Dalla computer vision ai task concreti

La computer vision è l’area dell’AI che permette a un sistema di “vedere” e interpretare immagini e video. In Azure il servizio di riferimento è Azure AI Vision, che espone modelli pre-addestrati pronti all’uso, affiancato da Custom Vision quando serve addestrare un modello sui propri dati. Per l’esame la competenza chiave non è configurare il servizio, ma riconoscere quale task risolve un dato scenario: descrivere il contenuto di un’immagine, localizzare oggetti al suo interno o leggere del testo. Sono tre problemi diversi, con modelli e output diversi.

Image analysis: descrivere e classificare

L’image analysis prende un’immagine e ne restituisce informazioni di alto livello sull’intero contenuto: tag (parole chiave come “outdoor”, “dog”, “sky”), una caption in linguaggio naturale che descrive la scena, categorie, colori dominanti, presenza di contenuti adult/racy, rilevamento di volti o brand. È un modello generico e pre-addestrato: non richiede training e copre migliaia di concetti comuni.

Un caso particolare è la image classification: assegna una o più etichette all’immagine considerata nel suo insieme (“questa foto contiene un gatto”). Risponde alla domanda “cosa c’è?”, ma non “dove?”. Quando le categorie generiche non bastano — per esempio distinguere i tuoi specifici modelli di prodotto o difetti di produzione — si usa Custom Vision per addestrare un classifier sulle proprie immagini etichettate.

Casi d’uso tipici: catalogazione e tagging automatico di librerie di immagini, moderazione dei contenuti, generazione di alt-text per l’accessibilità, ricerca visuale.

Object detection: localizzare, non solo riconoscere

La differenza da capire per l’esame è netta. La classification dice se un oggetto è presente nell’immagine; l’object detection dice anche dove si trova, restituendo per ogni istanza una bounding box (le coordinate di un rettangolo) più l’etichetta e un livello di confidence. Questo abilita due cose che la sola classificazione non consente: contare quante istanze di un oggetto sono presenti e conoscerne la posizione.

Se lo scenario chiede “quante auto ci sono nel parcheggio?” oppure “evidenzia dove appare il logo”, serve object detection, non classification. Anche l’object detection esiste in versione pre-addestrata (oggetti comuni) o custom, tramite Custom Vision, per oggetti specifici del dominio. Casi d’uso: conteggio in retail e magazzino, controllo qualità, conteggio persone, guida assistita.

OCR: estrarre testo dalle immagini

L’OCR (Optical Character Recognition) individua ed estrae testo, stampato e manoscritto, da immagini e documenti, restituendo sia le stringhe sia le coordinate in cui compaiono. È il task giusto ogni volta che l’informazione utile è testo dentro un’immagine: targhe, cartelli, insegne, ricevute, pagine scansionate, foto di documenti.

Attenzione a non confondere l’OCR con l’image analysis: quest’ultima descrive la scena e i suoi oggetti, ma non legge il contenuto testuale. E l’OCR estrae testo “grezzo”: se lo scenario richiede di capire la struttura di un modulo ed estrarre coppie campo-valore o tabelle, il servizio orientato è Azure AI Document Intelligence, che sfrutta l’OCR ma aggiunge la comprensione del layout.

Trappole tipiche d’esame

  • Serve sapere dove si trova l’oggetto o quanti sono → object detection: la image classification etichetta l’intera immagine e dice solo se una classe è presente, senza posizione né conteggio delle istanze.
  • Basta sapere “cosa contiene” l’immagine nel complesso → image classification / image analysis: se non servono coordinate, l’object detection è sovradimensionato per lo scenario.
  • Leggere testo, anche manoscritto, da foto o scansioni → OCR: l’image analysis restituisce tag e caption della scena, non trascrive il testo presente nell’immagine.
  • Estrarre campi strutturati da moduli o fatture → Document Intelligence: l’OCR da solo restituisce testo grezzo, non coppie campo-valore o tabelle già interpretate.
  • Categorie generiche vs dominio specifico → Custom Vision: i modelli pre-addestrati di Azure AI Vision coprono oggetti e concetti comuni; per prodotti, difetti o classi proprie serve addestrare un modello custom.
  • Descrivere una scena in linguaggio naturale → caption/description dell’image analysis: i tag sono singole parole chiave, la caption è la frase descrittiva; sono output distinti dello stesso servizio.