নিম্নমানের খরচ নির্মাতাদের জন্য মনের শীর্ষে. গুণমানের ত্রুটিগুলি স্ক্র্যাপ এবং পুনরায় কাজের খরচ বাড়ায়, থ্রুপুট হ্রাস করে এবং গ্রাহকদের এবং কোম্পানির সুনামকে প্রভাবিত করতে পারে। মানের মান বজায় রাখার জন্য উত্পাদন লাইনে গুণমান পরিদর্শন অত্যন্ত গুরুত্বপূর্ণ। অনেক ক্ষেত্রে, মানব চাক্ষুষ পরিদর্শন গুণমান মূল্যায়ন এবং ত্রুটি সনাক্ত করতে ব্যবহৃত হয়, যা মানব পরিদর্শকদের সীমাবদ্ধতার কারণে লাইনের থ্রুপুট সীমিত করতে পারে।
মেশিন লার্নিং (ML) এবং কৃত্রিম বুদ্ধিমত্তা (AI) এর আবির্ভাব কম্পিউটার ভিশন (CV) ML মডেলগুলি ব্যবহার করে অতিরিক্ত ভিজ্যুয়াল পরিদর্শন ক্ষমতা নিয়ে আসে। CV-ভিত্তিক ML-এর সাথে মানুষের পরিদর্শনের প্রশংসা করা শনাক্তকরণের ত্রুটি কমাতে পারে, উৎপাদনের গতি বাড়াতে পারে, গুণমানের খরচ কমাতে পারে এবং গ্রাহকদের ইতিবাচকভাবে প্রভাবিত করতে পারে। সিভি এমএল মডেল তৈরির জন্য সাধারণত ডেটা সায়েন্স এবং কোডিং-এ দক্ষতার প্রয়োজন হয়, যা উৎপাদনকারী প্রতিষ্ঠানে প্রায়ই বিরল সম্পদ। এখন, মানের প্রকৌশলী এবং দোকানের মেঝেতে থাকা অন্যরা নো-কোড এমএল পরিষেবাগুলি ব্যবহার করে এই মডেলগুলি তৈরি এবং মূল্যায়ন করতে পারে, যা উত্পাদন কার্যক্রমে আরও বিস্তৃতভাবে এই মডেলগুলির অন্বেষণ এবং গ্রহণকে ত্বরান্বিত করতে পারে।
আমাজন সেজমেকার ক্যানভাস একটি ভিজ্যুয়াল ইন্টারফেস যা গুণমান, প্রক্রিয়া এবং উৎপাদন প্রকৌশলীকে তাদের নিজেরাই সঠিক ML পূর্বাভাস তৈরি করতে সক্ষম করে—কোনও ML অভিজ্ঞতার প্রয়োজন ছাড়াই বা কোডের একটি লাইন লিখতে হবে না। আপনি আপনার নিজস্ব ইমেজ ডেটাসেট ব্যবহার করে সাধারণ উত্পাদন ত্রুটি সনাক্ত করার জন্য একক-লেবেল চিত্র শ্রেণীবিভাগ মডেল তৈরি করতে সেজমেকার ক্যানভাস ব্যবহার করতে পারেন।
এই পোস্টে, আপনি শিখবেন কিভাবে SageMaker ক্যানভাস ব্যবহার করে একটি একক-লেবেল ইমেজ ক্লাসিফিকেশন মডেল তৈরি করতে হয় যাতে তাদের ইমেজের উপর ভিত্তি করে তৈরি করা ম্যাগনেটিক টাইলসের ত্রুটি চিহ্নিত করা যায়।
সমাধান ওভারভিউ
এই পোস্টটি সিভি এমএল পরিদর্শন অন্বেষণকারী একজন গুণমান প্রকৌশলীর দৃষ্টিভঙ্গি অনুমান করে, এবং আপনি গুণমান পরীক্ষা করার জন্য টাইলগুলির ত্রুটিগুলি ভবিষ্যদ্বাণী করতে একটি চিত্র শ্রেণীবিভাগ এমএল মডেল তৈরি করতে চৌম্বকীয় টাইল চিত্রগুলির নমুনা ডেটা নিয়ে কাজ করবেন৷ ডেটাসেটে চৌম্বকীয় টাইলসের 1,200 টিরও বেশি চিত্র রয়েছে, যাতে ব্লোহোল, ব্রেক, ক্র্যাক, ফ্রে এবং অসম পৃষ্ঠের মতো ত্রুটি রয়েছে৷ নীচের চিত্রগুলি একক-লেবেল ত্রুটি শ্রেণীবিভাগের একটি উদাহরণ প্রদান করে, বাম দিকে একটি ফাটলযুক্ত টাইল এবং ডানদিকে ত্রুটিমুক্ত একটি টাইল রয়েছে৷
একটি বাস্তব-বিশ্বের উদাহরণে, আপনি উত্পাদন লাইনে সমাপ্ত পণ্যগুলি থেকে এই জাতীয় চিত্র সংগ্রহ করতে পারেন। এই পোস্টে, আপনি একটি একক-লেবেল চিত্র শ্রেণিবিন্যাসের মডেল তৈরি করতে সেজমেকার ক্যানভাস ব্যবহার করেন যা একটি প্রদত্ত চৌম্বকীয় টাইল চিত্রের ত্রুটিগুলি ভবিষ্যদ্বাণী করবে এবং শ্রেণিবদ্ধ করবে।
SageMaker ক্যানভাস একটি স্থানীয় ডিস্ক ফাইল থেকে ইমেজ ডেটা আমদানি করতে পারে বা আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)। এই পোস্টের জন্য, একটি S3 বালতিতে একাধিক ফোল্ডার তৈরি করা হয়েছে (একটি ত্রুটির ধরন যেমন ব্লোহোল, ব্রেক বা ক্র্যাক) এবং ম্যাগনেটিক টাইল ছবিগুলি তাদের নিজ নিজ ফোল্ডারে আপলোড করা হয়েছে। ফোল্ডার কল Free
ত্রুটি-মুক্ত ছবি রয়েছে।
সেজমেকার ক্যানভাস ব্যবহার করে এমএল মডেল তৈরিতে চারটি ধাপ জড়িত:
- চিত্রের ডেটাসেট আমদানি করুন।
- মডেল তৈরি এবং প্রশিক্ষণ.
- মডেলের অন্তর্দৃষ্টি বিশ্লেষণ করুন, যেমন নির্ভুলতা।
- ভবিষৎবাণী কর.
পূর্বশর্ত
শুরু করার আগে, আপনাকে সেজমেকার ক্যানভাস সেট আপ এবং চালু করতে হবে। এই সেটআপটি একজন আইটি প্রশাসক দ্বারা সঞ্চালিত হয় এবং এতে তিনটি ধাপ রয়েছে:
- সেট আপ একটি আমাজন সেজমেকার ডোমেইন.
- ব্যবহারকারীদের সেট আপ করুন।
- SageMaker ক্যানভাসে নির্দিষ্ট বৈশিষ্ট্য ব্যবহার করার জন্য অনুমতি সেট আপ করুন।
নির্দেশ করে Amazon SageMaker ক্যানভাস ব্যবহার করে শুরু করা এবং অ্যামাজন সেজমেকার ক্যানভাস সেট আপ এবং পরিচালনা করা (আইটি প্রশাসকদের জন্য) আপনার প্রতিষ্ঠানের জন্য SageMaker ক্যানভাস কনফিগার করতে।
যখন সেজমেকার ক্যানভাস সেট আপ করা হয়, ব্যবহারকারী সেজমেকার কনসোলে নেভিগেট করতে পারেন, বেছে নিন ক্যানভাস নেভিগেশন ফলকে, এবং নির্বাচন করুন ক্যানভাস খুলুন সেজমেকার ক্যানভাস চালু করতে।
সেজমেকার ক্যানভাস অ্যাপ্লিকেশনটি একটি নতুন ব্রাউজার উইন্ডোতে চালু হয়েছে।
SageMaker ক্যানভাস অ্যাপ্লিকেশন চালু হওয়ার পরে, আপনি ML মডেল তৈরির পদক্ষেপগুলি শুরু করেন।
ডেটাসেট আমদানি করুন
সেজমেকার ক্যানভাসের সাথে একটি এমএল মডেল তৈরি করার সময় ডেটাসেট আমদানি করা প্রথম ধাপ।
- সেজমেকার ক্যানভাস অ্যাপ্লিকেশনে, নির্বাচন করুন ডেটাসেট নেভিগেশন ফলকে।
- উপরে সৃষ্টি মেনু, নির্বাচন করুন ভাবমূর্তি.
- জন্য ডাটাসেটের নাম, একটি নাম লিখুন, যেমন
Magnetic-Tiles-Dataset
. - বেছে নিন সৃষ্টি ডেটাসেট তৈরি করতে।
ডেটাসেট তৈরি হওয়ার পরে, আপনাকে ডেটাসেটে ছবি আমদানি করতে হবে।
- উপরে আমদানি পৃষ্ঠা, চয়ন করুন আমাজন S3 (চৌম্বকীয় টাইলস চিত্রগুলি একটি S3 বালতিতে রয়েছে)।
আপনার কাছে আপনার স্থানীয় কম্পিউটার থেকেও ছবি আপলোড করার পছন্দ আছে।
- S3 বাকেটের ফোল্ডারটি নির্বাচন করুন যেখানে চৌম্বকীয় টাইল চিত্রগুলি সংরক্ষণ করা হয় এবং চয়ন করুন৷ তথ্য আমদানি.
সেজমেকার ক্যানভাস ডেটাসেটে ছবি আমদানি করা শুরু করে। আমদানি সম্পূর্ণ হলে, আপনি 1,266টি ছবি দিয়ে তৈরি ইমেজ ডেটাসেট দেখতে পাবেন।
আপনি বিশদ বিবরণ পরীক্ষা করতে ডেটাসেট চয়ন করতে পারেন, যেমন চিত্রগুলির একটি পূর্বরূপ এবং ত্রুটির ধরণের জন্য তাদের লেবেল৷ যেহেতু ছবিগুলি ফোল্ডারে সংগঠিত হয়েছিল এবং প্রতিটি ফোল্ডারের ত্রুটির ধরন দিয়ে নামকরণ করা হয়েছিল, সেজমেকার ক্যানভাস স্বয়ংক্রিয়ভাবে ফোল্ডারের নামের উপর ভিত্তি করে ছবিগুলির লেবেল সম্পূর্ণ করে৷ একটি বিকল্প হিসাবে, আপনি লেবেলবিহীন ছবিগুলি আমদানি করতে পারেন, লেবেল যোগ করতে পারেন এবং পরবর্তী সময়ে পৃথক চিত্রগুলির লেবেল সঞ্চালন করতে পারেন৷ আপনি বিদ্যমান লেবেলযুক্ত চিত্রগুলির লেবেলগুলিও সংশোধন করতে পারেন৷
চিত্র আমদানি সম্পূর্ণ হয়েছে এবং আপনার কাছে এখন সেজমেকার ক্যানভাসে একটি চিত্র ডেটাসেট তৈরি করা হয়েছে। চৌম্বকীয় টাইলগুলির ত্রুটিগুলি ভবিষ্যদ্বাণী করতে আপনি একটি ML মডেল তৈরি করতে পরবর্তী ধাপে যেতে পারেন৷
মডেল তৈরি এবং প্রশিক্ষণ
আপনি আমদানি করা ডেটাসেট ব্যবহার করে মডেলটিকে প্রশিক্ষণ দেন।
- ডেটাসেট নির্বাচন করুন (
Magnetic-tiles-Dataset
) এবং চয়ন করুন একটি মডেল তৈরি করুন. - জন্য ণশড, একটি নাম লিখুন, যেমন
Magnetic-Tiles-Defect-Model.
- নির্বাচন করা ছবি বিশ্লেষণ সমস্যার প্রকারের জন্য এবং নির্বাচন করুন সৃষ্টি মডেল বিল্ড কনফিগার করতে।
মডেল এর উপর নির্মাণ করা ট্যাবে, আপনি ডেটাসেট সম্পর্কে বিভিন্ন বিশদ বিবরণ দেখতে পারেন, যেমন লেবেল বিতরণ, লেবেলযুক্ত বনাম লেবেলবিহীন চিত্রগুলির সংখ্যা এবং এছাড়াও মডেলের ধরন, যা এই ক্ষেত্রে একক-লেবেল চিত্রের পূর্বাভাস। আপনি যদি লেবেলবিহীন ছবি আমদানি করে থাকেন বা আপনি নির্দিষ্ট কিছু ছবির লেবেল সংশোধন বা সংশোধন করতে চান, তাহলে আপনি বেছে নিতে পারেন ডেটাসেট সম্পাদনা করুন লেবেল সংশোধন করতে।
আপনি দুটি উপায়ে মডেল তৈরি করতে পারেন: দ্রুত বিল্ড এবং স্ট্যান্ডার্ড বিল্ড। দ্রুত বিল্ড বিকল্পটি সঠিকতার চেয়ে গতিকে অগ্রাধিকার দেয়। এটি 15-30 মিনিটের মধ্যে মডেলটিকে প্রশিক্ষণ দেয়। মডেলটি ভবিষ্যদ্বাণীর জন্য ব্যবহার করা যেতে পারে কিন্তু শেয়ার করা যাবে না। প্রদত্ত ডেটাসেট সহ একটি মডেল প্রশিক্ষণের সম্ভাব্যতা এবং যথার্থতা দ্রুত পরীক্ষা করার জন্য এটি একটি ভাল বিকল্প। স্ট্যান্ডার্ড বিল্ড গতির চেয়ে নির্ভুলতা বেছে নেয় এবং মডেল প্রশিক্ষণে 2-4 ঘন্টা সময় লাগতে পারে।
এই পোস্টের জন্য, আপনি স্ট্যান্ডার্ড বিল্ড বিকল্প ব্যবহার করে মডেলটিকে প্রশিক্ষণ দিন।
- বেছে নিন স্ট্যান্ডার্ড বিল্ড উপরে নির্মাণ করা মডেল প্রশিক্ষণ শুরু করতে ট্যাব.
মডেল প্রশিক্ষণ অবিলম্বে শুরু হয়. আপনি প্রত্যাশিত বিল্ড সময় এবং প্রশিক্ষণ অগ্রগতি দেখতে পারেন বিশ্লেষণ করা ট্যাব।
মডেল প্রশিক্ষণ সম্পূর্ণ না হওয়া পর্যন্ত অপেক্ষা করুন, তারপর আপনি নির্ভুলতার জন্য মডেল কর্মক্ষমতা বিশ্লেষণ করতে পারেন।
মডেল বিশ্লেষণ করুন
এক্ষেত্রে মডেল প্রশিক্ষণ শেষ করতে এক ঘণ্টারও কম সময় লেগেছে। মডেল প্রশিক্ষণ সম্পূর্ণ হলে, আপনি মডেল নির্ভুলতা পরীক্ষা করতে পারেন বিশ্লেষণ করা মডেল সঠিকভাবে ত্রুটি ভবিষ্যদ্বাণী করতে পারে কিনা তা নির্ধারণ করতে ট্যাব. আপনি সামগ্রিক মডেল নির্ভুলতা এই ক্ষেত্রে 97.7% দেখতে. এছাড়াও আপনি প্রতিটি পৃথক লেবেল বা ত্রুটির প্রকারের জন্য মডেলের যথার্থতা পরীক্ষা করতে পারেন, উদাহরণস্বরূপ ফ্রে এবং অসমান এর জন্য 100% কিন্তু প্রায় 95% Blowhole
. নির্ভুলতার এই স্তরটি উত্সাহজনক, তাই আমরা মূল্যায়ন চালিয়ে যেতে পারি।
মডেলটিকে আরও ভালভাবে বুঝতে এবং বিশ্বাস করতে, সক্ষম করুন৷ তাপ মানচিত্র মডেলটি লেবেলগুলিকে আলাদা করার জন্য যে চিত্রটি ব্যবহার করে তাতে আগ্রহের ক্ষেত্রগুলি দেখতে৷ এটি ক্লাস অ্যাক্টিভেশন ম্যাপ (CAM) কৌশলের উপর ভিত্তি করে। আপনি হিটম্যাপ ব্যবহার করে আপনার ভুল ভবিষ্যদ্বাণী করা ছবি থেকে প্যাটার্ন শনাক্ত করতে পারেন, যা আপনার মডেলের গুণমান উন্নত করতে সাহায্য করতে পারে।
উপরে স্কোরিং ট্যাব, আপনি নির্ভুলতা পরীক্ষা করতে পারেন এবং প্রতিটি লেবেলের জন্য মডেলের জন্য প্রত্যাহার করতে পারেন (বা শ্রেণি বা ত্রুটির ধরন)। নির্ভুলতা এবং প্রত্যাহার একটি বাইনারি এবং মাল্টিক্লাস শ্রেণীবিভাগ মডেলের কর্মক্ষমতা পরিমাপ করতে ব্যবহৃত মূল্যায়ন মেট্রিক। নির্ভুলতা বলে যে মডেলটি একটি নির্দিষ্ট শ্রেণীর ভবিষ্যদ্বাণী করতে কতটা ভাল (এই উদাহরণে ত্রুটির ধরন)। রিকল বলে যে কতবার মডেলটি একটি নির্দিষ্ট ক্লাস সনাক্ত করতে সক্ষম হয়েছিল।
মডেল বিশ্লেষণ আপনাকে ভবিষ্যদ্বাণীর জন্য ব্যবহার করার আগে মডেলটির যথার্থতা বুঝতে সাহায্য করে।
ভবিষৎবাণী কর
মডেল বিশ্লেষণের পর, আপনি এখন চৌম্বকীয় টাইলগুলির ত্রুটিগুলি সনাক্ত করতে এই মডেলটি ব্যবহার করে ভবিষ্যদ্বাণী করতে পারেন।
উপরে ভবিষ্যদ্বাণী করা ট্যাব, আপনি চয়ন করতে পারেন একক ভবিষ্যদ্বাণী এবং ব্যাচ ভবিষ্যদ্বাণী. একটি একক ভবিষ্যদ্বাণীতে, আপনি ত্রুটি সম্পর্কে একটি ভবিষ্যদ্বাণী করতে আপনার স্থানীয় কম্পিউটার বা S3 বাকেট থেকে একটি একক চিত্র আমদানি করেন৷ ব্যাচের ভবিষ্যদ্বাণীতে, আপনি সেজমেকার ক্যানভাস ডেটাসেটে সংরক্ষিত একাধিক ছবির জন্য ভবিষ্যদ্বাণী করতে পারেন। আপনি ব্যাচের পূর্বাভাসের জন্য পরীক্ষা বা অনুমান চিত্র সহ সেজমেকার ক্যানভাসে একটি পৃথক ডেটাসেট তৈরি করতে পারেন। এই পোস্টের জন্য, আমরা একক এবং ব্যাচ ভবিষ্যদ্বাণী উভয়ই ব্যবহার করি।
একক ভবিষ্যদ্বাণী জন্য, উপর ভবিষ্যদ্বাণী করা ট্যাব, চয়ন করুন একক ভবিষ্যদ্বাণী, তাহলে বেছে নাও ইমেজ আমদানি করুন আপনার স্থানীয় কম্পিউটার থেকে পরীক্ষা বা অনুমান চিত্র আপলোড করতে।
ছবিটি আমদানি করার পরে, মডেলটি ত্রুটি সম্পর্কে একটি ভবিষ্যদ্বাণী করে। প্রথম অনুমানের জন্য, এটি কয়েক মিনিট সময় নিতে পারে কারণ মডেলটি প্রথমবার লোড হচ্ছে৷ কিন্তু মডেল লোড হওয়ার পরে, এটি ছবি সম্পর্কে তাত্ক্ষণিক ভবিষ্যদ্বাণী করে। আপনি প্রতিটি লেবেল প্রকারের জন্য ভবিষ্যদ্বাণীর চিত্র এবং আত্মবিশ্বাসের স্তর দেখতে পারেন৷ উদাহরণস্বরূপ, এই ক্ষেত্রে, চৌম্বকীয় টালি চিত্রের একটি অসম পৃষ্ঠের ত্রুটি রয়েছে বলে পূর্বাভাস দেওয়া হয় ( Uneven
লেবেল) এবং মডেলটি এটি সম্পর্কে 94% আত্মবিশ্বাসী।
একইভাবে, আপনি ত্রুটি সম্পর্কে ভবিষ্যদ্বাণী করতে অন্যান্য চিত্র বা চিত্রগুলির একটি ডেটাসেট ব্যবহার করতে পারেন।
ব্যাচের পূর্বাভাসের জন্য, আমরা লেবেলবিহীন চিত্রগুলির ডেটাসেট ব্যবহার করি যাকে বলা হয় Magnetic-Tiles-Test-Dataset
আপনার স্থানীয় কম্পিউটার থেকে ডেটাসেটে 12টি পরীক্ষামূলক ছবি আপলোড করে।
উপরে ভবিষ্যদ্বাণী করা ট্যাব, চয়ন করুন ব্যাচ ভবিষ্যদ্বাণী এবং নির্বাচন করুন ডেটাসেট নির্বাচন করুন.
নির্বাচন করুন Magnetic-Tiles-Test-Dataset
ডেটাসেট এবং চয়ন করুন ভবিষ্যদ্বাণী তৈরি করুন.
সমস্ত ছবির ভবিষ্যদ্বাণী তৈরি করতে কিছু সময় লাগবে৷ যখন স্ট্যাটাস হয় প্রস্তুত, ভবিষ্যদ্বাণী দেখতে ডেটাসেট লিঙ্কটি বেছে নিন।
আপনি আত্মবিশ্বাসের মাত্রা সহ সমস্ত চিত্রের ভবিষ্যদ্বাণী দেখতে পারেন। ইমেজ-স্তরের ভবিষ্যদ্বাণীর বিশদ বিবরণ দেখতে আপনি পৃথক চিত্রগুলির মধ্যে যেকোনো একটি বেছে নিতে পারেন।
অফলাইনে কাজ করার জন্য আপনি CSV বা .zip ফাইল ফরম্যাটে ভবিষ্যদ্বাণী ডাউনলোড করতে পারেন। এছাড়াও আপনি ভবিষ্যদ্বাণীকৃত লেবেল যাচাই করতে পারেন এবং আপনার প্রশিক্ষণ ডেটাসেটে যোগ করতে পারেন। পূর্বাভাসিত লেবেল যাচাই করতে, নির্বাচন করুন ভবিষ্যদ্বাণী যাচাই করুন.
ভবিষ্যদ্বাণী ডেটাসেটে, আপনি যদি ভবিষ্যদ্বাণী করা লেবেলটি সঠিক না খুঁজে পান তবে আপনি পৃথক চিত্রের লেবেল আপডেট করতে পারেন। যখন আপনি প্রয়োজন অনুযায়ী লেবেল আপডেট করেন, নির্বাচন করুন প্রশিক্ষিত ডেটাসেটে যোগ করুন আপনার প্রশিক্ষণ ডেটাসেটে চিত্রগুলি মার্জ করতে (এই উদাহরণে, Magnetic-Tiles-Dataset
).
এটি প্রশিক্ষণ ডেটাসেট আপডেট করে, যাতে আপনার বিদ্যমান প্রশিক্ষণের ছবি এবং পূর্বাভাসিত লেবেল সহ নতুন ছবি উভয়ই অন্তর্ভুক্ত থাকে। আপনি আপডেট করা ডেটাসেটের সাথে একটি নতুন মডেল সংস্করণকে প্রশিক্ষণ দিতে পারেন এবং সম্ভাব্যভাবে মডেলের কর্মক্ষমতা উন্নত করতে পারেন৷ নতুন মডেল সংস্করণটি ক্রমবর্ধমান প্রশিক্ষণ নয়, আপডেট করা ডেটাসেটের সাথে স্ক্র্যাচ থেকে একটি নতুন প্রশিক্ষণ হবে। এটি ডেটার নতুন উত্সগুলির সাথে মডেলটিকে সতেজ রাখতে সহায়তা করে৷
পরিষ্কার কর
SageMaker ক্যানভাসের সাথে আপনার কাজ শেষ করার পরে, নির্বাচন করুন লগ আউট অধিবেশন বন্ধ এবং কোনো খরচ এড়াতে.
আপনি যখন লগ আউট করেন, আপনার কাজ যেমন ডেটাসেট এবং মডেলগুলি সংরক্ষিত থাকে এবং আপনি পরে কাজটি চালিয়ে যেতে আবার একটি সেজমেকার ক্যানভাস সেশন চালু করতে পারেন।
সেজমেকার ক্যানভাস ভবিষ্যদ্বাণী তৈরি করার জন্য একটি অ্যাসিঙ্ক্রোনাস সেজমেকার এন্ডপয়েন্ট তৈরি করে। সেজমেকার ক্যানভাস দ্বারা তৈরি এন্ডপয়েন্ট, এন্ডপয়েন্ট কনফিগারেশন এবং মডেল মুছতে পড়ুন এন্ডপয়েন্ট এবং রিসোর্স মুছুন.
উপসংহার
এই পোস্টে, আপনি শিখেছেন কিভাবে SageMaker ক্যানভাস ব্যবহার করে একটি ইমেজ ক্লাসিফিকেশন মডেল তৈরি করতে হয় যাতে তৈরি করা পণ্যের ত্রুটির পূর্বাভাস দেওয়া যায়, ভিজ্যুয়াল পরিদর্শন মানের প্রক্রিয়ার প্রশংসা এবং উন্নতি করা যায়। আপনি ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ, প্যাকেজ পরিদর্শন, কর্মীদের নিরাপত্তা, পণ্য ট্র্যাকিং এবং আরও অনেক কিছুর মতো ব্যবহারের ক্ষেত্রে মডেল তৈরি করতে আপনার উত্পাদন পরিবেশ থেকে বিভিন্ন চিত্র ডেটাসেট সহ সেজমেকার ক্যানভাস ব্যবহার করতে পারেন। সেজমেকার ক্যানভাস আপনাকে কোনো কোড লেখার প্রয়োজন ছাড়াই ভবিষ্যদ্বাণী তৈরি করতে ML ব্যবহার করার ক্ষমতা দেয়, মূল্যায়নকে ত্বরান্বিত করে এবং CV ML ক্ষমতা গ্রহণ করে।
শুরু করতে এবং সেজমেকার ক্যানভাস সম্পর্কে আরও জানতে, নিম্নলিখিত সংস্থানগুলি পড়ুন:
লেখক সম্পর্কে
ব্রজেন্দ্র সিং এন্টারপ্রাইজ গ্রাহকদের সাথে কাজ করা Amazon Web Services-এর সমাধান স্থপতি। তার শক্তিশালী বিকাশকারী ব্যাকগ্রাউন্ড রয়েছে এবং তিনি ডেটা এবং মেশিন লার্নিং সমাধানের জন্য প্রখর উত্সাহী।
ড্যানি স্মিথ প্রিন্সিপাল, স্বয়ংচালিত এবং উত্পাদন শিল্পের এমএল কৌশলবিদ, গ্রাহকদের জন্য কৌশলগত উপদেষ্টা হিসাবে কাজ করছেন। বোর্ড রুম থেকে দোকানের ফ্লোরে আরও ভাল সিদ্ধান্ত নিতে মূল সিদ্ধান্ত গ্রহণকারীদের ডেটা, প্রযুক্তি এবং গণিতের সাহায্যে তার কর্মজীবনের ফোকাস ছিল। ইদানীং তার বেশিরভাগ কথোপকথন গণতন্ত্রীকরণ মেশিন লার্নিং এবং জেনারেটিভ এআই নিয়ে।
ডেভিড গ্যালিটেলি EMEA অঞ্চলে AI/ML-এর জন্য একজন বিশেষজ্ঞ সমাধান স্থপতি৷ তিনি ব্রাসেলসে অবস্থিত এবং বেনেলাক্স জুড়ে গ্রাহকদের সাথে ঘনিষ্ঠভাবে কাজ করেন। তিনি খুব অল্প বয়স থেকেই একজন বিকাশকারী ছিলেন, 7 বছর বয়সে কোড করতে শুরু করেছিলেন। তিনি বিশ্ববিদ্যালয়ে AI/ML শিখতে শুরু করেছিলেন, এবং তখন থেকেই এর প্রেমে পড়েছেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। মোটরগাড়ি / ইভি, কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- ব্লকঅফসেট। পরিবেশগত অফসেট মালিকানার আধুনিকীকরণ। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/
- : আছে
- : হয়
- :কোথায়
- $ ইউপি
- 1
- 100
- 12
- 200
- 202
- 320
- 7
- 95%
- a
- ক্ষমতা
- সক্ষম
- সম্পর্কে
- আইটি সম্পর্কে
- দ্রুততর করা
- ত্বরক
- সঠিকতা
- সঠিক
- সঠিক
- সক্রিয়করণ
- যোগ
- অতিরিক্ত
- অ্যাডমিনিস্ট্রেটররা
- গ্রহণ
- আবির্ভাব
- অধ্যাপক
- পর
- আবার
- বয়স
- AI
- এআই / এমএল
- সব
- এছাড়াও
- বিকল্প
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- আমাজন সেজমেকার ক্যানভাস
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষণ
- বিশ্লেষণ করা
- এবং
- কোন
- আবেদন
- আন্দাজ
- রয়েছি
- এলাকার
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম বুদ্ধিমত্তা (এআই)
- AS
- পরিমাপ করা
- অনুমান
- At
- স্বয়ংক্রিয়ভাবে
- স্বয়ংচালিত
- এড়াতে
- ডেস্কটপ AWS
- পটভূমি
- ভিত্তি
- BE
- কারণ
- হয়েছে
- আগে
- উত্তম
- মধ্যে
- তক্তা
- উভয়
- বিরতি
- আনে
- বিস্তৃতভাবে
- ব্রাউজার
- ব্রাসেলস
- নির্মাণ করা
- ভবন
- কিন্তু
- by
- নামক
- CAN
- ক্যানভাস
- ক্ষমতা
- পেশা
- কেস
- মামলা
- কিছু
- চেক
- পছন্দ
- বেছে নিন
- বেছে
- শ্রেণী
- শ্রেণীবিন্যাস
- শ্রেণীভুক্ত করা
- ঘনিষ্ঠ
- ঘনিষ্ঠভাবে
- কোড
- কোডিং
- সংগ্রহ করা
- সাধারণ
- কোম্পানি
- সম্পূর্ণ
- সম্পন্ন হয়েছে
- প্রশংসা
- কম্পিউটার
- কম্পিউটার ভিশন
- বিশ্বাস
- সুনিশ্চিত
- কনফিগারেশন
- কনসোল
- ধারণ
- অবিরত
- কথোপকথন
- ঠিক
- মূল্য
- খরচ
- ফাটল
- কর্কশ
- সৃষ্টি
- নির্মিত
- সৃষ্টি
- কঠোর
- গ্রাহকদের
- উপাত্ত
- তথ্য বিজ্ঞান
- ডেটাসেট
- নীতি নির্ধারক
- সিদ্ধান্ত
- হ্রাস
- গণতান্ত্রিক করা
- গণতন্ত্রায়নের
- বিস্তারিত
- সনাক্তকরণ
- নির্ধারণ
- বিকাশকারী
- বিভিন্ন
- ভেদ করা
- বিতরণ
- ডোমেইন
- Dont
- ডাউনলোড
- কারণে
- প্রতি
- EMEA
- সক্ষম করা
- সম্ভব
- উদ্দীপক
- শেষপ্রান্ত
- প্রকৌশলী
- প্রকৌশলী
- প্রবেশ করান
- উদ্যোগ
- কৌতূহলী ব্যক্তি
- পরিবেশ
- ত্রুটি
- মূল্যায়ন
- মূল্যায়ন
- উদাহরণ
- বিদ্যমান
- প্রত্যাশিত
- অভিজ্ঞতা
- ল্যাপারোস্কোপিক পদ্ধতি
- অন্বেষণ
- এক্সপ্লোরিং
- পতিত
- বৈশিষ্ট্য
- কয়েক
- ফাইল
- আবিষ্কার
- প্রথম
- প্রথমবার
- মেঝে
- কেন্দ্রবিন্দু
- অনুসরণ
- জন্য
- বিন্যাস
- চার
- বিনামূল্যে
- থেকে
- অধিকতর
- উত্পাদন করা
- উৎপাদিত
- সৃজক
- জেনারেটিভ এআই
- পাওয়া
- প্রদত্ত
- দেয়
- ভাল
- পণ্য
- আছে
- জমিদারি
- he
- সাহায্য
- সাহায্য
- সাহায্য
- তার
- ঘন্টা
- ঘন্টার
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTPS দ্বারা
- মানবীয়
- সনাক্ত করা
- চিহ্নিতকরণের
- if
- ভাবমূর্তি
- ছবির শ্রেণীবিভাগ
- চিত্র
- প্রভাব
- আমদানি
- আমদানি
- উন্নত করা
- in
- অন্তর্ভুক্ত
- ভুল
- বৃদ্ধি
- স্বতন্ত্র
- শিল্প
- অর্ন্তদৃষ্টি
- উদাহরণ
- তাত্ক্ষণিক
- অবিলম্বে
- বুদ্ধিমত্তা
- স্বার্থ
- ইন্টারফেস
- মধ্যে
- জড়িত
- IT
- JPG
- উত্সাহী
- রাখা
- চাবি
- লেবেল
- লেবেল
- লেবেলগুলি
- পরে
- শুরু করা
- চালু
- শিখতে
- জ্ঞানী
- শিক্ষা
- বাম
- কম
- উচ্চতা
- মাত্রা
- লেভারেজ
- মত
- LIMIT টি
- সীমাবদ্ধতা
- লাইন
- LINK
- বোঝাই
- স্থানীয়
- লগ ইন করুন
- ভালবাসা
- মেশিন
- মেশিন লার্নিং
- নিয়ন্ত্রণের
- রক্ষণাবেক্ষণ
- করা
- তৈরি করে
- পরিচালক
- শিল্পজাত
- নির্মাতারা
- উত্পাদন
- অনেক
- মানচিত্র
- অংক
- মাপ
- মেনু
- মার্জ
- ছন্দোবিজ্ঞান
- হতে পারে
- মন
- মিনিট
- ML
- মডেল
- মডেল
- পরিবর্তন
- অধিক
- সেতু
- পদক্ষেপ
- বহু
- নাম
- নামে
- নাম
- নেভিগেট করুন
- ন্যাভিগেশন
- প্রয়োজন
- প্রয়োজন
- নতুন
- পরবর্তী
- এখন
- of
- অফলাইন
- প্রায়ই
- on
- ONE
- অপারেশনস
- পছন্দ
- or
- সংগঠন
- সংগঠন
- সংগঠিত
- অন্যান্য
- অন্যরা
- বাইরে
- শেষ
- সামগ্রিক
- নিজের
- প্যাকেজ
- পৃষ্ঠা
- শার্সি
- নিদর্শন
- সম্পাদন করা
- কর্মক্ষমতা
- সম্পাদিত
- অনুমতি
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- বিন্দু
- দরিদ্র
- পোস্ট
- সম্ভাব্য
- স্পষ্টতা
- ভবিষ্যদ্বাণী করা
- পূর্বাভাস
- পূর্বাভাসের
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- প্রি
- অধ্যক্ষ
- সমস্যা
- প্রক্রিয়া
- উত্পাদনের
- পণ্য
- উন্নতি
- প্রদান
- গুণ
- দ্রুত
- দ্রুত
- বিরল
- বাস্তব জগতে
- হ্রাস করা
- এলাকা
- দেহাবশেষ
- খ্যাতি
- প্রয়োজনীয়
- প্রয়োজন
- Resources
- নিজ নিজ
- অধিকার
- কক্ষ
- নিরাপত্তা
- ঋষি নির্মাতা
- বিজ্ঞান
- আঁচড়ের দাগ
- দেখ
- আলাদা
- সেবা
- ভজনা
- সেশন
- সেট
- সেটআপ
- ভাগ
- দোকান
- সহজ
- থেকে
- একক
- So
- সমাধান
- সলিউশন
- কিছু
- সোর্স
- বিশেষজ্ঞ
- নির্দিষ্ট
- স্পীড
- মান
- মান
- শুরু
- শুরু
- শুরু হচ্ছে
- শুরু
- অবস্থা
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টোরেজ
- সঞ্চিত
- কৌশলগত
- সৈনাপত্যে দক্ষ ব্যক্তি
- শক্তিশালী
- এমন
- পৃষ্ঠতল
- গ্রহণ করা
- প্রযুক্তিঃ
- বলে
- পরীক্ষা
- চেয়ে
- যে
- সার্জারির
- লাইন
- তাদের
- তাহাদিগকে
- তারপর
- এইগুলো
- এই
- তিন
- সর্বত্র
- থ্রুপুট
- সময়
- বার
- থেকে
- গ্রহণ
- শীর্ষ
- অনুসরণকরণ
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- ট্রেন
- আস্থা
- দুই
- আদর্শ
- সাধারণত
- বোঝা
- বিশ্ববিদ্যালয়
- পর্যন্ত
- আপডেট
- আপডেট
- আপডেট
- আপলোড করা
- আপলোড
- ব্যবহার
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারকারী
- ব্যবহারসমূহ
- ব্যবহার
- বিভিন্ন
- যাচাই
- সংস্করণ
- খুব
- দৃষ্টি
- vs
- প্রয়োজন
- ছিল
- উপায়
- we
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- ছিল
- কখন
- যে
- ইচ্ছা
- সঙ্গে
- ছাড়া
- হয়া যাই ?
- কর্মী
- কাজ
- কাজ
- লেখা
- আপনি
- তরুণ
- আপনার
- zephyrnet
- ফ্যাস্ শব্দ