Προσδιορίστε τη θέση των ανωμαλιών χρησιμοποιώντας το Amazon Lookout for Vision στην άκρη χωρίς τη χρήση GPU

Ο αυτοματοποιημένος εντοπισμός ελαττωμάτων με χρήση όρασης υπολογιστή συμβάλλει στη βελτίωση της ποιότητας και στη μείωση του κόστους επιθεώρησης. Η ανίχνευση ελαττώματος περιλαμβάνει τον εντοπισμό της παρουσίας ενός ελαττώματος, την ταξινόμηση των τύπων ελαττωμάτων και τον εντοπισμό του πού εντοπίζονται τα ελαττώματα. Πολλές διαδικασίες παραγωγής απαιτούν ανίχνευση σε χαμηλή καθυστέρηση, με περιορισμένους υπολογιστικούς πόρους και με περιορισμένη συνδεσιμότητα.

Amazon Lookout for Vision είναι μια υπηρεσία μηχανικής εκμάθησης (ML) που βοηθά στον εντοπισμό ελαττωμάτων του προϊόντος χρησιμοποιώντας την όραση υπολογιστή για την αυτοματοποίηση της διαδικασίας ελέγχου ποιότητας στις γραμμές κατασκευής σας, χωρίς να απαιτείται τεχνογνωσία ML. Το Lookout for Vision περιλαμβάνει πλέον τη δυνατότητα παροχής της θέσης και του τύπου των ανωμαλιών χρησιμοποιώντας μοντέλα ML σημασιολογικής τμηματοποίησης. Αυτά τα προσαρμοσμένα μοντέλα ML μπορούν είτε να αναπτυχθούν στο AWS Cloud χρησιμοποιώντας cloud API ή σε προσαρμοσμένο υλικό άκρης χρησιμοποιώντας AWS IoT Greengrass. Το Lookout for Vision υποστηρίζει πλέον συμπεράσματα σε μια υπολογιστική πλατφόρμα x86 που εκτελεί Linux με ή χωρίς επιταχυντή GPU NVIDIA και σε οποιαδήποτε συσκευή Edge που βασίζεται σε NVIDIA Jetson. Αυτή η ευελιξία επιτρέπει τον εντοπισμό ελαττωμάτων σε υπάρχον ή νέο υλικό.

Σε αυτήν την ανάρτηση, σας δείχνουμε πώς να ανιχνεύετε ελαττωματικά εξαρτήματα χρησιμοποιώντας μοντέλα Lookout for Vision ML που εκτελούνται σε μια συσκευή άκρης, την οποία προσομοιώνουμε χρησιμοποιώντας ένα Amazon Elastic Compute Cloud (Amazon EC2) παράδειγμα. Προχωράμε στην εκπαίδευση των νέων μοντέλων σημασιολογικής τμηματοποίησης, εξάγοντας τα ως στοιχεία AWS IoT Greengrass και εκτελούμε συμπεράσματα σε λειτουργία μόνο CPU με παράδειγμα κώδικα Python.

Επισκόπηση λύσεων

Σε αυτήν την ανάρτηση, χρησιμοποιούμε ένα σύνολο εικόνων του εξωγήινους παιχνιδιών που αποτελείται από κανονικές και ελαττωματικές εικόνες όπως λείπουν άκρα, μάτια ή άλλα μέρη. Εκπαιδεύουμε ένα μοντέλο Lookout for Vision στο σύννεφο για τον εντοπισμό ελαττωματικών εξωγήινων παιχνιδιών. Μεταγλωττίζουμε το μοντέλο σε μια CPU στόχο X86, συσκευάζουμε το εκπαιδευμένο μοντέλο Lookout for Vision ως στοιχείο AWS IoT Greengrass και αναπτύσσουμε το μοντέλο σε μια παρουσία EC2 χωρίς GPU χρησιμοποιώντας την κονσόλα AWS IoT Greengrass. Τέλος, επιδεικνύουμε μια εφαρμογή δείγματος που βασίζεται σε Python που εκτελείται στην περίπτωση EC2 (C5a.2xl) που προέρχεται τις εικόνες εξωγήινων παιχνιδιών από το σύστημα αρχείων της συσκευής άκρου, εκτελεί το συμπέρασμα στο μοντέλο Lookout for Vision χρησιμοποιώντας το gRPC διεπαφή και στέλνει τα δεδομένα συμπερασμάτων σε ένα MQTT θέμα στο AWS Cloud. Τα σενάρια εξάγουν μια εικόνα που περιλαμβάνει το χρώμα και τη θέση των ελαττωμάτων στην ανώμαλη εικόνα.

Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσης. Είναι σημαντικό να σημειώσετε ότι για κάθε τύπο ελαττώματος που θέλετε να εντοπίσετε στον εντοπισμό, πρέπει να έχετε 10 επισημασμένες εικόνες ανωμαλίας στην εκπαίδευση και 10 στα δεδομένα δοκιμής, για συνολικά 20 εικόνες αυτού του τύπου. Για αυτήν την ανάρτηση, αναζητούμε τα άκρα που λείπουν στο παιχνίδι.

Η λύση έχει την ακόλουθη ροή εργασίας:

1. Ανεβάστε ένα σύνολο δεδομένων εκπαίδευσης και ένα δοκιμαστικό σύνολο δεδομένων στο Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
2. Χρησιμοποιήστε το νέο Lookout for Vision UI για να προσθέσετε έναν τύπο ανωμαλίας και να επισημάνετε πού βρίσκονται αυτές οι ανωμαλίες στις εικόνες εκπαίδευσης και δοκιμής.
3. Εκπαιδεύστε ένα μοντέλο Lookout for Vision στο cloud.
4. Μεταγλωττίστε το μοντέλο στην αρχιτεκτονική προορισμού (X86) και αναπτύξτε το μοντέλο στην παρουσία EC2 (C5a.2xl) χρησιμοποιώντας την κονσόλα AWS IoT Greengrass.
5. Προέλευση εικόνων από τοπικό δίσκο.
6. Εκτελέστε συμπεράσματα στο αναπτυγμένο μοντέλο μέσω της διεπαφής gRPC και ανακτήστε μια εικόνα μάσκας ανωμαλιών που επικαλύπτονται στην αρχική εικόνα.
7. Δημοσιεύστε τα αποτελέσματα συμπερασμάτων σε έναν πελάτη MQTT που εκτελείται στο στιγμιότυπο ακμής.
8. Λάβετε το μήνυμα MQTT για ένα θέμα στο AWS Core IoT στο AWS Cloud για περαιτέρω παρακολούθηση και οπτικοποίηση.

Τα βήματα 5, 6 και 7 συντονίζονται με το δείγμα εφαρμογής Python.

Προϋποθέσεις

Πριν ξεκινήσετε, συμπληρώστε τις παρακάτω προϋποθέσεις. Για αυτήν την ανάρτηση, χρησιμοποιούμε μια παρουσία EC2 c5.2xl και εγκαθιστούμε το AWS IoT Greengrass V2 σε αυτό για να δοκιμάσουμε τις νέες δυνατότητες. Εάν θέλετε να τρέξετε σε NVIDIA Jetson, ακολουθήστε τα βήματα στην προηγούμενη ανάρτησή μας, Το Amazon Lookout for Vision υποστηρίζει τώρα την οπτική επιθεώρηση των ελαττωμάτων του προϊόντος στην άκρη.

1. Δημιουργήστε έναν λογαριασμό AWS.
2. Ξεκινήστε μια παρουσία EC2 στην οποία μπορούμε να εγκαταστήσουμε το AWS IoT Greengrass και χρησιμοποιήστε τη νέα λειτουργία συμπερασμάτων μόνο για CPU. Μπορείτε επίσης να χρησιμοποιήσετε μια μηχανή Intel X86 64 bit με 8 gigabyte μνήμης ram ή περισσότερο (χρησιμοποιούμε c5a.2xl, αλλά οτιδήποτε με περισσότερα από 8 gigabyte στην πλατφόρμα x86 θα πρέπει να λειτουργούν) με το Ubuntu 20.04.
3. Εγκαταστήστε το AWS IoT Greengrass V2:

   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. Εγκαταστήστε το απαραίτητο σύστημα και τις εξαρτήσεις Python 3 (Ubuntu 20.04):

   # 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 

Ανεβάστε το σύνολο δεδομένων και εκπαιδεύστε το μοντέλο

Χρησιμοποιούμε το σύνολο δεδομένων εξωγήινων παιχνιδιών για να δείξει τη λύση. Το σύνολο δεδομένων περιέχει κανονικές και ανώμαλες εικόνες. Ακολουθούν μερικά δείγματα εικόνων από το σύνολο δεδομένων.

Η παρακάτω εικόνα δείχνει έναν κανονικό εξωγήινο παιχνίδι.

Η παρακάτω εικόνα δείχνει έναν εξωγήινο παιχνίδι που του λείπει ένα πόδι.

Η παρακάτω εικόνα δείχνει έναν εξωγήινο παιχνίδι που του λείπει το κεφάλι.

Σε αυτήν την ανάρτηση, αναζητούμε άκρα που λείπουν. Χρησιμοποιούμε τη νέα διεπαφή χρήστη για να σχεδιάσουμε μια μάσκα γύρω από τα ελαττώματα στα δεδομένα εκπαίδευσης και δοκιμών μας. Αυτό θα πει στα μοντέλα σημασιολογικής τμηματοποίησης πώς να αναγνωρίσουν αυτόν τον τύπο ελαττώματος.

1. Ξεκινήστε μεταφορτώνοντας το σύνολο δεδομένων σας, είτε μέσω του Amazon S3 είτε από τον υπολογιστή σας.
2. Ταξινομήστε τα σε φακέλους με τίτλο normal και anomaly.
3. Όταν δημιουργείτε το σύνολο δεδομένων σας, επιλέξτε Συνδέστε αυτόματα ετικέτες σε εικόνες με βάση το όνομα του φακέλου.Αυτό μας επιτρέπει να ταξινομήσουμε αργότερα τις ανώμαλες εικόνες και να σχεδιάσουμε τις περιοχές που θα επισημανθούν με ελάττωμα.
   
4. Προσπαθήστε να κρατήσετε πίσω μερικές εικόνες για δοκιμή αργότερα και των δύο normal και anomaly.
5. Αφού προστεθούν όλες οι εικόνες στο σύνολο δεδομένων, επιλέξτε Προσθέστε ετικέτες ανωμαλιών.
6. Ξεκινήστε την επισήμανση δεδομένων επιλέγοντας Ξεκινήστε την επισήμανση.
7. Για να επιταχύνετε τη διαδικασία, μπορείτε να επιλέξετε πολλές εικόνες και να τις ταξινομήσετε ως Normal or Anomaly.
   
   Εάν θέλετε να επισημάνετε τις ανωμαλίες εκτός από την ταξινόμηση τους, πρέπει να επισημάνετε πού βρίσκονται οι ανωμαλίες.
8. Επιλέξτε την εικόνα που θέλετε να σχολιάσετε.
9. Χρησιμοποιήστε τα εργαλεία σχεδίασης για να δείξετε την περιοχή όπου λείπει μέρος του θέματος ή σχεδιάστε μια μάσκα πάνω από το ελάττωμα.
10. Επιλέξτε Υποβολή και κλείσιμο για να διατηρήσετε αυτές τις αλλαγές.
    
11. Επαναλάβετε αυτή τη διαδικασία για όλες τις εικόνες σας.
12. Όταν τελειώσετε, επιλέξτε Αποθήκευση για να συνεχίσετε τις αλλαγές σας. Τώρα είστε έτοιμοι να εκπαιδεύσετε το μοντέλο σας.
    
13. Επιλέξτε Μοντέλο αμαξοστοιχίας.

Αφού ολοκληρώσετε αυτά τα βήματα, μπορείτε να πλοηγηθείτε στο έργο και στο Μοντέλα σελίδα για να ελέγξετε την απόδοση του εκπαιδευμένου μοντέλου. Μπορείτε να ξεκινήσετε τη διαδικασία εξαγωγής του μοντέλου στη συσκευή άκρων προορισμού οποιαδήποτε στιγμή μετά την εκπαίδευση του μοντέλου.

Εκπαιδεύστε ξανά το μοντέλο με διορθωμένες εικόνες

Μερικές φορές η επισήμανση ανωμαλίας μπορεί να μην είναι αρκετά σωστή. Έχετε την ευκαιρία να βοηθήσετε το μοντέλο σας να μάθει καλύτερα τις ανωμαλίες σας. Για παράδειγμα, η παρακάτω εικόνα αναγνωρίζεται ως ανωμαλία, αλλά δεν το δείχνει missing_limbs tags.

Ας ανοίξουμε το πρόγραμμα επεξεργασίας και ας το διορθώσουμε.

Ανατρέξτε σε όποιες εικόνες βρείτε όπως αυτή. Εάν διαπιστώσετε ότι έχει επισημανθεί λανθασμένα σε μια ανωμαλία, μπορείτε να χρησιμοποιήσετε το εργαλείο γόμας για να αφαιρέσετε τη λανθασμένη ετικέτα.

Τώρα μπορείτε να εκπαιδεύσετε ξανά το μοντέλο σας και να επιτύχετε καλύτερη ακρίβεια.

Μεταγλωττίστε και συσκευάστε το μοντέλο ως στοιχείο AWS IoT Greengrass

Σε αυτήν την ενότητα, ακολουθούμε τα βήματα για τη μεταγλώττιση του μοντέλου εξωγήινων παιχνιδιών στη συσκευή προορισμού άκρων και συσκευασίας του μοντέλου ως στοιχείο AWS IoT Greengrass.

1. Στην κονσόλα Lookout for Vision, επιλέξτε το έργο σας.
2. Στο παράθυρο πλοήγησης, επιλέξτε Πακέτα μοντέλων Edge.
3. Επιλέξτε Δημιουργία εργασίας συσκευασίας μοντέλου.
4. Για Όνομα εργασίας, πληκτρολογήστε ένα όνομα.
5. Για Περιγραφή εργασίας, εισαγάγετε μια προαιρετική περιγραφή.
6. Επιλέξτε Περιηγηθείτε σε μοντέλα.
7. Επιλέξτε την έκδοση του μοντέλου (το παιχνίδι εξωγήινο μοντέλο που δημιουργήθηκε στην προηγούμενη ενότητα).
8. Επιλέξτε Επιλέξτε.
   
9. Εάν το εκτελείτε σε Amazon EC2 ή σε συσκευή X86-64, επιλέξτε Πλατφόρμα στόχου Και επιλέξτε Linux, X86, να CPU.
   Εάν χρησιμοποιείτε CPU, μπορείτε να αφήσετε κενές τις επιλογές μεταγλωττιστή εάν δεν είστε σίγουροι και δεν έχετε GPU NVIDIA. Εάν έχετε μια πλατφόρμα που βασίζεται σε Intel που υποστηρίζει AVX512, μπορείτε να προσθέσετε αυτές τις επιλογές μεταγλωττιστή για βελτιστοποίηση για καλύτερη απόδοση: {"mcpu": "skylake-avx512"}.
   Μπορείτε να δείτε το όνομα και την κατάστασή της εργασίας σας να εμφανίζονται ως In progress. Η εργασία συσκευασίας μοντέλου μπορεί να διαρκέσει μερικά λεπτά για να ολοκληρωθεί. Όταν ολοκληρωθεί η εργασία συσκευασίας μοντέλου, η κατάσταση εμφανίζεται ως Success.
10. Επιλέξτε το όνομα της εργασίας σας (στην περίπτωσή μας είναι aliensblogcpux86) για να δείτε τις λεπτομέρειες της εργασίας.
    
11. Επιλέξτε Δημιουργία εργασίας συσκευασίας μοντέλου.
    
12. Εισαγάγετε τα στοιχεία για Όνομα στοιχείου, Περιγραφή συστατικού (προαιρετικός), Έκδοση εξαρτημάτων, να Τοποθεσία στοιχείου.Το Lookout for Vision αποθηκεύει τις συνταγές και τα τεχνουργήματα σε αυτήν την τοποθεσία του Amazon S3.
13. Επιλέξτε Συνεχίστε την ανάπτυξη στο Greengrass για να αναπτύξετε το στοιχείο στη συσκευή άκρης προορισμού.
    

Το στοιχείο AWS IoT Greengrass και τα τεχνουργήματα του μοντέλου έχουν δημιουργηθεί στον λογαριασμό σας AWS.

Αναπτύξτε το μοντέλο

Βεβαιωθείτε ότι έχετε εγκαταστήσει το AWS IoT Greengrass V2 στη συσκευή-στόχο για τον λογαριασμό σας προτού συνεχίσετε. Για οδηγίες, ανατρέξτε στο Εγκαταστήστε το λογισμικό AWS IoT Greengrass Core.

Σε αυτήν την ενότητα, ακολουθούμε τα βήματα για την ανάπτυξη του μοντέλου εξωγήινων παιχνιδιών στη συσκευή edge χρησιμοποιώντας την κονσόλα AWS IoT Greengrass.

1. Στην κονσόλα AWS IoT Greengrass, μεταβείτε στη συσκευή σας edge.
2. Επιλέξτε Ανάπτυξη για την έναρξη των βημάτων ανάπτυξης.
3. Αγορά Συσκευή πυρήνα (επειδή η ανάπτυξη γίνεται σε μία συσκευή) και πληκτρολογήστε ένα όνομα για Όνομα στόχου.Το όνομα προορισμού είναι το ίδιο όνομα που χρησιμοποιήσατε για να ονομάσετε τη βασική συσκευή κατά τη διαδικασία εγκατάστασης του AWS IoT Greengrass V2.
4. Επιλέξτε το στοιχείο σας. Στην περίπτωσή μας, το όνομα του στοιχείου είναι aliensblogcpux86, που περιέχει το παιχνίδι εξωγήινο μοντέλο.
5. Επιλέξτε Επόμενο.
6. Διαμόρφωση του στοιχείου (προαιρετικό).
7. Επιλέξτε Επόμενο.
8. Ανάπτυξη Πολιτικές ανάπτυξης.
9. Για Πολιτική ενημέρωσης στοιχείων, Επιλέξτε Ειδοποίηση στοιχείων.Αυτό επιτρέπει στο ήδη αναπτυγμένο στοιχείο (μια προηγούμενη έκδοση του στοιχείου) να αναβάλει μια ενημέρωση έως ότου είστε έτοιμοι για ενημέρωση.
10. Για Πολιτική χειρισμού αστοχιών, Επιλέξτε Μην κάνεις πίσω.Σε περίπτωση αποτυχίας, αυτή η επιλογή μας επιτρέπει να διερευνήσουμε τα σφάλματα κατά την ανάπτυξη.
11. Επιλέξτε Επόμενο.
12. Ελέγξτε τη λίστα των στοιχείων που θα αναπτυχθούν στη συσκευή προορισμού (άκρη).
13. Επιλέξτε Επόμενο.Θα πρέπει να δείτε το μήνυμα Deployment successfully created.
14. Για να επιβεβαιώσετε ότι η ανάπτυξη του μοντέλου ήταν επιτυχής, εκτελέστε την ακόλουθη εντολή στη συσκευή edge:

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

Θα πρέπει να δείτε μια παρόμοια έξοδο που εκτελείται το aliensblogcpux86 σενάριο εκκίνησης κύκλου ζωής:

Στοιχεία που τρέχουν αυτήν τη στιγμή στο Greengrass:

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}

Εκτελέστε συμπεράσματα στο μοντέλο

Note: Εάν χρησιμοποιείτε το Greengrass ως άλλος χρήστης από αυτόν που έχετε συνδεθεί, θα χρειαστεί να αλλάξετε τα δικαιώματα του αρχείου /tmp/aws.iot.lookoutvision.EdgeAgent.sock:

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

Τώρα είμαστε έτοιμοι να κάνουμε συμπεράσματα για το μοντέλο. Στη συσκευή edge, εκτελέστε την ακόλουθη εντολή για να φορτώσετε το μοντέλο (αντικαταστήστε με το όνομα μοντέλου που χρησιμοποιείται στο στοιχείο σας):

# 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>

Για να δημιουργήσετε συμπεράσματα, εκτελέστε την ακόλουθη εντολή με το όνομα του αρχείου προέλευσης (αντικαταστήστε με τη διαδρομή και το όνομα αρχείου της εικόνας προς έλεγχο και αντικατάσταση με το όνομα μοντέλου που χρησιμοποιείται για το στοιχείο σας):

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'}

Το μοντέλο προβλέπει σωστά την εικόνα ως ανώμαλη (missing_limbs) με βαθμολογία εμπιστοσύνης 0.9996867775917053. Μας λέει τη μάσκα της ετικέτας ανωμαλίας missing_limbs και η ποσοστιαία επιφάνεια. Η απάντηση περιέχει επίσης δεδομένα bitmap που μπορείτε να αποκωδικοποιήσετε από αυτό που βρήκε.

Κατεβάστε και ανοίξτε το αρχείο blended.png, που μοιάζει με την παρακάτω εικόνα. Σημειώστε την περιοχή που τονίζεται με το ελάττωμα γύρω από τα πόδια.

Ιστορίες πελατών

Με το AWS IoT Greengrass και το Lookout for Vision, μπορείτε πλέον να αυτοματοποιήσετε την οπτική επιθεώρηση με την όραση υπολογιστή για διαδικασίες όπως ο ποιοτικός έλεγχος και η αξιολόγηση ελαττωμάτων—όλα στην άκρη και σε πραγματικό χρόνο. Μπορείτε να εντοπίσετε προληπτικά προβλήματα όπως ζημιές εξαρτημάτων (όπως βαθουλώματα, γρατσουνιές ή κακή συγκόλληση), ελλείποντα εξαρτήματα προϊόντος ή ελαττώματα με επαναλαμβανόμενα μοτίβα στην ίδια τη γραμμή παραγωγής, εξοικονομώντας χρόνο και χρήμα. Πελάτες όπως ο Tyson και η Baxter ανακαλύπτουν τη δύναμη του Lookout for Vision να αυξάνει την ποιότητα και να μειώνει το λειτουργικό κόστος αυτοματοποιώντας την οπτική επιθεώρηση.

«Η λειτουργική αριστεία είναι βασική προτεραιότητα στην Tyson Foods. Η προγνωστική συντήρηση είναι ένα ουσιαστικό πλεονέκτημα για την επίτευξη αυτού του στόχου με τη συνεχή βελτίωση της συνολικής αποτελεσματικότητας του εξοπλισμού (OEE). Το 2021, η Tyson Foods ξεκίνησε ένα πρόγραμμα όρασης υπολογιστών που βασίζεται στη μηχανική μάθηση για να εντοπίσει τους παρόχους προϊόντων που αποτυγχάνουν κατά τη διάρκεια της παραγωγής, ώστε να τους αποτρέψει από το να επηρεάσουν την ασφάλεια των μελών της ομάδας, τις λειτουργίες ή την ποιότητα του προϊόντος. Τα μοντέλα που εκπαιδεύτηκαν χρησιμοποιώντας το Amazon Lookout for Vision είχαν καλή απόδοση. Το μοντέλο ανίχνευσης ακίδων πέτυχε ακρίβεια 95% και στις δύο κατηγορίες. Το μοντέλο Amazon Lookout for Vision ρυθμίστηκε ώστε να αποδίδει με ακρίβεια 99.1% για τον εντοπισμό αποτυχίας καρφίτσας. Μακράν το πιο συναρπαστικό αποτέλεσμα αυτού του έργου ήταν η επιτάχυνση του χρόνου ανάπτυξης. Παρόλο που αυτό το έργο χρησιμοποιεί δύο μοντέλα και έναν πιο περίπλοκο κώδικα εφαρμογής, χρειάστηκε 12% λιγότερος χρόνος προγραμματιστή για να ολοκληρωθεί. Αυτό το έργο για την παρακολούθηση της κατάστασης των φορέων μεταφοράς προϊόντων στην Tyson Foods ολοκληρώθηκε σε χρόνο ρεκόρ χρησιμοποιώντας υπηρεσίες διαχειριζόμενες από το AWS, όπως το Amazon Lookout for Vision».

—Audrey Timmerman, Sr Προγραμματιστής Εφαρμογών, Tyson Foods.

«Η καθυστέρηση και η ταχύτητα εξαγωγής συμπερασμάτων είναι ζωτικής σημασίας για την αξιολόγηση σε πραγματικό χρόνο και τους κρίσιμους ποιοτικούς ελέγχους των διαδικασιών παραγωγής μας. Το Amazon Lookout for Vision edge σε μια συσκευή CPU μας δίνει τη δυνατότητα να το επιτύχουμε αυτό σε εξοπλισμό παραγωγικής ποιότητας, δίνοντάς μας τη δυνατότητα να παρέχουμε οικονομικά αποδοτικές λύσεις όρασης AI σε κλίμακα».

—AK Karan, Global Senior Director – Digital Transformation, Integrated Supply Chain, Baxter International Inc.

Εκκαθάριση

Ολοκληρώστε τα παρακάτω βήματα για να καταργήσετε τα στοιχεία που δημιουργήσατε από τον λογαριασμό σας και να αποφύγετε τυχόν τρέχουσες χρεώσεις:

1. Στην κονσόλα Lookout for Vision, μεταβείτε στο έργο σας.
2. Στις Δράσεις μενού, διαγράψτε τα σύνολα δεδομένων σας.
   
3. Διαγράψτε τα μοντέλα σας.
   
4. Στην κονσόλα Amazon S3, αδειάστε τους κάδους που δημιουργήσατε και, στη συνέχεια, διαγράψτε τους κάδους.
5. Στην κονσόλα Amazon EC2, διαγράψτε την παρουσία που ξεκινήσατε να εκτελείτε το AWS IoT Greengrass.
6. Στην κονσόλα AWS IoT Greengrass, επιλέξτε Ανάπτυξη στο παράθυρο πλοήγησης.
7. Διαγράψτε τις εκδόσεις των στοιχείων σας.
   
8. Στην κονσόλα AWS IoT Greengrass, διαγράψτε τα πράγματα, τις ομάδες και τις συσκευές AWS IoT.

Συμπέρασμα

Σε αυτήν την ανάρτηση, περιγράψαμε ένα τυπικό σενάριο για ανίχνευση βιομηχανικών ελαττωμάτων στην άκρη χρησιμοποιώντας εντοπισμό ελαττωμάτων και αναπτύχθηκε σε μια συσκευή μόνο CPU. Περπατήσαμε στα βασικά στοιχεία του κύκλου ζωής του cloud και του edge με ένα από άκρο σε άκρο παράδειγμα χρησιμοποιώντας το Lookout for Vision και το AWS IoT Greengrass. Με το Lookout for Vision, εκπαιδεύσαμε ένα μοντέλο ανίχνευσης ανωμαλιών στο cloud χρησιμοποιώντας το σύνολο δεδομένων εξωγήινων παιχνιδιών, μεταγλωττίστηκε το μοντέλο σε μια αρχιτεκτονική στόχο και συσκευάστηκε το μοντέλο ως στοιχείο AWS IoT Greengrass. Με το AWS IoT Greengrass, αναπτύξαμε το μοντέλο σε μια συσκευή edge. Επιδείξαμε μια εφαρμογή δείγματος βασισμένη σε Python που προμηθεύει εικόνες εξωγήινων παιχνιδιών από το τοπικό σύστημα αρχείων της συσκευής edge, εκτελεί τα συμπεράσματα στο μοντέλο Lookout for Vision στην άκρη χρησιμοποιώντας τη διεπαφή gRPC και στέλνει τα δεδομένα συμπερασμάτων σε ένα θέμα MQTT στο AWS Σύννεφο.

Σε μελλοντική ανάρτηση, θα δείξουμε πώς να εκτελείτε συμπεράσματα σε μια ροή εικόνων σε πραγματικό χρόνο χρησιμοποιώντας μια διοχέτευση μέσων GStreamer.

Ξεκινήστε το ταξίδι σας προς τον εντοπισμό και την αναγνώριση βιομηχανικών ανωμαλιών επισκεπτόμενοι το Amazon Lookout for Vision και AWS IoT Greengrass σελίδες πόρων.

Σχετικά με τους συγγραφείς

Manish Talreja είναι Ανώτερος Διευθυντής Βιομηχανικής ML Practice με AWS Professional Services. Βοηθά τους πελάτες του AWS να επιτύχουν τους επιχειρηματικούς τους στόχους αρχιτεκτονώντας και δημιουργώντας καινοτόμες λύσεις που χρησιμοποιούν υπηρεσίες AWS ML και IoT στο AWS Cloud.

Ράιαν Βάντερβερφ είναι συνεργάτης αρχιτέκτονας λύσεων στην Amazon Web Services. Προηγουμένως παρείχε συμβουλευτικές υπηρεσίες εστιασμένη στην εικονική μηχανή Java και ανάπτυξη έργων ως μηχανικός λογισμικού στην OCI στην ομάδα Grails και Micronaut. Ήταν επικεφαλής αρχιτέκτονας/διευθυντής προϊόντων στην ReachForce, με έμφαση στο λογισμικό και την αρχιτεκτονική συστήματος για λύσεις AWS Cloud SaaS για διαχείριση δεδομένων μάρκετινγκ. Ο Ryan έχει δημιουργήσει αρκετές λύσεις SaaS σε διάφορους τομείς, όπως εταιρείες χρηματοοικονομικών, μέσων, τηλεπικοινωνιών και ηλεκτρονικής μάθησης από το 1996.

Πρακάς Κρίσναν είναι Ανώτερος Διευθυντής Ανάπτυξης Λογισμικού στην Amazon Web Services. Οδηγεί τις ομάδες μηχανικών που κατασκευάζουν κατανεμημένα συστήματα μεγάλης κλίμακας για την εφαρμογή γρήγορων, αποτελεσματικών και υψηλής κλιμάκωσης αλγορίθμων σε προβλήματα αναγνώρισης εικόνας και βίντεο που βασίζονται σε βαθιά μάθηση.