🧠🕸️👁️ MobileNet: efficienza per Edge AI e dispositivi a risorse limitate

 ♾️ TILLL  >  🏠Home  >  📝TateoBlog  >  📚🚀🔥👁️ MobileNet: efficienza per Edge AI 👈 Sei qui

#computerVision #edgeAI #mobileDevices #embedded #edgeComputing #CNN #MobileNet #Google #DepthwiseSeparableConvolution #IoT #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️ TILLL  >  🏠 Home  >  🎓 Learning  >  🧠 Intelligenza Artificiale (AI)  >  Deep Learning  >  🕸️CNN  >  👁️ Visione Artificiale (VS)  >  architetture  >  classificazione  >  MobileNet

Molte applicazioni di Computer Vision richiedono che l'elaborazione delle immagini avvenga direttamente sul dispositivo che acquisisce i dati, senza dipendere da server remoti o infrastrutture cloud. [6][7]

Questo approccio, noto come Edge AI, consente di ridurre la latenza, limitare il traffico dati, aumentare l'affidabilità operativa e garantire il funzionamento anche in assenza di connettività. Tuttavia, smartphone, dispositivi embedded, sistemi industriali e piattaforme edge dispongono generalmente di capacità di calcolo, memoria e consumo energetico molto inferiori rispetto ai server utilizzati per l'addestramento dei modelli. Per questo motivo è necessario utilizzare architetture di reti neurali convoluzionali (Convolutional Neural Networks o brevemente CNN) progettate specificamente per offrire un buon compromesso tra accuratezza, velocità di esecuzione e requisiti hardware.[1][2][8][9][10][6]

Per raggiungere questo obiettivo, Google ha sviluppato MobileNet introducendo il concetto di Depthwise Separable Convolution, una tecnica che suddivide la convoluzione tradizionale in due operazioni più semplici e meno costose dal punto di vista computazionale. Questa soluzione consente di ridurre drasticamente il numero di parametri, le operazioni matematiche richieste e il consumo energetico, mantenendo al tempo stesso prestazioni competitive in numerosi problemi di classificazione delle immagini. [1][6]

A differenza di VGG, che privilegia semplicità architetturale ma richiede elevate risorse hardware, di DenseNet, che massimizza il riutilizzo delle informazioni tra i layer, di GoogLeNet/Inception, che ricerca efficienza attraverso percorsi convoluzionali multipli, di EfficientNet, che ottimizza simultaneamente profondità, larghezza e risoluzione, e di U-Net, progettata principalmente per la segmentazione semantica delle immagini, MobileNet nasce con l'obiettivo prioritario di essere eseguita direttamente su piattaforme Edge AI con vincoli severi di memoria, potenza di calcolo e consumo energetico.[1][2][6][8]

MobileNet è una famiglia di Convolutional Neural Networks (CNN) sviluppata da Google per applicazioni di visione artificiale eseguite su smartphone, sistemi embedded, dispositivi IoT e piattaforme Edge AI. [6][8][10][11]

Se dovessimo descrivere questa famiglia di reti neurali con una metafora, potremmo immaginarla come un ispettore agile e leggero, capace di svolgere il proprio lavoro con efficacia anche disponendo di strumenti limitati. Pur non raggiungendo necessariamente le massime prestazioni ottenibili da architetture più complesse e computazionalmente onerose, MobileNet rappresenta una delle soluzioni di riferimento quando il requisito principale è ottenere inferenze rapide ed efficienti direttamente a bordo macchina.[1][2][6].

🔍 Approfondimenti consigliati: 

Di seguito sono riportati alcuni riferimenti bibliografici (📖), a risorse disponibili sul Web (🌐), ed a contenuti della piattaforma TILLL (♾️), che ti consiglio di utilizzare per approfondire gli argomenti trattati.

• [1] 🌐 MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications ; 👉 https://arxiv.org/abs/1704.04861; Andrew Howard et al. (Google).
• [2] 🌐 tf.keras.applications.MobileNet; 👉 https://www.tensorflow.org/api_docs/python/tf/keras/applications/MobileNet; Documentazione TensorFlow.
• [3] 🌐 Google AI Blog – MobileNets; 👉 https://ai.googleblog.com 
• [4]; 🌐 👉 https://www.tensorflow.org/lite.
• [5] 🌐 NVIDIA Edge AI Fundamentals; 👉 https://www.nvidia.com/en-us/glossary/edge-ai/.
• [6] ♾️ Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 👉https://tateoblog.blogspot.com/p/artificial-intelligence.html (🧠AI)
• [7] ♾️ Cloud Computing; 👉https://tateoblog.blogspot.com/p/cloud-computing.html (💻IT.3)
• [8] ♾️ L’Informatica e le Tecnologia dell'Informazione; 👉 https://tateoblog.blogspot.com/p/informatica.html (💻 IT); §15. Edge Computing.
• [9] ♾️ Il calcolo automatico portatile; 👉 https://tateoblog.blogspot.com/2013/09/mobile-device-2.html (📱MD.1).
• [10] ♾️ La tecnologia Embedded applicata alla Visione Artificiale; 👉 https://tateoblog.blogspot.com/2017/10/vs53-la-visione-embedded.html (👁️VS.7).
• [11] ♾️ Internet delle cose (Internet of Things); 👉 https://tateoblog.blogspot.com/p/iot-au6.html (🔧AU.6).

_______________________________________________________

Questo contenuto è un estratto della Knowledge Base del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

Tratto dall'articolo AI  ♻️v12  01/10/2026
© 2026 Giovanni Battista Tateo | TILLL

🧠 Valutazione dei criteri minimi di prestazione

♾️ TILLL > 🏠 Home > ✍️ TateoBlog >  🧠 Valutazione dei criteri minimi di prestazione 👈 Sei qui

#AI #ArtificialIntelligence #deepLearning #CNN #computerVision #classificatore #valutazione #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️TILLL > 🏠Home > 🎓Learning > 🧠AI > Deep Learning > 🕸️CNN > 👁️visione artificiale > classificatore > valutazione 

Al termine delle attività di addestramento e verifica è necessario stabilire se il classificatore possiede prestazioni sufficienti per essere utilizzato in esercizio. Lo scopo di questa fase è verificare che il modello soddisfi i requisiti prestazionali definiti per la specifica funzionalità di ispezione e che il livello di errore residuo sia compatibile con il rischio operativo accettabile.[1][2][5]

Le prestazioni ottenute sul Test Set vengono confrontate con un insieme di criteri di accettazione definiti all'inizio del progetto. Tali criteri possono comprendere, a seconda dell'applicazione:

valore minimo di Recall o Detection Rate (DR), al fine di garantire il rilevamento della maggior parte dei difetti; [1][2][5]

• valore minimo di Precision, per limitare il numero di falsi allarmi; [1][2][5]
• valore minimo di F1-Score, per garantire un adeguato compromesso tra Precision e Recall; [1][2][5]
• valore massimo di False Positive Rate (FPR) o False Positives Per Unit (FPPU); [1][2]
• assenza di differenze significative tra le prestazioni misurate sul Validation Set e quelle ottenute sul Test Set, quale indicatore della capacità di generalizzazione del modello e dell'assenza di fenomeni rilevanti di overfitting. [1][3]

A titolo esemplificativo, un classificatore potrebbe essere considerato accettabile soltanto se soddisfa contemporaneamente condizioni quali:

• Recall ≥ 95%; [2]
• Precision ≥ 90%; [2]
• F1-Score ≥ 92%; [2]
• FPR ≤ 2%; [2]
• differenza tra Recall ottenuta sul Validation Set e Recall ottenuta sul Test Set inferiore al 3%. [3]

I valori effettivi dipendono naturalmente dai requisiti della specifica funzionalità di ispezione e dal livello di rischio associato agli errori di classificazione.

Il risultato di questa fase consiste nella decisione di accettare oppure rigettare temporaneamente il classificatore.

Se tutti i criteri di accettazione risultano soddisfatti, il processo iterativo può considerarsi concluso e il modello viene approvato per la successiva validazione sul campo o per l'integrazione nella pipeline applicativa.[1][5]

Se invece anche uno soltanto dei requisiti non risulta soddisfatto, il ciclo di sviluppo non deve limitarsi all'acquisizione indiscriminata di nuove immagini. È necessario individuare la causa delle prestazioni insufficienti e definire le azioni correttive più efficaci.[1][4]

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), e risorse disponibili sul Web (🌐), utili per approfondire gli argomenti trattati.

• [0] ♾️ TILLL; Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 👉https://tateoblog.blogspot.com/p/artificial-intelligence.html (AI); §8.5.4. (4) Valutazione dei criteri minimi di prestazione.
• [1] 📖 Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. Capitoli consigliati: Chapter 2: End-to-End Machine Learning Project; Chapter 3: Classification; Chapter 11: Training Deep Neural Networks. Lingua: Inglese.
• [2] 🌐 Metriche di classificazione (Accuracy, Precision, Recall, F1-Score); 👉https://www.geeksforgeeks.org/machine-learning/metrics-for-machine-learning-model/ .
• [3] 🌐 Early stopping, generalizzazione e criteri di arresto dell'addestramento; 👉https://www.geeksforgeeks.org/machine-learning/regularization-by-early-stopping/ .
• [4] 🌐 Qualità dei dati e impatto sulle prestazioni dei modelli ML; 👉https://arxiv.org/pdf/2406.19614 .
• [5] 📖 Sebastiano Vigna, Machine Learning. Fondamenti teorici e applicazioni pratiche con Python. Capitoli consigliati: Valutazione delle prestazioni dei classificatori; Matrice di confusione, Precision, Recall e F1-Score; Selezione e validazione dei modelli. Lingua : Italiano.

v3 -- 28/09/2026 18:13

👁️💾 La rappresentazione delle immagini digitali

♾️TILLL > 🏠Home > ✍️TateoBlog > 👁️💾 La rappresentazione delle immagini digitali 👈 Sei qui

#ArtificialVision #ComputerVision #digitalImaging #campionamento #quantizzazione #risoluzioneSpaziale #profondità #colore #codifica #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️TILLL > 🏠Home / 🎓Learning / 👁️Visione Artificiale  / 💾Image Storage / Rappresentazione 👈 sei qui

🎯 Perché un'immagine deve essere rappresentata

Un'immagine, per l'occhio umano, è una scena continua fatta di forme, colori, luminosità e dettagli. 

Per un calcolatore, invece, deve diventare informazione numerica. Il problema fondamentale è quindi trasformare ciò che percepiamo come immagine in una rappresentazione che un sistema digitale possa memorizzare, elaborare e successivamente ricostruire.

Questa trasformazione diventa particolarmente importante quando aumentano le dimensioni e il livello di dettaglio delle immagini. Una fotografia ad alta risoluzione, un'immagine satellitare multispettrale o un'acquisizione destinata a un sistema di visione artificiale possono contenere milioni o miliardi di valori numerici. 

La disponibilità di memorie sempre più capienti non elimina il problema: all'aumentare della capacità tecnologica aumenta anche la quantità di informazione che desideriamo acquisire e conservare.

🛠️ Dal mondo continuo alla matrice di dati

La soluzione consiste nel campionare e quantizzare l'immagine. Una rappresentazione raster può essere descritta come una matrice di elementi discreti, i pixel (picture elements), ciascuno associato a una posizione e a uno o più valori numerici:

• Il campionamento determina la disposizione spaziale dei pixel; 
• la quantizzazione stabilisce invece quali valori numerici possono assumere luminosità o componenti cromatiche.

La qualità e la quantità dell'informazione dipendono quindi da caratteristiche come dimensioni dell'immagine, risoluzione spaziale, profondità di bit e rappresentazione del colore.

📦 La struttura dell'immagine digitale

Possiamo quindi descrivere un'immagine digitale attraverso quattro elementi fondamentali:

• pixel — gli elementi discreti che costituiscono l'immagine;
• risoluzione — la quantità di dettaglio rappresentabile nello spazio;
• colore — i valori utilizzati per rappresentare luminosità e componenti cromatiche;
• formato — la struttura con cui i dati dell'immagine vengono organizzati e codificati in un file.

Il formato non coincide con l'immagine stessa: è il modo con cui la sua informazione viene codificata, organizzata e resa interpretabile dal software. 

JPEG, PNG, TIFF e JPEG 2000, per esempio, sono formati differenti, progettati secondo caratteristiche e finalità diverse e con differenti modalità di compressione e rappresentazione dei dati.

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (♾️), utili per approfondire gli argomenti trattati.

• [1] ♾️ Memorizzazione delle immagini digitali per la loro elaborazione e archiviazione; 👉 https://tateoblog.blogspot.com/p/archiving-vs3.html   (♾️TILLL > VS.4)
• [2] 🌐 Treccani — Immagine / elaborazione digitale delle immagini; 👉 https://www.treccani.it/enciclopedia/immagine/.
• [3] 🌐 Pearson — Digital Image Processing, 4ª edizione; Pagina ufficiale del testo di Gonzalez e Woods, con il sommario completo. Il capitolo 2, Digital Image Fundamentals, tratta specificamente acquisizione, campionamento, quantizzazione e pixel; il capitolo 6 tratta il colore e il capitolo 8 la compressione;  👉 https://www.pearson.com/en-us/subject-catalog/p/Gonzalez-Digital-Image-Processing-4th-Edition/P200000003224/9780133356724.
• [4] 🌐Library of Congress — Recommended Formats Statement, Formati, risoluzione, profondità di bit, profili colore, TIFF, JPEG 2000, PNG e JPEG; 👉 https://www.loc.gov/preservation/resources/rfs/stillimg.html.
• [5] 🌐 JPEG Committee — JPEG; Origine, struttura e caratteristiche dello standard JPEG; 👉 https://jpeg.org/jpeg/.
• [6] 🌐 JPEG Committee — JPEG 2000; Particolarmente interessante per spiegare la differenza tra compressione lossy/lossless e le capacità di JPEG 2000; 👉 https://jpeg.org/jpeg2000/.
• [7] 📖 Rafael C. Gonzalez, Richard E. Woods — Digital Image Processing, 4th Edition, Pearson. > Chapter 2 — Digital Image Fundamentals;  Chapter 6 — Color Image Processing; Chapter 8 — Image Compression; https://www.pearson.com/en-us/subject-catalog/p/Gonzalez-Digital-Image-Processing-4th-Edition/P200000003224/9780133356724; Lingua 🇬🇧
• [8] 📖 Rafael C. Gonzalez, Richard E. Woods — Elaborazione delle immagini digitali, 3ª edizione italiana, Pearson Paravia Bruno Mondadori, 2008, a cura di Sebastiano Battiato e Filippo Stanco. > Capitolo 2 — Fondamenti delle immagini digitali; capitolo sul colore; capitolo sulla compressione delle immagini; Lingua 🇮🇹

_______________________________________________________

Questo contenuto fa parte del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

v.2 -- 27/09/2026 · tratto dall' Articolo VS.4 - Paragrafo §1

© 2026 Giovanni Battista Tateo | TILLL

🧠🕸️👁️ EfficientNet: massime prestazioni con risorse contenute

♾️TILLL > 🏠Home > 📝TateoBlog  > 📚🚀🔥👁️ EfficientNet: massime prestazioni con risorse contenute 👈 Sei qui

#computerVision #neuralNetworks #ANN #VGG #ResNet #DenseNet #ResNet #MobileNet #EfficientNet #GoogLeNet #CNN #compoundScaling #GoogleResearch #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

♾️TILLL > 🏠Home > 🎓Learning > 🧠Intelligenza Artificiale (AI) > Deep Learning > 🕸️CNN > 👁️Visione Artificiale (VS) > architetture > classificazione > EfficientNet

Con l'aumento della complessità delle applicazioni di visione artificiale, è diventato necessario sviluppare reti neurali in grado di raggiungere elevati livelli di accuratezza senza richiedere quantità sempre maggiori di memoria, potenza di calcolo ed energia. Le architetture precedenti seguivano spesso strategie di crescita parziali: VGG aumentava principalmente la profondità, ResNet introduceva connessioni residue per addestrare reti più profonde, DenseNet favoriva il riutilizzo delle informazioni tra i layer, mentre MobileNet privilegiava l'efficienza su dispositivi a risorse limitate. EfficientNet nasce con l'obiettivo di superare questi compromessi, offrendo un migliore equilibrio tra accuratezza ed efficienza computazionale. In altre parole, mira a ottenere prestazioni elevate consumando meno risorse rispetto a molte Convolutional Neural Network (CNN) concorrenti. Se dovessimo descriverla con una metafora, potremmo paragonarla a un ispettore senior che sa esattamente dove concentrare la propria attenzione, evitando controlli inutili ma individuando comunque la maggior parte delle anomalie rilevanti.

L'innovazione principale di EfficientNet è il cosiddetto Compound Scaling, un metodo che scala simultaneamente e in modo coordinato tre dimensioni della rete: profondità (numero di layer), larghezza (numero di canali per layer) e risoluzione delle immagini di ingresso. Invece di aumentare uno solo di questi fattori, come avveniva frequentemente nelle generazioni precedenti di CNN, EfficientNet utilizza coefficienti ottimizzati tramite ricerca automatica per trovare il miglior compromesso tra costo computazionale e accuratezza. Questa strategia consente di sfruttare in modo più efficace ogni parametro disponibile, riducendo sprechi di risorse e migliorando la capacità del modello di generalizzare su dati mai visti durante l'addestramento.

EfficientNet è una famiglia di reti neurali convoluzionali sviluppata da Google Research e articolata in diverse varianti, dalla EfficientNet-B0 fino ai modelli più grandi della serie. Rispetto a VGG, ResNet, DenseNet e GoogLeNet, raggiunge spesso livelli di accuratezza comparabili o superiori utilizzando un numero significativamente inferiore di parametri e operazioni matematiche. Questa caratteristica la rende particolarmente adatta a sistemi embedded, dispositivi edge, applicazioni mobili, ispezione automatica industriale, diagnostica ferroviaria, videosorveglianza intelligente e, più in generale, a tutti gli scenari in cui è necessario elaborare grandi quantità di immagini mantenendo contenuti i consumi computazionali. 

Quando il vincolo principale è ottenere il miglior rapporto tra accuratezza, velocità ed efficienza hardware, EfficientNet rappresenta spesso una delle scelte più vantaggiose disponibili.

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (♾️), utili per approfondire gli argomenti trattati.

• [1] 🌐EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks; 👉  https://arxiv.org/abs/1905.11946 ; Autori: Mingxing Tan, Quoc Le (Google Research); Paper originale.
• [2] 🌐EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks; 👉 https://research.google/pubs/efficientnet-rethinking-model-scaling-for-convolutional-neural-networks/ ; Google AI Blog, EfficientNet and EfficientNetV2
• [3] 🌐Documentazione TensorFlow EfficientNet; 👉https://www.tensorflow.org/api_docs/python/tf/keras/applications/EfficientNetB0 
• [4] 🌐 Cos'è EfficientNet? Una rapida panoramica; 👉 https://www.ultralytics.com/it/blog/what-is-efficientnet-a-quick-overview  ; EfficientNet: architettura e prestazioni rispetto a ResNet. È probabilmente il miglior articolo divulgativo in italiano disponibile oggi. Spiega: il problema dello scaling tradizionale; il Compound Scaling; le differenze rispetto a ResNet e DenseNet; le varianti B0-B7; i principali casi d'uso. 
• [5] 🌐EfficientNet-b0; 👉 https://it.mathworks.com/help/deeplearning/ref/efficientnetb0.html ; Documentazione tecnica. Descrive la rete EfficientNet-B0; riporta il collegamento alla pubblicazione originale; documenta l'utilizzo pratico del modello preaddestrato ImageNet.
• [6] ♾️ TILLL; La riproduzione della visione umana per mezzo di un sistema artificiale; 👉 https://tateoblog.blogspot.com/p/vs-visione-artificiale.html (👁️VS)
• [7] ♾️ TILLL; La tecnologia Embedded applicata alla Visione Artificiale; 👉 https://tateoblog.blogspot.com/2017/10/vs53-la-visione-embedded.html (👁️VS.7)
• [8] ♾️ TILLL; L’Informatica e le Tecnologia dell'Informazione - Edge Computing; 👉 https://tateoblog.blogspot.com/p/informatica.html (💻IT-§13)
• [9] ♾️ TILLL; La Mobilità e le nuove tecnologie mobili; 👉https://tateoblog.blogspot.com/p/md-dispositivi-mobili.html (MD)
• [10] ♾️ TILLL; L'infrastruttura ferroviaria, storia, caratteristiche principali e diagnostica; 👉https://tateoblog.blogspot.com/p/railway-rw.html (🚂 RW)
• [11] ♾️ TILLL; Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 👉https://tateoblog.blogspot.com/p/artificial-intelligence.html (🧠AI)

_______________________________________________________

Questo contenuto fa parte del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

v. 4 · del 25 settembre 2026 · tratto dall' Articolo AI.

© 2026 Giovanni Battista Tateo | TILLL

🧠🕸️👁️Test e misura end-to-end delle prestazioni

♾️ TILLL > 🏠 Home > 📝 TateoBlog  > 🧠🕸️👁️Test end-to-end 👈 Sei qui

#AI #ArtificialIntelligence #deepLearning #CNN #computerVision #classificatore #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

TILLL > 🏠 Home > 🎓 Learning > 🧠 AI > Deep Learning > 🕸️CNN > 👁️ visione artificiale > classificatore > test

Il processo di sviluppo di un classificatore di immagini non termina con l’addestramento del modello. Prima dell’utilizzo operativo è necessario verificare che il classificatore sia in grado di fornire risultati affidabili anche su dati mai osservati in precedenza e nel contesto reale di utilizzo. Per questo motivo il modello viene sottoposto a due livelli successivi di verifica: 

• una valutazione indipendente su dati di test
• una verifica operativa nel sistema reale.

I due livelli di verifica hanno obiettivi differenti e complementari.

• Il primo livello consente di valutare la capacità del classificatore di generalizzare il comportamento su dati nuovi e indipendenti rispetto a quelli utilizzati durante lo sviluppo.
• Il secondo livello verifica invece il comportamento del sistema nel contesto applicativo reale, utilizzando dati grezzi rappresentativi dell’esercizio operativo. In questa fase non viene valutata soltanto la rete neurale, ma l’intero processo che porta alla generazione dei risultati della funzionalità di ispezione.

Le prestazioni operative vengono misurate attraverso due indicatori applicativi:

• Detection Rate (DR), che misura la capacità del sistema di rilevare correttamente i difetti presenti.
• False Positive per Unità Ispezionata (FPPU), che misura il numero medio di falsi allarmi prodotti per numero di oggetti, campioni o unità ispezionate.

Tali metriche consentono di valutare il comportamento del sistema in condizioni rappresentative dell’applicazione reale.

(1) Primo livello: valutazione offline sul Test Set

Il Test Set è costituito da campioni indipendenti non utilizzati durante l’addestramento, la regolazione degli Iperparametri o la selezione del modello.

Questa attività costituisce il primo test di generalizzazione del classificatore e consente di valutarne il comportamento su dati mai osservati nelle precedenti fasi di sviluppo.

Il Validation Set viene utilizzato durante l’addestramento per monitorare le prestazioni, regolare gli Iperparametri e selezionare la configurazione migliore; il Test Set viene utilizzato successivamente per una valutazione finale indipendente.

Le metriche adottate sono le stesse utilizzate durante le fasi di addestramento e validazione.

(2) Secondo livello: Test funzionale end-to-end nel processo di ispezione reale

Successivamente il classificatore viene integrato nella pipeline del processo di ispezione reale e sottoposto a test utilizzando dati grezzi rappresentativi dell'applicazione reale.

I dati vengono elaborati attraverso l'intera catena di processamento, dall'acquisizione fino alla generazione dei risultati della specifica funzionalità di ispezione.

In questa fase non viene valutata esclusivamente la rete neurale, ma l'intero sistema applicativo. L'analisi considera sia gli errori direttamente riconducibili al classificatore sia quelli eventualmente derivanti dagli altri componenti della pipeline.

Le prestazioni operative vengono misurate mediante le metriche applicative calcolate sui risultati prodotti dalla pipeline del processo di ispezione reale:

• Detection Rate (DR)

DR = Detected / GT × 100

dove:

GT = numero totale dei difetti presenti (Ground Truth);

Detected = numero dei difetti correttamente rilevati.

• False Positive Rate (FPR). Risponde alla domanda: "Tra tutti i casi che avrebbero dovuto essere classificati come negativi, quanti sono stati erroneamente classificati come positivi?". È una metrica standard di Machine Learning, statistica e teoria della rilevazione.

FPR = FP / (FP + TN)

dove:

FP = numero totale dei falsi positivi;

TN = True Negatives.

• Precision. Risponde alla domanda: "Quando il sistema segnala un difetto, con quale probabilità il difetto è realmente presente?". Spesso è molto più intuitiva per il business.

Precision = TP / (TP+FP)

dove:

TP = True Positive;

TN = True Negatives.

• False Positives per Unità Ispezionata:

FPPU = FP / N

dove:

FP = numero di falsi positivi;

N = numero di oggetti, campioni o unità ispezionate.

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (🧭), utili per approfondire gli argomenti trattati.

• [1] 🧭 Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 🔗https://tateoblog.blogspot.com/p/artificial-intelligence.html (TILLL > AI) > §8.5.3. (3) Test e misura end-to-end delle prestazioni.

• [2] 🧭 La riproduzione della visione umana per mezzo di un sistema artificiale; 🔗:https://tateoblog.blogspot.com/p/vs-visione-artificiale.html (TILLL > VS)

_______________________________________________________

Questo contenuto fa parte del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

v. 2 · del 17 settembre 2026 · tratto dall' Articolo AI

© 2026 Giovanni Battista Tateo | TILLL

🧠 Prediction vs Ground Truth (GT)

TILLL > 🏠 Home > ✍️ TateoBlog  > 🧠 Prediction vs Ground Truth (GT) 👈 Sei qui

#AI #ArtificialIntelligence #deepLearning #CNN #computerVision #classificatore #prestazioni #TateoBlog #TILLL

Contenuto tratto dalla Knowledge Base:

TILLL > 🏠 Home > 🎓 Learning > 🧠 AI > Deep Learning > 🕸️CNN > 👁️visione artificiale > classificatore > prestazioni 👈 Sei qui

Nella valutazione delle prestazioni di una rete neurale, sia durante la fase di addestramento e validazione del modello, sia durante la verifica offline sul Test Set, sia infine durante la misura end-to-end delle prestazioni sul processo reale, tutte le analisi si basano sul confronto tra due grandezze fondamentali:

• Predizione del modello (Prediction): risultato prodotto dalla rete neurale in risposta a uno specifico dato di ingresso. Rappresenta la stima effettuata dal modello e può assumere la forma di una classe, di una probabilità, di una maschera di segmentazione, di una bounding box o di qualsiasi altra uscita prevista dall'architettura utilizzata.

• Ground Truth (GT): verità di riferimento, ossia il risultato corretto associato al dato di ingresso. La GT rappresenta il valore atteso e viene definita mediante annotazione umana, misure strumentali o altre fonti considerate affidabili. Costituisce il riferimento utilizzato per addestrare, validare e testare il modello.

Tutte le principali metriche di prestazione, quali:

• ACCURACY: Percentuale di predizioni corrette
• PRECISION: Quanto sono precise le predizioni positive
• RECALL: Quanti positivi reali sono stati trovati
• F1-SCORE: Media armonica tra PRECISION e RECALL
• CONFUSION MATRIX: Riepilogo di TP, FP, FN, TN 

nonché le metriche specifiche per object detection, segmentazione o regressione, vengono calcolate confrontando le predizioni del modello con la corrispondente Ground Truth. 

Maggiore è la concordanza tra Prediction e GT, migliori risultano le prestazioni del sistema.

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (🧭), utili per approfondire gli argomenti trattati.

• [1]🧭 Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 🔗https://tateoblog.blogspot.com/p/artificial-intelligence.html; Paragrafo: §8.5.2. (2) Addestramento e validazione del classificatore.

_______________________________________________________

Questo contenuto fa parte del progetto Tateo's Interdisciplinary Lifelong Learning Lab (TILLL), dedicato all'apprendimento continuo, all'interdisciplinarità e alla condivisione della conoscenza.

v. 3 · del 11 settembre 2026 · tratto dall' Articolo AI.

© 2026 Giovanni Battista Tateo | TILLL

👁️ Le applicazioni della Visione Artificiale

 TILLL / 🏠 HOME / ...

... ✍️ TateoBlog / 16/09/26 👈 sei qui.  

... 🎓 Learning / 👁️ VS  / Machine Vison 👈 sei qui

#AI #ArtificialIntelligence #VisioneArtificiale #ComputerVision #MachineVision #MachineLearning #DeepLearning #ANN #CNN #TateoBlog #TILLL

🎯 L'Intelligenza Artificiale (AI) e la Visione Artificiale (Computer Vision) rappresentano oggi tecnologie chiave per automatizzare attività che richiedono osservazione, interpretazione e valutazione di informazioni visive. Grazie alla capacità di apprendere dai dati e riconoscere automaticamente schemi ricorrenti, tali sistemi consentono di migliorare efficienza, qualità, sicurezza e supporto decisionale in numerosi settori industriali, scientifici, medicali e infrastrutturali. [1][2][6][7]

🛠️ La Computer Vision costituisce uno dei principali ambiti applicativi dell'AI e si propone di replicare mediante algoritmi alcune capacità tipiche della visione umana. L'evoluzione della disciplina è stata resa possibile dallo sviluppo del Machine Learning e, soprattutto, del Deep Learning, basato su Reti Neurali Artificiali (ANN) addestrate a riconoscere automaticamente caratteristiche significative all'interno dei dati. Tra queste, le Reti Neurali Convoluzionali (CNN) rappresentano ancora oggi una delle tecnologie più diffuse per l'analisi delle immagini. [1][3][6][7]

Nel contesto industriale, le applicazioni di Computer Vision sono spesso indicate con il termine Machine Vision, che identifica l'impiego della Visione Artificiale nei processi produttivi, nei sistemi di controllo qualità e nelle attività di ispezione automatica. [4]

📦 Le principali applicazioni della Visione Artificiale comprendono:

• Classificazione: assegna un'immagine a una categoria predefinita, ad esempio identificando il tipo di componente presente o la classe di un difetto. [1]
• Localizzazione / Object Detection: individua la presenza e la posizione degli oggetti tramite riquadri (bounding box), consentendo di rilevare contemporaneamente più elementi nella stessa immagine. [1]
• Segmentazione: determina con precisione quali pixel appartengono a ciascun oggetto o regione di interesse, fornendo una descrizione dettagliata della scena. [1][5]
• Stima della Posa (Pose Estimation): calcola posizione, orientamento o punti caratteristici di un oggetto o soggetto nello spazio. [2]
• Anomaly Detection: individua difetti, danneggiamenti o condizioni anomale rispetto al comportamento considerato normale. [4]
• Tracking: segue nel tempo il movimento di uno o più oggetti all'interno di sequenze video, mantenendone l'identità tra fotogrammi successivi. [1]

Nell'ispezione ferroviaria automatizzata, queste tecnologie consentono di riconoscere componenti dell'infrastruttura, valutarne lo stato e supportare le attività di manutenzione predittiva.

La Visione Artificiale ha applicazioni illimitate ma il costo dell'energia e delle apparecchiature elettroniche per l’acquisizione e l’elaborazione delle immagini ne ha limitato la diffusione su larga scala. Oggi, la disponibilità di dispositivi più potenti e performanti, apre una nuova era che speriamo possa conferire a questa tecnologia il successo che merita.

“La visione industriale permette di rilevare errori e imperfezioni, monitorare e migliorare i processi produttivi, ottimizzare l’impiego complessivo delle risorse. I benefici quantificabili sono la ripetibilità dei risultati, la rapidità delle procedure di ispezione, l'affidabilità e qualità dei prodotti, quindi, in ultima analisi, la soddisfazione del cliente”

( cit. Marco Diani, co-fondatore di iMAGE S srl)

🔍 Approfondimenti consigliati:

Di seguito sono riportati alcuni riferimenti bibliografici (📖), risorse disponibili sul Web (🌐) e contenuti della piattaforma TILLL (🧭), utili per approfondire gli argomenti trattati.

• [1] 🌐 Ultralytics Documentation - Computer Vision Tasks; 🔗https://docs.ultralytics.com/tasks 
• [2] 🌐 Deep Learning-Based Object Pose Estimation: A Comprehensive Survey; 🔗https://arxiv.org/abs/2405.07801 
• [3] 🌐 IBM - What is Deep Learning? 🔗https://www.ibm.com/topics/deep-learning 
• [4] 🌐 Wikipedia Italia - Visione artificiale industriale (Machine Vision); 🔗https://it.wikipedia.org/wiki/Visione_artificiale
• [5] 🌐 MIT - Object Detection and Segmentation; 🔗 https://manipulation.csail.mit.edu/segmentation.html 
• [6] 🧭 Come delegare alle macchine compiti che gli umani riescono a svolgere grazie alla loro intelligenza; 🔗https://tateoblog.blogspot.com/p/artificial-intelligence.html; (AI.)
• [7] 🧭 La riproduzione della visione umana per mezzo di un sistema artificiale; 🔗https://tateoblog.blogspot.com/p/vs-visione-artificiale.html; (VS)
• [8] 🧭 Machine Vision: l'applicazione industriale della Visione Artificiale; 🔗https://tateoblog.blogspot.com/2017/05/vs-10-machine-vision-la-visione.html; (VS.5)

_______________________________________________________

Aggiornato il 16 settembre 2026 (Versione 2)