জিপিইউ ব্যবহার না করে প্রান্তে অ্যামাজন লুকআউট ফর ভিশন ব্যবহার করে অসঙ্গতির অবস্থান সনাক্ত করুন

কম্পিউটার দৃষ্টি ব্যবহার করে স্বয়ংক্রিয় ত্রুটি সনাক্তকরণ গুণমান উন্নত করতে এবং পরিদর্শনের খরচ কমাতে সাহায্য করে। ত্রুটি সনাক্তকরণের মধ্যে একটি ত্রুটির উপস্থিতি সনাক্ত করা, ত্রুটিগুলির প্রকারগুলিকে শ্রেণিবদ্ধ করা এবং ত্রুটিগুলি কোথায় অবস্থিত তা সনাক্ত করা জড়িত। অনেক উত্পাদন প্রক্রিয়ার জন্য সীমিত গণনা সংস্থান সহ এবং সীমিত সংযোগ সহ কম বিলম্বে সনাক্তকরণের প্রয়োজন হয়।

দৃষ্টি জন্য Amazon Lookout একটি মেশিন লার্নিং (ML) পরিষেবা যা আপনার উত্পাদন লাইনে গুণমান পরিদর্শন প্রক্রিয়া স্বয়ংক্রিয় করতে কম্পিউটার দৃষ্টি ব্যবহার করে পণ্যের ত্রুটিগুলি চিহ্নিত করতে সহায়তা করে, কোন ML দক্ষতার প্রয়োজন নেই৷ দৃষ্টিভঙ্গির সন্ধানে এখন শব্দার্থিক বিভাজন এমএল মডেলগুলি ব্যবহার করে অবস্থান এবং অসঙ্গতির ধরন প্রদান করার ক্ষমতা অন্তর্ভুক্ত রয়েছে। এই কাস্টমাইজড এমএল মডেলগুলি ব্যবহার করে AWS ক্লাউডে স্থাপন করা যেতে পারে ক্লাউড এপিআই অথবা কাস্টম প্রান্ত হার্ডওয়্যার ব্যবহার করে এডাব্লুএস আইওটি গ্রিনগ্রাস. Lookout for Vision এখন NVIDIA GPU অ্যাক্সিলারেটর সহ বা ছাড়া Linux চালিত x86 কম্পিউট প্ল্যাটফর্মে অনুমান সমর্থন করে এবং যেকোন NVIDIA Jetson-ভিত্তিক এজ অ্যাপ্লায়েন্সে। এই নমনীয়তা বিদ্যমান বা নতুন হার্ডওয়্যারের ত্রুটি সনাক্তকরণের অনুমতি দেয়।

এই পোস্টে, আমরা আপনাকে দেখাব কিভাবে লুকআউট ফর ভিশন এমএল মডেলগুলি ব্যবহার করে ত্রুটিপূর্ণ অংশগুলি সনাক্ত করা যায় একটি প্রান্তের যন্ত্রে চলমান, যা আমরা ব্যবহার করে অনুকরণ করি অ্যামাজন ইলাস্টিক কম্পিউট ক্লাউড (Amazon EC2) উদাহরণ। আমরা নতুন শব্দার্থিক সেগমেন্টেশন মডেলকে প্রশিক্ষণ দিয়ে, সেগুলিকে AWS IoT গ্রীনগ্রাস উপাদান হিসাবে রপ্তানি করি এবং পাইথন উদাহরণ কোড সহ CPU-শুধু মোডে অনুমান চালাই।

সমাধান ওভারভিউ

এই পোস্টে, আমরা ছবির একটি সেট ব্যবহার খেলনা এলিয়েন স্বাভাবিক এবং ত্রুটিপূর্ণ ছবি যেমন অনুপস্থিত অঙ্গ, চোখ, বা অন্যান্য অংশ দ্বারা গঠিত। আমরা ত্রুটিপূর্ণ খেলনা এলিয়েন সনাক্ত করতে ক্লাউডে ভিশন মডেলের জন্য একটি লুকআউট প্রশিক্ষণ দিই। আমরা মডেলটিকে একটি টার্গেট X86 CPU-তে কম্পাইল করি, AWS IoT Greengrass কম্পোনেন্ট হিসেবে প্রশিক্ষিত Lookout for Vision মডেলটিকে প্যাকেজ করি এবং AWS IoT Greengrass কনসোল ব্যবহার করে GPU ছাড়াই মডেলটিকে EC2 ইনস্ট্যান্সে স্থাপন করি। অবশেষে, আমরা EC2 (C5a.2xl) উদাহরণে চলমান একটি পাইথন-ভিত্তিক নমুনা অ্যাপ্লিকেশন প্রদর্শন করি যা প্রান্ত ডিভাইস ফাইল সিস্টেম থেকে খেলনা এলিয়েন চিত্রগুলিকে উত্স করে, এটি ব্যবহার করে দৃষ্টি মডেলের জন্য লুকআউটে অনুমান চালায় gRPC ইন্টারফেস, এবং একটি অনুমান ডেটা পাঠায় MQTT AWS ক্লাউডে বিষয়। স্ক্রিপ্টগুলি এমন একটি চিত্রকে আউটপুট করে যা অস্বাভাবিক চিত্রটিতে ত্রুটিগুলির রঙ এবং অবস্থান অন্তর্ভুক্ত করে।

নিম্নলিখিত চিত্রটি সমাধানের আর্কিটেকচারকে চিত্রিত করে। আপনি স্থানীয়করণে সনাক্ত করতে চান এমন প্রতিটি ত্রুটির ধরণের জন্য নোট করা গুরুত্বপূর্ণ, আপনার অবশ্যই প্রশিক্ষণে 10টি চিহ্নিত অসঙ্গতি চিত্র এবং 10টি পরীক্ষার ডেটাতে থাকতে হবে, সেই ধরণের মোট 20টি চিত্রের জন্য৷ এই পোস্টের জন্য, আমরা খেলনার অনুপস্থিত অঙ্গগুলি অনুসন্ধান করি৷

সমাধানটির নিম্নলিখিত কর্মপ্রবাহ রয়েছে:

1. একটি প্রশিক্ষণ ডেটাসেট এবং একটি পরীক্ষা ডেটাসেট আপলোড করুন আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)।
2. একটি অসঙ্গতি টাইপ যোগ করতে নতুন লুকআউট ফর ভিশন UI ব্যবহার করুন এবং প্রশিক্ষণ এবং পরীক্ষার চিত্রগুলিতে যেখানে সেই অসঙ্গতিগুলি রয়েছে তা চিহ্নিত করুন৷
3. ক্লাউডে ভিশন মডেলের জন্য একটি লুকআউট প্রশিক্ষণ দিন।
4. মডেলটিকে টার্গেট আর্কিটেকচারে (X86) কম্পাইল করুন এবং AWS IoT Greengrass কনসোল ব্যবহার করে মডেলটিকে EC2 (C5a.2xl) উদাহরণে স্থাপন করুন।
5. স্থানীয় ডিস্ক থেকে উত্স ছবি.
6. gRPC ইন্টারফেসের মাধ্যমে মোতায়েন করা মডেলে অনুমানগুলি চালান এবং আসল চিত্রের উপর আচ্ছাদিত অসঙ্গতি মাস্কগুলির একটি চিত্র পুনরুদ্ধার করুন৷
7. প্রান্তের উদাহরণে চলমান একটি MQTT ক্লায়েন্টে অনুমান ফলাফল পোস্ট করুন।
8. একটি বিষয়ে MQTT বার্তা পান এডাব্লুএস আইওটি কোর আরও মনিটরিং এবং ভিজ্যুয়ালাইজেশনের জন্য AWS ক্লাউডে।

ধাপ 5, 6, এবং 7 নমুনা পাইথন অ্যাপ্লিকেশনের সাথে সমন্বয় করা হয়েছে।

পূর্বশর্ত

আপনি শুরু করার আগে, নিম্নলিখিত পূর্বশর্তগুলি সম্পূর্ণ করুন। এই পোস্টের জন্য, আমরা একটি EC2 c5.2xl উদাহরণ ব্যবহার করি এবং নতুন বৈশিষ্ট্যগুলি চেষ্টা করার জন্য এটিতে AWS IoT Greengrass V2 ইনস্টল করি। আপনি যদি এনভিআইডিএ জেটসন চালাতে চান তবে আমাদের পূর্ববর্তী পোস্টের ধাপগুলি অনুসরণ করুন, ভিশনের জন্য অ্যামাজন লুকআউট এখন প্রান্তে পণ্যের ত্রুটিগুলির চাক্ষুষ পরিদর্শন সমর্থন করে.

1. একটি AWS অ্যাকাউন্ট তৈরি করুন.
2. একটি EC2 দৃষ্টান্ত শুরু করুন যাতে আমরা AWS IoT Greengrass ইনস্টল করতে পারি এবং নতুন CPU-শুধু ইনফারেন্স মোড ব্যবহার করতে পারি। এছাড়াও আপনি 86 গিগাবাইট বা তার বেশি র্যাম সহ একটি Intel X64 8 বিট মেশিন ব্যবহার করতে পারেন (আমরা একটি c5a.2xl ব্যবহার করি, তবে যেকোনো কিছুর সাথে x8 প্ল্যাটফর্মে 86 গিগাবাইটের বেশি কাজ করা উচিত) উবুন্টু 20.04 চলমান।
3. AWS IoT Greengrass V2 ইনস্টল করুন:

   git clone https://github.com/aws-samples/amazon-lookout-for-vision.git
   cd edge
   # be sure to edit the installation script to match your region, also adjust any device names and groups!
   vi install_greengrass.sh

4. প্রয়োজনীয় সিস্টেম এবং পাইথন 3 নির্ভরতা (উবুন্টু 20.04) ইনস্টল করুন:

   # install Ubuntu dependencies on the EC2 instance
   ./install-ec2-ubuntu-deps.sh
   pip3 install -r requirements.txt
   # Replace ENDPOINT variable in sample-client-file-mqtt.py with the value on the AWS console AWS IoT->Things->l4JetsonXavierNX->Interact.  
   # Under HTTPS. It will be of type <name>-ats.iot.<region>.amazon.com 

ডেটাসেট আপলোড করুন এবং মডেলটিকে প্রশিক্ষণ দিন

আমরা ব্যবহার করি খেলনা এলিয়েন ডেটাসেট সমাধান প্রদর্শন করতে। ডেটাসেটে স্বাভাবিক এবং অস্বাভাবিক ছবি রয়েছে। এখানে ডেটাসেট থেকে কয়েকটি নমুনা চিত্র রয়েছে।

নীচের ছবিটি একটি সাধারণ খেলনা এলিয়েন দেখায়।

নিচের ছবিতে দেখা যাচ্ছে একটি খেলনা এলিয়েনের একটি পা নেই।

নিচের ছবিতে দেখা যাচ্ছে একটি খেলনা এলিয়েনের মাথা নেই।

এই পোস্টে, আমরা অনুপস্থিত অঙ্গগুলি সন্ধান করি। আমরা আমাদের প্রশিক্ষণ এবং পরীক্ষার ডেটার ত্রুটিগুলির চারপাশে একটি মুখোশ আঁকতে নতুন ব্যবহারকারী ইন্টারফেস ব্যবহার করি। এটি শব্দার্থিক সেগমেন্টেশন মডেলগুলিকে বলবে কিভাবে এই ধরণের ত্রুটি সনাক্ত করতে হয়।

1. আপনার ডেটাসেট আপলোড করে শুরু করুন, হয় Amazon S3 এর মাধ্যমে বা আপনার কম্পিউটার থেকে।
2. শিরোনাম ফোল্ডারে তাদের সাজান normal এবং anomaly.
3. আপনার ডেটাসেট তৈরি করার সময়, নির্বাচন করুন ফোল্ডার নামের উপর ভিত্তি করে স্বয়ংক্রিয়ভাবে ইমেজ লেবেল সংযুক্ত করুন.এটি আমাদের পরবর্তীতে অস্বাভাবিক চিত্রগুলিকে বাছাই করতে এবং ত্রুটিযুক্ত লেবেলযুক্ত অঞ্চলগুলিতে আঁকতে দেয়৷
   
4. উভয়ের পরে পরীক্ষার জন্য কিছু ছবি আটকে রাখার চেষ্টা করুন normal এবং anomaly.
5. সমস্ত ছবি ডেটাসেটে যোগ করার পরে, নির্বাচন করুন অসঙ্গতি লেবেল যোগ করুন.
6. নির্বাচন করে ডেটা লেবেল করা শুরু করুন লেবেল করা শুরু করুন.
7. প্রক্রিয়ার গতি বাড়ানোর জন্য, আপনি একাধিক ছবি নির্বাচন করতে পারেন এবং সেগুলিকে শ্রেণীবদ্ধ করতে পারেন৷ Normal or Anomaly.
   
   আপনি যদি অসঙ্গতিগুলিকে শ্রেণীবদ্ধ করার পাশাপাশি হাইলাইট করতে চান, তাহলে অসঙ্গতিগুলি কোথায় অবস্থিত তা আপনাকে হাইলাইট করতে হবে।
8. আপনি যে চিত্রটি টীকা করতে চান তা চয়ন করুন।
9. বিষয়ের অংশ অনুপস্থিত স্থানটি দেখানোর জন্য অঙ্কন সরঞ্জাম ব্যবহার করুন, বা ত্রুটির উপর একটি মুখোশ আঁকুন।
10. বেছে নিন জমা দিন এবং বন্ধ করুন এই পরিবর্তন রাখা.
    
11. আপনার সমস্ত ছবির জন্য এই প্রক্রিয়াটি পুনরাবৃত্তি করুন।
12. আপনি সম্পন্ন হলে, নির্বাচন করুন সংরক্ষণ করুন আপনার পরিবর্তন অব্যাহত রাখতে। এখন আপনি আপনার মডেল প্রশিক্ষণের জন্য প্রস্তুত.
    
13. বেছে নিন ট্রেন মডেল.

আপনি এই পদক্ষেপগুলি সম্পূর্ণ করার পরে, আপনি প্রকল্পে নেভিগেট করতে পারেন এবং মডেল প্রশিক্ষিত মডেলের কর্মক্ষমতা পরীক্ষা করতে পৃষ্ঠা। আপনি মডেলটি প্রশিক্ষিত হওয়ার পরে যেকোন সময় টার্গেট এজ ডিভাইসে মডেলটি এক্সপোর্ট করার প্রক্রিয়া শুরু করতে পারেন।

সংশোধন করা ছবি সহ মডেলটিকে পুনরায় প্রশিক্ষণ দিন

কখনও কখনও অসঙ্গতি ট্যাগিং পুরোপুরি সঠিক নাও হতে পারে। আপনার মডেলকে আপনার অসঙ্গতিগুলি আরও ভালভাবে শিখতে সাহায্য করার সুযোগ রয়েছে৷ উদাহরণস্বরূপ, নিম্নলিখিত চিত্রটিকে একটি অসঙ্গতি হিসাবে চিহ্নিত করা হয়েছে, কিন্তু দেখায় না৷ missing_limbs ট্যাগ।

এর সম্পাদক খুলুন এবং এটি ঠিক করা যাক.

আপনি এই মত খুঁজে কোনো ইমেজ মাধ্যমে যান. আপনি যদি দেখেন যে এটি একটি অসঙ্গতিতে ভুলভাবে ট্যাগ করা হয়েছে, আপনি ভুল ট্যাগটি সরাতে ইরেজার টুল ব্যবহার করতে পারেন।

আপনি এখন আপনার মডেলকে আবার প্রশিক্ষণ দিতে পারেন এবং আরও সঠিকতা অর্জন করতে পারেন।

একটি AWS IoT Greengrass উপাদান হিসাবে মডেলটি কম্পাইল এবং প্যাকেজ করুন

এই বিভাগে, আমরা আমাদের টার্গেট এজ ডিভাইসে খেলনা এলিয়েন মডেলকে কম্পাইল করার এবং মডেলটিকে একটি AWS IoT গ্রীনগ্রাস কম্পোনেন্ট হিসেবে প্যাকেজ করার ধাপগুলি দিয়ে চলেছি।

1. ভিশন কনসোলের জন্য লুকআউটে, আপনার প্রকল্পটি বেছে নিন।
2. নেভিগেশন ফলকে, নির্বাচন করুন এজ মডেল প্যাকেজ.
3. বেছে নিন মডেল প্যাকেজিং কাজ তৈরি করুন.
4. জন্য কাজের নাম, একটি নাম লিখুন।
5. জন্য কাজের বিবরণী, একটি ঐচ্ছিক বিবরণ লিখুন।
6. বেছে নিন মডেল ব্রাউজ করুন.
7. মডেল সংস্করণ নির্বাচন করুন (আগের বিভাগে নির্মিত খেলনা এলিয়েন মডেল)।
8. বেছে নিন বেছে নিন.
   
9. আপনি যদি এটি Amazon EC2 বা একটি X86-64 ডিভাইসে চালান, নির্বাচন করুন লক্ষ্য প্ল্যাটফর্ম এবং নির্বাচন করুন লিনাক্স, X86, এবং সিপিইউ.
   CPU ব্যবহার করলে, আপনি যদি নিশ্চিত না হন এবং NVIDIA GPU না থাকে তবে আপনি কম্পাইলার বিকল্পগুলি খালি রাখতে পারেন। আপনার যদি একটি ইন্টেল-ভিত্তিক প্ল্যাটফর্ম থাকে যা AVX512 সমর্থন করে, আপনি আরও ভাল পারফরম্যান্সের জন্য অপ্টিমাইজ করতে এই কম্পাইলার বিকল্পগুলি যুক্ত করতে পারেন: {"mcpu": "skylake-avx512"}.
   আপনি আপনার কাজের নাম এবং স্ট্যাটাস হিসাবে দেখতে পারেন In progress. মডেল প্যাকেজিং কাজটি সম্পূর্ণ হতে কয়েক মিনিট সময় লাগতে পারে৷ মডেল প্যাকেজিং কাজটি সম্পূর্ণ হলে, স্থিতি হিসাবে দেখায় Success.
10. আপনার কাজের নাম চয়ন করুন (আমাদের ক্ষেত্রে এটি aliensblogcpux86) কাজের বিবরণ দেখতে।
    
11. বেছে নিন মডেল প্যাকেজিং কাজ তৈরি করুন.
    
12. জন্য বিস্তারিত লিখুন উপাদানের নাম, উপাদান বিবরণ (ঐচ্ছিক), উপাদান সংস্করণ, এবং উপাদান অবস্থান.Lookout for Vision এই Amazon S3 অবস্থানে উপাদান রেসিপি এবং শিল্পকর্ম সঞ্চয় করে।
13. বেছে নিন গ্রিনগ্রাসে স্থাপনা চালিয়ে যান লক্ষ্য প্রান্ত ডিভাইসে উপাদান স্থাপন.
    

আপনার AWS অ্যাকাউন্টে AWS IoT Greengrass উপাদান এবং মডেল আর্টিফ্যাক্ট তৈরি করা হয়েছে।

মডেল মোতায়েন করুন

আপনি চালিয়ে যাওয়ার আগে আপনার অ্যাকাউন্টের জন্য আপনার লক্ষ্য ডিভাইসে AWS IoT Greengrass V2 ইনস্টল করেছেন তা নিশ্চিত করুন। নির্দেশাবলীর জন্য, পড়ুন AWS IoT Greengrass Core সফ্টওয়্যার ইনস্টল করুন.

এই বিভাগে, আমরা AWS IoT Greengrass কনসোল ব্যবহার করে প্রান্ত ডিভাইসে খেলনা এলিয়েন মডেল স্থাপন করার ধাপগুলি দিয়ে হেঁটেছি।

1. AWS IoT Greengrass কনসোলে, আপনার প্রান্ত ডিভাইসে নেভিগেট করুন।
2. বেছে নিন স্থাপন করুন স্থাপনার পদক্ষেপগুলি শুরু করতে।
3. নির্বাচন করা মূল ডিভাইস (কারণ স্থাপনাটি একটি একক ডিভাইসে) এবং এর জন্য একটি নাম লিখুন টার্গেটের নামটার্গেটের নামটি সেই একই নাম যা আপনি AWS IoT Greengrass V2 ইনস্টলেশন প্রক্রিয়ার সময় মূল ডিভাইসের নাম দেওয়ার জন্য ব্যবহার করেছিলেন৷
4. আপনার উপাদান নির্বাচন করুন. আমাদের ক্ষেত্রে, উপাদান নাম হয় aliensblogcpux86, যা খেলনা এলিয়েন মডেল ধারণ করে।
5. বেছে নিন পরবর্তী.
6. কম্পোনেন্ট কনফিগার করুন (ঐচ্ছিক)।
7. বেছে নিন পরবর্তী.
8. বিস্তৃত করা স্থাপনার নীতি.
9. জন্য উপাদান আপডেট নীতি, নির্বাচন করুন উপাদানগুলিকে অবহিত করুনআপনি আপডেট করার জন্য প্রস্তুত না হওয়া পর্যন্ত এটি ইতিমধ্যেই স্থাপন করা উপাদানকে (কম্পোনেন্টের একটি পূর্ববর্তী সংস্করণ) একটি আপডেট পিছিয়ে দেওয়ার অনুমতি দেয়৷
10. জন্য ব্যর্থতা পরিচালনার নীতি, নির্বাচন করুন রোল ব্যাক করবেন না.একটি ব্যর্থতার ক্ষেত্রে, এই বিকল্পটি আমাদের স্থাপনার ত্রুটিগুলি তদন্ত করতে দেয়৷
11. বেছে নিন পরবর্তী.
12. লক্ষ্য (প্রান্ত) ডিভাইসে স্থাপন করা হবে এমন উপাদানগুলির তালিকা পর্যালোচনা করুন।
13. বেছে নিন পরবর্তীআপনি বার্তা দেখতে হবে Deployment successfully created.
14. মডেল স্থাপনা সফল হয়েছে তা যাচাই করতে, আপনার প্রান্ত ডিভাইসে নিম্নলিখিত কমান্ডটি চালান:

    sudo /greengrass/v2/bin/greengrass-cli component list

আপনি একটি অনুরূপ আউটপুট চলমান দেখতে হবে aliensblogcpux86 জীবনচক্র স্টার্টআপ স্ক্রিপ্ট:

বর্তমানে গ্রীনগ্রাসে চলমান উপাদান:

Components currently running in Greengrass:
 
Component Name: aws.iot.lookoutvision.EdgeAgent
    Version: 0.1.34
    State: RUNNING
    Configuration: {"Socket":"unix:///tmp/aws.iot.lookoutvision.EdgeAgent.sock"}
 Component Name: aliensblogcpux86
    Version: 1.0.0
    State: RUNNING
    Configuration: {"Autostart":false}

মডেলের উপর অনুমান চালান

বিঃদ্রঃ: আপনি যে হিসাবে লগ ইন করেছেন তার চেয়ে যদি আপনি অন্য ব্যবহারকারী হিসাবে Greengrass চালাচ্ছেন, তাহলে আপনাকে ফাইলটির অনুমতি পরিবর্তন করতে হবে /tmp/aws.iot.lookoutvision.EdgeAgent.sock:

chmod 666 /tmp/aws.iot.lookoutvision.EdgeAgent.sock

আমরা এখন মডেলের উপর অনুমান চালানোর জন্য প্রস্তুত। আপনার প্রান্ত ডিভাইসে, মডেলটি লোড করতে নিম্নলিখিত কমান্ডটি চালান (প্রতিস্থাপন করুন আপনার উপাদানে ব্যবহৃত মডেল নামের সাথে):

# run command to load the model# This will load the model into running state pass
# the name of the model component as a parameter.
python3 warmup-model.py <modelName>

অনুমান তৈরি করতে, উত্স ফাইলের নাম দিয়ে নিম্নলিখিত কমান্ডটি চালান (প্রতিস্থাপন চেক এবং প্রতিস্থাপন করার জন্য ছবির পাথ এবং ফাইলের নাম দিয়ে আপনার উপাদানের জন্য ব্যবহৃত মডেল নামের সাথে):

python3 sample-client-file-mqtt.py </path/to/images> <modelName>

start client ['sample-client-file.py', 'aliens-dataset/anomaly/1.png', 'aliensblogcpux86']
channel set
shape=(380, 550, 3)
Image is anomalous, (90.05860090255737 % confidence) contains defects with total area over .1%: {'missing_limbs': '#FFFFFF'}

মডেলটি সঠিকভাবে চিত্রটিকে অস্বাভাবিক হিসাবে ভবিষ্যদ্বাণী করে (missing_limbs) 0.9996867775917053 এর আত্মবিশ্বাসের স্কোর সহ। এটি আমাদের অসঙ্গতি ট্যাগের মুখোশ বলে missing_limbs এবং শতাংশ এলাকা। প্রতিক্রিয়াতে বিটম্যাপ ডেটাও রয়েছে যা আপনি এটি যা খুঁজে পেয়েছেন তা ডিকোড করতে পারেন।

ফাইলটি ডাউনলোড করে ওপেন করুন blended.png, যা নিচের ছবির মত দেখায়। পায়ের চারপাশের ত্রুটি সহ হাইলাইট করা এলাকাটি লক্ষ্য করুন।

গ্রাহক গল্প

AWS IoT Greengrass এবং Lookout for Vision-এর সাহায্যে, আপনি এখন মান নিয়ন্ত্রণ এবং ত্রুটির মূল্যায়নের মতো প্রক্রিয়াগুলির জন্য কম্পিউটার দৃষ্টি দিয়ে ভিজ্যুয়াল পরিদর্শন স্বয়ংক্রিয় করতে পারেন—সমস্তই প্রান্তে এবং বাস্তব সময়ে। আপনি সক্রিয়ভাবে সমস্যাগুলি সনাক্ত করতে পারেন যেমন যন্ত্রাংশের ক্ষতি (যেমন ডেন্ট, স্ক্র্যাচ, বা দুর্বল ঢালাই), অনুপস্থিত পণ্যের উপাদান, বা উত্পাদন লাইনে পুনরাবৃত্তি প্যাটার্নগুলির ত্রুটিগুলি - আপনার সময় এবং অর্থ সাশ্রয় করে৷ টাইসন এবং ব্যাক্সটারের মতো গ্রাহকরা ভিজ্যুয়াল পরিদর্শন স্বয়ংক্রিয়ভাবে গুণমান বৃদ্ধি এবং কর্মক্ষম খরচ কমাতে Lookout for Vision-এর শক্তি আবিষ্কার করছেন।

"টাইসন ফুডস-এ অপারেশনাল এক্সিলেন্স একটি মূল অগ্রাধিকার। সামগ্রিক সরঞ্জাম কার্যকারিতা (OEE) ক্রমাগত উন্নতি করে এই উদ্দেশ্য অর্জনের জন্য পূর্বাভাসমূলক রক্ষণাবেক্ষণ একটি অপরিহার্য সম্পদ। 2021 সালে, Tyson Foods একটি মেশিন লার্নিং-ভিত্তিক কম্পিউটার ভিশন প্রজেক্ট চালু করেছে যাতে প্রোডাকশনের সময় ব্যর্থ পণ্য বাহকদের চিহ্নিত করা যায় যাতে তারা দলের সদস্যদের নিরাপত্তা, অপারেশন বা পণ্যের গুণমানকে প্রভাবিত করা থেকে বিরত রাখে। অ্যামাজন লুকআউট ফর ভিশন ব্যবহার করে প্রশিক্ষিত মডেলগুলো ভালো পারফর্ম করেছে। পিন সনাক্তকরণ মডেল উভয় শ্রেণীতে 95% নির্ভুলতা অর্জন করেছে। অ্যামাজন লুকআউট ফর ভিশন মডেলটি পিন সনাক্তকরণে ব্যর্থতার জন্য 99.1% নির্ভুলতার জন্য টিউন করা হয়েছিল। এখন পর্যন্ত এই প্রকল্পের সবচেয়ে উত্তেজনাপূর্ণ ফলাফল ছিল উন্নয়ন সময়ের গতি। যদিও এই প্রকল্পটি দুটি মডেল এবং একটি আরও জটিল অ্যাপ্লিকেশন কোড ব্যবহার করে, এটি সম্পূর্ণ হতে 12% কম ডেভেলপার সময় নেয়। Tyson Foods-এ পণ্য বাহকদের অবস্থা পর্যবেক্ষণের জন্য এই প্রকল্পটি AWS পরিচালিত পরিষেবাগুলি যেমন Amazon Lookout for Vision ব্যবহার করে রেকর্ড সময়ের মধ্যে সম্পন্ন হয়েছিল।"

—অড্রে টিমারম্যান, সিনিয়র অ্যাপ্লিকেশন ডেভেলপার, টাইসন ফুডস।

“আমাদের উত্পাদন প্রক্রিয়াগুলির রিয়েল-টাইম মূল্যায়ন এবং সমালোচনামূলক গুণমান পরীক্ষা করার জন্য বিলম্বিতা এবং অনুমান করার গতি গুরুত্বপূর্ণ। একটি CPU ডিভাইসে ভিশন প্রান্তের জন্য Amazon Lookout আমাদের উৎপাদন-গ্রেড সরঞ্জামগুলিতে এটি অর্জন করার ক্ষমতা দেয়, যা আমাদেরকে স্কেলে সাশ্রয়ী AI দৃষ্টি সমাধান সরবরাহ করতে সক্ষম করে।"

—এ কে করণ, গ্লোবাল সিনিয়র ডিরেক্টর - ডিজিটাল ট্রান্সফরমেশন, ইন্টিগ্রেটেড সাপ্লাই চেইন, ব্যাক্সটার ইন্টারন্যাশনাল ইনক।

পরিষ্কার কর

আপনার অ্যাকাউন্ট থেকে আপনার তৈরি করা সম্পদগুলি সরাতে এবং চলমান বিলিং এড়াতে নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. Lookout for Vision কনসোলে, আপনার প্রোজেক্টে নেভিগেট করুন।
2. উপরে কার্যপ্রণালী মেনু, আপনার ডেটাসেটগুলি মুছুন।
   
3. আপনার মডেল মুছুন.
   
4. Amazon S3 কনসোলে, আপনার তৈরি করা বালতিগুলি খালি করুন, তারপরে বালতিগুলি মুছুন৷
5. Amazon EC2 কনসোলে, আপনি যে দৃষ্টান্তটি AWS IoT Greengrass চালানো শুরু করেছেন সেটি মুছুন।
6. AWS IoT Greengrass কনসোলে, নির্বাচন করুন স্থাপনার নেভিগেশন ফলকে।
7. আপনার উপাদান সংস্করণ মুছুন.
   
8. AWS IoT Greengrass কনসোলে, AWS IoT জিনিস, গোষ্ঠী এবং ডিভাইসগুলি মুছুন৷

উপসংহার

এই পোস্টে, আমরা ত্রুটি স্থানীয়করণ ব্যবহার করে প্রান্তে শিল্প ত্রুটি সনাক্তকরণের জন্য একটি সাধারণ পরিস্থিতি বর্ণনা করেছি এবং একটি CPU-শুধু ডিভাইসে স্থাপন করেছি। আমরা Lookout for Vision এবং AWS IoT Greengrass ব্যবহার করে এন্ড-টু-এন্ড উদাহরণ সহ ক্লাউড এবং এজ লাইফসাইকেলের মূল উপাদানগুলির মধ্য দিয়ে হেঁটেছি। Lookout for Vision এর সাথে, আমরা ব্যবহার করে ক্লাউডে একটি অসঙ্গতি সনাক্তকরণ মডেল প্রশিক্ষিত করেছি খেলনা এলিয়েন ডেটাসেট, মডেলটিকে একটি টার্গেট আর্কিটেকচারে কম্পাইল করেছে এবং মডেলটিকে একটি AWS IoT গ্রীনগ্রাস উপাদান হিসেবে প্যাকেজ করেছে। AWS IoT Greengrass এর সাথে, আমরা মডেলটিকে একটি প্রান্ত ডিভাইসে স্থাপন করেছি। আমরা একটি পাইথন-ভিত্তিক নমুনা অ্যাপ্লিকেশন প্রদর্শন করেছি যা প্রান্ত ডিভাইস স্থানীয় ফাইল সিস্টেম থেকে খেলনা এলিয়েন ছবিগুলিকে উত্স করে, gRPC ইন্টারফেস ব্যবহার করে প্রান্তে Lookout for Vision মডেলে অনুমান চালায় এবং AWS-এ একটি MQTT বিষয়ে অনুমান ডেটা পাঠায়। মেঘ।

একটি ভবিষ্যতের পোস্টে, আমরা দেখাব কিভাবে একটি GStreamer মিডিয়া পাইপলাইন ব্যবহার করে একটি রিয়েল-টাইম স্ট্রীম ইমেজগুলিতে অনুমান চালানো যায়।

পরিদর্শন করে শিল্প অসঙ্গতি সনাক্তকরণ এবং সনাক্তকরণের দিকে আপনার যাত্রা শুরু করুন দৃষ্টি জন্য Amazon Lookout এবং এডাব্লুএস আইওটি গ্রিনগ্রাস সম্পদ পৃষ্ঠা।

লেখক সম্পর্কে

মনীশ তালরেজা AWS প্রফেশনাল সার্ভিসেস সহ একজন সিনিয়র ইন্ডাস্ট্রিয়াল এমএল প্র্যাকটিস ম্যানেজার। তিনি AWS গ্রাহকদের AWS ক্লাউডে AWS ML এবং IoT পরিষেবাগুলি ব্যবহার করে এমন উদ্ভাবনী সমাধানগুলি নির্মাণ এবং নির্মাণের মাধ্যমে তাদের ব্যবসায়িক লক্ষ্য অর্জনে সহায়তা করেন৷

রায়ান ভ্যান্ডারওয়ার্ফ অ্যামাজন ওয়েব সার্ভিসেসের একজন অংশীদার সমাধানের স্থপতি। তিনি এর আগে Grails এবং Micronaut টিমে OCI-তে সফ্টওয়্যার ইঞ্জিনিয়ার হিসাবে জাভা ভার্চুয়াল মেশিন-কেন্দ্রিক পরামর্শ এবং প্রকল্প উন্নয়ন প্রদান করেছিলেন। তিনি রিচফোর্সে পণ্যের প্রধান স্থপতি/পরিচালক ছিলেন, মার্কেটিং ডেটা ম্যানেজমেন্টের জন্য AWS ক্লাউড SaaS সমাধানগুলির জন্য সফ্টওয়্যার এবং সিস্টেম আর্কিটেকচারের উপর ফোকাস রেখে। রায়ান 1996 সাল থেকে আর্থিক, মিডিয়া, টেলিকম এবং ই-লার্নিং কোম্পানির মতো বিভিন্ন ডোমেনে বেশ কয়েকটি SaaS সমাধান তৈরি করেছে।

প্রকাশ কৃষ্ণন আমাজন ওয়েব সার্ভিসের একজন সিনিয়র সফটওয়্যার ডেভেলপমেন্ট ম্যানেজার। তিনি ইঞ্জিনিয়ারিং দলগুলির নেতৃত্ব দেন যেগুলি গভীর শিক্ষা-ভিত্তিক চিত্র এবং ভিডিও সনাক্তকরণ সমস্যাগুলির জন্য দ্রুত, দক্ষ, এবং উচ্চ মাপযোগ্য অ্যালগরিদমগুলি প্রয়োগ করার জন্য বৃহৎ মাপের বিতরণ সিস্টেম তৈরি করছে৷