটি হাইব্রিড। উৎস বলে, মডেলটি দুটি পরিপূরক পদ্ধতি একত্র করে। একটি region-based, যা বড় ও স্পষ্টভাবে দৃশ্যমান বস্তুর জন্য ভালো কাজ করে, তাদের চারপাশে bounding box আঁকে। অন্যটি pixel-based, যা ছোট বা ঘন লক্ষ্যবস্তুর জন্য তৈরি, box-এর বদলে point বসায়। সিস্টেম দুটি আউটপুট একত্র করে চূড়ান্ত গণ্য বস্তুর সেট তৈরি করে।

এই পদ্ধতি ভিজ্যুয়াল AI-এর একটি সাধারণ ব্যর্থতাকে ঠিক করে। বড় বস্তু এবং গাদাগাদি ছোট বস্তু প্রায়ই ভিন্নভাবে সামলাতে হয়। crowd counter ঘন মাথা গণনায় ভালো হতে পারে, কিন্তু বড় বিচ্ছিন্ন বস্তুতে খারাপ। box-এর জন্য প্রশিক্ষিত detector ঘনভাবে থাকা ক্ষুদ্র লক্ষ্যবস্তু মিস করতে পারে। কাজটি ভাগ করে নিয়ে পরে আউটপুট মিলিয়ে গবেষকরা বর্ণালীর দুই প্রান্তই ঢাকার চেষ্টা করছেন।

মিলিয়ে নেওয়ার ধাপও দ্বৈত-প্রণালীর মতোই গুরুত্বপূর্ণ। উৎস অনুযায়ী, যখন উভয় পদ্ধতি একই লক্ষ্যবস্তু শনাক্ত করে, একটি সহজ confidence rule ঠিক করে কোন prediction থাকবে, যাতে ডাবল কাউন্টিং না হয়। এটি একটি বাস্তব সমস্যার বাস্তব সমাধান: দুইটি আলাদা counter যদি একই বস্তু দেখে, সিস্টেমকে সেটিকে একটিমাত্র উত্তরে নামিয়ে আনার উপায় চাই।

Meta-র SAM3-এর ওপর ভিত্তি করে

গবেষকরা পুরো মডেলটি শূন্য থেকে তৈরি করেননি। সিস্টেমটি Meta-র pretrained SAM3-কে ভিত্তি হিসেবে ব্যবহার করে, যার ছবির সঙ্গে টেক্সটও একসঙ্গে প্রক্রিয়া করার ক্ষমতা আছে। পুরো নেটওয়ার্ক নতুন করে প্রশিক্ষণ দেওয়ার বদলে দলটি গণনার কাজে ছোট adapter component যোগ করেছে।

এই সিদ্ধান্তটি AI উন্নয়নের বৃহত্তর প্রবণতার সঙ্গে সামঞ্জস্যপূর্ণ। প্রতিটি নতুন ব্যবহারের জন্য সাধারণ multimodal মডেল নতুন করে বানানোর বদলে, গবেষকেরা increasingly একটি সক্ষম base model থেকে শুরু করে task-specific layer বা module যোগ করছেন। এর সুফল স্পষ্ট: কম প্রশিক্ষণ খরচ, দ্রুত পরীক্ষা-নিরীক্ষা, এবং বিভিন্ন ক্ষেত্রে জ্ঞানের স্থানান্তরের ভালো সম্ভাবনা।

এখানে স্থানান্তরের লক্ষ্য অস্বাভাবিকভাবে বিস্তৃত। মডেলটি স্যাটেলাইট ইমেজারি, চিকিৎসা স্ক্যান, ল্যাবরেটরি ছবি, এবং দৈনন্দিন ছবিতে কাজ করার জন্য তৈরি। যদি এই পদ্ধতি স্কেলে কাজ করে, তাহলে বোঝা যাবে গণনাকে আলাদা আলাদা vertical task-এর সমষ্টি না ভেবে একটি সাধারণ multimodal visual reasoning function হিসেবে দেখা যেতে পারে।

কাস্টম ডেটাসেট এবং শক্তিশালী বেঞ্চমার্ক ফলাফল

সূত্র অনুযায়ী, Count Anything-কে CLOC নামের একটি কাস্টম ডেটাসেটে প্রশিক্ষণ দেওয়া হয়েছে এবং পরীক্ষায় এটি বেশ কিছু প্রতিদ্বন্দ্বী সিস্টেমকে ছাড়িয়ে গেছে। এই পারফরম্যান্স দাবি গুরুত্বপূর্ণ, কারণ সাধারণতা যদি নির্ভুলতার খরচে আসে, তাহলে তা মূল্যহীন। গণনা-ব্যবস্থা টিকে থাকে তখনই, যখন জটিল, ভিড়ভাট্টা বা domain-shifted দৃশ্যেও তারা নির্ভুলতা ধরে রাখতে পারে।

একই সঙ্গে, প্রতিবেদন ফলাফলকে বাড়িয়ে বলে না। মডেলটি এখনও অস্পষ্ট শব্দ এবং অত্যন্ত ঘন দৃশ্যে সমস্যায় পড়ে। এই সতর্কতাগুলো জরুরি, কারণ এগুলো সমস্যার সেই অংশটিই দেখায় যা এখনো অমীমাংসিত। ভাষা অস্পষ্ট হলে বা দৃশ্য খুব জটিল হলে, কী গণনা করা উচিত তা নিয়ে মানুষও একমত নাও হতে পারে। “যানবাহন গণনা কর” শুনতে সহজ লাগলেও, toy car, আংশিকভাবে ঢাকা বস্তু, বা দূরের অস্পষ্ট আকৃতি এলে জটিল হয়ে যায়।

ঘন ইমেজ আরেকটি স্থায়ী চ্যালেঞ্জ। যখন বস্তুগুলো খুব বেশি overlap করে বা প্রায় আলাদা করা যায় না, তখন গণনা standard detection-এর চেয়ে statistical estimation-এর মতো হয়ে যায়। যে সিস্টেম এক ধরনের density ভালোভাবে সামলায়, তা অন্যটিতে ভেঙে পড়তে পারে। তাই হাইব্রিড নকশাটি গুরুত্বপূর্ণ, যদিও তা edge case পুরোপুরি সমাধান করে না।

সাধারণ গণনা কেন গুরুত্বপূর্ণ

Count Anything বা এ ধরনের সিস্টেম পরিণত হলে, প্রভাব বেঞ্চমার্ক লিডারবোর্ডের বাইরেও যাবে। চিকিৎসায়, নির্ভরযোগ্য গণনা ছবি-ভিত্তিক বিশ্লেষণে সাহায্য করতে পারে, যেখানে চিকিৎসকদের কোষ, ক্ষত বা অন্যান্য দৃশ্যমান লক্ষ্যের অনুমান দরকার হয়। কৃষিতে, গাছপালা বা ফসলের বৈশিষ্ট্য গণনা ফলন অনুমানে সহায়তা করতে পারে। পরিবহন ও নগর পরিকল্পনায়, গাড়ি বা পথচারী গণনা ট্রাফিক ব্যবস্থাপনায় তথ্য দিতে পারে। বিজ্ঞানে, ঘন ছবিতে ছোট গঠন গণনা একটি নিয়মিত কিন্তু শ্রমসাধ্য প্রয়োজন।

প্রম্পট-ভিত্তিক সিস্টেমের আকর্ষণ হলো, এটি ব্যবহারকারীর উদ্দেশ্য ও মেশিন আউটপুটের মধ্যকার বাধা কমায়। একটি সংকীর্ণ, একক শ্রেণির টুল বেছে নেওয়ার বদলে, ব্যবহারকারী ভাষায় বস্তুটি নির্দিষ্ট করতে পারে এবং কী অন্তর্ভুক্ত হয়েছে তা দেখানো দৃশ্যমান চিহ্নসহ গণনাও পেতে পারে। এই ধরনের explainability উপকারী, কারণ ব্যবহারকারীরা শুধু সম্ভাব্য মোট নয়, সিস্টেম সঠিক জিনিসগুলো গণনা করেছে কি না, তা যাচাই করতে পারেন।

এই গবেষণা গণনার কঠিন অংশগুলো দূর করে না, কিন্তু তাদের নতুনভাবে ফ্রেম করে। গণনাকে আলাদা niche-এর সমষ্টি হিসেবে দেখার বদলে, এটি একে একটি ভাগ করা multimodal সমস্যা হিসেবে দেখে, যেখানে domain-specific ভিন্নতা আছে। এটি আরও উচ্চাভিলাষী লক্ষ্য, এবং সূত্র অনুযায়ী প্রাথমিক ফলাফলগুলো সেই প্রচেষ্টাকে মনোযোগ দিয়ে দেখার মতো যথেষ্ট শক্তিশালী।

এই নিবন্ধটি The Decoder-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.