PRODUK MTP
MATA
Model-Agnostic Task Architecture — kerangka kerja fleksibel untuk membangun solusi AI Vision.
Apa Itu MATA?
MATA (Model-Agnostic Task Architecture) adalah framework Python sumber terbuka yang memungkinkan Anda menulis pipeline vision sekali dan menukar model apa pun — HuggingFace, ONNX, Torchvision — tanpa mengubah satu baris kode pun.
Pemuatan Model Universal
Muat model apa pun berdasarkan ID HuggingFace, file ONNX lokal, arsip TorchScript, atau alias konfigurasi dengan satu panggilan API. Lapisan adapter mendeteksi runtime secara otomatis dan menangani seluruh koneksi.
Pipeline Graf yang Dapat Dikomposisi
Rangkai Deteksi → Segmentasi → Embedding ke dalam graf asiklik berarah yang diketik dengan eksekusi paralel, percabangan kondisional, dan alur kontrol. Jalankan tugas independen secara paralel untuk percepatan 1,5–3×.
Zero-Shot untuk Semua
CLIP untuk klasifikasi, GroundingDINO untuk deteksi, SAM untuk segmentasi — tanpa perlu pelatihan. Deskripsikan apa yang Anda inginkan dalam bahasa alami dan dapatkan hasil langsung.
Kemampuan Inti
MATA mendukung setiap tugas utama computer vision melalui API minimal yang konsisten. Pola tiga baris yang sama berlaku untuk semua jenis tugas.
Deteksi Objek
Deteksi objek dengan bounding box dan skor keyakinan menggunakan DETR, RT-DETR, GroundingDINO, YOLO, dan lainnya.
Segmentasi
Segmentasi instance, panoptik, dan semantik dengan Mask2Former, SAM, SAM3 — termasuk segmentasi zero-shot berbasis prompt.
Klasifikasi
Klasifikasi gambar standar dan zero-shot dengan ResNet, ViT, ConvNeXt, CLIP, dan classifier HuggingFace apa pun.
Estimasi Kedalaman
Estimasi kedalaman monokular dengan Depth Anything V1/V2 — menghasilkan peta kedalaman per-piksel dari satu gambar.
Pelacakan Objek
Pelacakan multi-objek di aliran video dengan BotSort dan ByteTrack, serta ReID untuk identifikasi ulang berbasis penampilan.
OCR
Pengenalan karakter optik melalui EasyOCR, PaddleOCR, Tesseract, TrOCR, GOT-OCR2, dan GLM-OCR — dengan dukungan bounding box.
Model Vision-Language
Image captioning, visual question answering, dan pemanggilan alat mode agen dengan Qwen3-VL, Florence-2, Gemma 4, LLaVA-NeXT, dan lainnya.
Barcode & QR
Dekode barcode dan kode QR dari gambar menggunakan pyzbar atau zxing-cpp — terintegrasi sebagai tugas kelas satu.
Feature Embedding
Ekstrak vektor fitur gambar untuk pencarian kemiripan, pencocokan galeri, dan pipeline pengenalan menggunakan CLIP, OSNet, dan X-CLIP.
Pipeline Graf
Diferensiator unik MATA adalah sistem graf tugas bertipe. Susun tugas ke dalam DAG tervalidasi yang dieksekusi secara paralel jika memungkinkan — tanpa orkestrasi manual.
DAG Bertipe
Setiap node mendeklarasikan tipe artefak input dan output-nya. Validator graf menangkap kesalahan koneksi sebelum runtime — tidak ada lagi ketidakcocokan bentuk saat inferensi.
Eksekusi Paralel
Tugas independen (mis. Detect + Classify + Depth) berjalan secara bersamaan. Penjadwal menangani resolusi dependensi dan menggabungkan hasil secara deterministik.
Alur Kontrol Kondisional
Percabangan berdasarkan keyakinan deteksi, lewati frame kosong, atau ulangi hingga ambang kualitas terpenuhi — primitif EarlyExit dan While menanganinya secara inline.
DSL Mnemonik
Graf terbaca seperti kalimat: Detect → Filter → PromptBoxes → RefineMask → Fuse. Gaya pipe atau pengkabelan eksplisit — keduanya dikompilasi ke DAG tervalidasi yang sama.
Aplikasi Industri
Manufaktur
Deteksi cacat zero-shot, verifikasi perakitan dengan VLM, inspeksi kualitas per komponen.
Ritel
Deteksi produk rak, klasifikasi merek, pencarian produk zero-shot, penilaian stok multi-modal.
Kendaraan Otonom
Estimasi jarak, analisis jalan 4 arah, pelacakan lalu lintas real-time dengan penalaran bahaya VLM.
Keamanan & Pengawasan
Pemantauan kerumunan dengan pelacakan orang, deteksi objek mencurigakan dengan penalaran SAM + VLM.
Pertanian
Klasifikasi penyakit tanaman, segmentasi lahan udara dengan pemetaan kedalaman, deteksi hama.
Kesehatan
Segmentasi ROI untuk pencitraan medis, pembuatan laporan berbantuan VLM, alur kerja triase kondisional.
Sumber Terbuka
MATA dilisensikan di bawah Apache 2.0 dan tersedia di GitHub. Dilengkapi dengan CLI, helper Jupyter notebook, dokumentasi komprehensif, dan 5.500+ pengujian yang lulus. Instal dengan satu perintah pip dan jalankan deteksi pertama Anda dalam waktu kurang dari satu menit.
Tertarik dengan MATA?
Hubungi kami untuk mempelajari bagaimana MATA dapat diintegrasikan ke dalam lingkungan operasional Anda — atau kunjungi repo GitHub untuk mencobanya sendiri.