Järgi Gartner, on hüperautomaatika 2022. aasta trend number üks ja see areneb ka tulevikus. Üks peamisi hüperautomatiseerimise takistusi on valdkondades, kus me ikka veel näeme vaeva, et vähendada inimeste osalust. Intelligentsetel süsteemidel on raskusi inimese visuaalse tuvastamise võimetega ühildamisega, hoolimata arvutinägemise süvaõppe suurtest edusammudest. See on peamiselt tingitud kommenteeritud andmete puudumisest (või kui andmeid on vähe) ja sellistes valdkondades nagu kvaliteedikontroll, kus endiselt domineerivad treenitud inimsilmad. Teine põhjus on inimeste juurdepääsu teostatavus kõikidesse toote tarneahela valdkondadesse, näiteks tootmisliini kvaliteedikontrolli kontroll. Visuaalset kontrolli kasutatakse laialdaselt tootmisüksuse erinevate seadmete (nt mahutid, surveanumad, torustikud, müügiautomaadid ja muud seadmed) sise- ja välishinnangu läbiviimiseks, mis laieneb paljudesse tööstusharudesse, nagu elektroonika, meditsiin, CPG, ja tooraine ja palju muud.
Tehisintellekti (AI) kasutamine automaatseks visuaalseks kontrolliks või inimese visuaalse kontrolli protsessi täiustamine tehisintellektiga võib aidata lahendada allpool kirjeldatud väljakutseid.
Inimese visuaalse kontrolli väljakutsed
Inimese juhitud visuaalsel kontrollil on järgmised kõrgetasemelised probleemid:
- Skaala – Enamik tooteid läbib mitu etappi, alates kokkupanekust kuni tarneahelani kuni kvaliteedikontrollini, enne kui need lõpptarbijale kättesaadavaks tehakse. Defektid võivad ilmneda tootmisprotsessi või kokkupaneku käigus erinevates ruumi- ja ajapunktides. Seetõttu ei ole isikliku visuaalse kontrolli kasutamine alati teostatav ega kulutõhus. Selline suutmatus skaleerida võib põhjustada selliseid katastroofe nagu BP Deepwater Horizon naftareostus ja Challengeri kosmosesüstiku plahvatus, mille üldine negatiivne mõju (inimestele ja loodusele) ületab rahalise kulu üsna kaugel.
- Inimlik nägemisviga – Piirkondades, kus saab mugavalt teostada inimjuhitavat visuaalset kontrolli, on inimlikud vead peamiseks teguriks, mis sageli tähelepanuta jäetakse. Vastavalt järgmisele aru, on enamik kontrollitoiminguid keerulised ja nende veamäär on tavaliselt 20–30%, mis tähendab otseselt kulusid ja soovimatuid tulemusi.
- Personali- ja mitmesugused kulud – Kuigi mõnede arvates võivad kvaliteedikontrolli üldkulud olenevalt tööstusest ja asukohast suuresti erineda hinnangul, koolitatud kvaliteediinspektori palk jääb vahemikku 26,000 60,000–XNUMX XNUMX (USD) aastas. On ka muid mitmesuguseid kulusid, mida ei pruugi alati arvesse võtta.
SageMaker JumpStart on suurepärane koht erinevate asjadega alustamiseks Amazon SageMaker funktsioonid ja võimalused kureeritud ühe klõpsuga lahenduste, näiteks sülearvutite ja eelkoolitatud arvutinägemise, loomuliku keele töötlemise ja tabeliandmete mudelite kaudu, mida kasutajad saavad valida, peenhäälestada (vajadusel) ja juurutada, kasutades AWS SageMakeri infrastruktuuri.
Selles postituses kirjeldame, kuidas kiiresti juurutada automaatset defektide tuvastamise lahendust, alates andmete sisestamisest kuni mudeli järeldusteni, kasutades avalikult kättesaadavat andmekogumit ja SageMaker JumpStarti.
Lahenduse ülevaade
See lahendus kasutab SageMakeri abil pinnadefektide automaatseks tuvastamiseks tipptasemel süvaõppe lähenemisviisi. Defektide tuvastamise võrk või DDN mudel suurendab Kiirem R-CNN ja tuvastab võimalikud defektid teraspinna kujutisel. The NEU pinnadefektide andmebaas, on tasakaalustatud andmekogum, mis sisaldab kuut tüüpi kuumvaltsitud terasribade tüüpilisi pinnadefekte: sissevaltsitud skaala (RS), laigud (Pa), mõranemine (Cr), lohkne pind (PS), lisamine (In), ja kriimud (Sc). Andmebaas sisaldab 1,800 halltoonides pilti: 300 näidist igast defektitüübist.
sisu
KiirStardi lahendus sisaldab järgmisi artefakte, mis on teile saadaval aadressilt JupyterLabi failibrauser:
- pilve moodustumine/ - AWS CloudFormation konfiguratsioonifailid, et luua asjakohaseid SageMakeri ressursse ja rakendada õigusi. Sisaldab ka puhastusskripte loodud ressursside kustutamiseks.
- src / – Sisaldab järgmist:
- ettevalmistus_andmed/ – Andmete ettevalmistamine NEU andmekogumite jaoks.
- sagemaker_defect_detection/ – Põhipakett, mis sisaldab järgmist:
- andmestik – Sisaldab NEU andmestiku käsitlemist.
- mudelid – Sisaldab automaatse defektikontrolli (ADI) süsteemi, mida nimetatakse defektide tuvastamise võrguks. Vaadake järgmist paber üksikasjad.
- utils - Erinevad utiliidid visualiseerimiseks ja COCO hindamiseks.
- klassifikaator.py – klassifitseerimisülesande jaoks.
- detektor.py – tuvastamisülesande jaoks.
- teisendab.py – Sisaldab treeningul kasutatavaid pilditeisendusi.
- märkmikud/ – Üksikud märkmikud, millest on üksikasjalikumalt juttu hiljem selles postituses.
- skriptid/ - Erinevad skriptid treenimiseks ja ehitamiseks.
Vaikeandmekogum
See lahendus treenib NEU-CLS-i andmestiku klassifikaatorit ja NEU-DET-andmestiku detektorit. See andmekogum sisaldab kokku 1800 pilti ja 4189 piirdekasti. Meie andmestiku defektide tüübid on järgmised:
- Hullunud (klass:
Cr
, silt: 0) - Kaasamine (klass:
In
, silt: 1) - Punktiline pind (klass:
PS
, silt: 2) - Plaastrid (klass: Pa, silt: 3)
- Sisserullitud skaala (klass:
RS
, silt: 4) - Kriimud (klass:
Sc
, silt: 5)
Järgnevalt on toodud kuue klassi näidispildid.
Järgmised pildid on tuvastamise tulemuste näidised. Vasakult paremale on meil esialgne pilt, põhitõe tuvastamine ja SageMakeri DDN-mudeli väljund.
Arhitektuur
KiirStardi lahendus on eelpakendatud Amazon SageMaker Studio märkmikud, mis laadivad alla vajalikud andmestikud ning sisaldavad koodi ja abifunktsioone mudeli/te koolitamiseks ja juurutamiseks reaalajas SageMakeri lõpp-punkti abil.
Kõik sülearvutid laadivad andmestiku avalikult alla Amazoni lihtne salvestusteenus (Amazon S3) ämbri ja impordi abifunktsioonid piltide visualiseerimiseks. Sülearvutid võimaldavad kasutajal kohandada lahendust, näiteks mudelitreeningu või esinemise hüperparameetreid ülekandmisõpe juhuks, kui otsustate kasutada lahendust oma defektide tuvastamise kasutusjuhtumiks.
Lahendus sisaldab nelja järgmist Studio sülearvutit:
- 0_demo.ipynb – Loob NEU-DET andmestiku eelkoolitatud DDN-mudelist mudeliobjekti ja juurutab selle reaalajas SageMakeri lõpp-punkti taha. Seejärel saadame tuvastamiseks mõned defektidega pildinäidised ja visualiseerime tulemused.
- 1_retrain_from_checkpoint.ipynb – Koolitab meie eelkoolitatud detektorit veel mõne ajajärgu jaoks ümber ja võrdleb tulemusi. Võite tuua ka oma andmekogumi; kasutame aga märkmikus sama andmestikku. Siia kuulub ka samm ülekandeõppe läbiviimiseks, viimistledes eelkoolitatud mudelit. Süvaõppe mudeli peenhäälestus ühe konkreetse ülesande jaoks hõlmab konkreetsest andmekogumist õpitud kaalude kasutamist, et parandada mudeli toimivust teises andmestikus. Samuti saate peenhäälestada sama andmestikuga, mida kasutati algkoolituses, kuid võib-olla erinevate hüperparameetritega.
- 2_detector_from_scratch.ipynb – Treenib meie detektorit nullist, et tuvastada, kas pildil on defekte.
- 3_classification_from_scratch.ipynb – Treenib meie klassifikaatorit nullist, et klassifitseerida pildil esineva defekti tüüp.
Iga sülearvuti sisaldab standardkoodi, mis juurutab SageMakeri reaalajas lõpp-punkt mudeli järeldamiseks. Saate vaadata märkmike loendit, minnes JupyterLabi failibrauserisse ja navigeerides JumpStart Solutioni kataloogis kausta "märkmikud" või klõpsates JumpStarti lahendusel nuppu "Ava märkmik", täpsemalt lahenduse lehel "Toote defektide tuvastamine" (vt allpool). ).
Eeldused
Selles postituses kirjeldatud lahendus on osa sellest Amazon SageMaker JumpStart. Selle SageMaker JumpStart 1P lahenduse käitamiseks ja infrastruktuuri juurutamiseks oma AWS-i kontole peate looma aktiivse Amazon SageMaker Studio eksemplari (vt Amazon SageMakeri domeeniga liitumine).
KiirStart funktsioonid pole SageMakeri sülearvuti eksemplarides saadaval ja te ei pääse neile juurde läbi AWS-i käsurea liides (AWS CLI).
Rakendage lahendus
Pakume läbivaatusvideoid selle lahenduse kõrgetasemeliste sammude kohta. Alustamiseks käivitage SageMaker JumpStart ja valige Toote defektide tuvastamine lahendus Lahendused Tab.
Kaasasolevad SageMakeri sülearvutid laadivad alla sisendandmed ja käivitavad hilisemad etapid. Sisendandmed asuvad S3 ämbris.
Koolitame klassifikaatori ja detektori mudeleid ning hindame tulemusi SageMakeris. Soovi korral saate koolitatud mudeleid juurutada ja SageMakeri lõpp-punkte luua.
Eelmises etapis loodud SageMakeri lõpp-punkt on an HTTPS-i lõpp-punkt ja on võimeline tegema ennustusi.
Saate jälgida mudeli koolitust ja kasutuselevõttu kaudu Amazon CloudWatch.
Koristage
Kui olete selle lahendusega lõpetanud, kustutage kindlasti kõik soovimatud AWS-i ressursid. AWS CloudFormationi abil saate automaatselt kustutada kõik standardsed ressursid, mis lahenduse ja märkmikuga loodud. Kustutage AWS CloudFormationi konsoolis ülemvirn. Ülemvirna kustutamine kustutab automaatselt pesastatud virnad.
Peate käsitsi kustutama kõik lisaressursid, mille olete selles märkmikus loonud, näiteks täiendavad S3-salgad lisaks lahenduse vaikesalbale või täiendavad SageMakeri lõpp-punktid (kasutades kohandatud nime).
Järeldus
Selles postituses tutvustasime lahendust SageMaker JumpStarti abil, et lahendada probleeme, mis on seotud visuaalse kontrolli, kvaliteedikontrolli ja defektide tuvastamise hetkeseisuga erinevates tööstusharudes. Soovitasime uudset lähenemisviisi, mida nimetatakse automaatseks defektikontrollisüsteemiks, mis on ehitatud eelkoolitatud seadme abil DDN mudel teraspindade defektide tuvastamiseks. Pärast JumpStarti lahenduse käivitamist ja avalike NEU andmekogumite allalaadimist juurutasite SageMakeri reaalajas lõpp-punkti taga eelkoolitatud mudeli ja analüüsisite lõpp-punkti mõõdikuid CloudWatchi abil. Arutasime ka muid JumpStart lahenduse funktsioone, näiteks kuidas tuua enda treeningandmeid, sooritada ülekandeõpet ning detektorit ja klassifikaatorit ümber õpetada.
Proovige seda KiirStardi lahendus SageMaker Studios, õpetades olemasolevat mudelit ümber defektide tuvastamiseks uuele andmekogumile või valima SageMaker JumpStarti teegist arvutinägemise mudelid, NLP mudelid or tabelimudelid ja juurutage need teie konkreetse kasutusjuhtumi jaoks.
Autoritest
Vedant Jain on Sr. AI/ML Specialist Solutions Architect, kes aitab klientidel saada väärtust AWS-i masinõppe ökosüsteemist. Enne AWS-iga liitumist on Vedant töötanud ML/Data Science Specialty ametikohtadel erinevates ettevõtetes, nagu Databricks, Hortonworks (nüüd Cloudera) ja JP Morgan Chase. Väljaspool oma tööd on Vedant kirglik muusika tegemine, teaduse kasutamine tähendusrikka elu elamiseks ja maitsva taimetoidu avastamine kogu maailmast.
Tao päike on AWSi rakendusteadlane. Ta omandas doktorikraadi. Arvutiteaduse erialal Massachusettsi ülikoolist Amherstis. Tema uurimishuvid on seotud sügava tugevdamise õppimisega ja tõenäosusliku modelleerimisega. Ta aitas kaasa AWS DeepRacerile, AWS DeepComposerile. Talle meeldib seltskonnatants ja vabal ajal lugemine.
- Münditark. Euroopa parim Bitcoini ja krüptobörs.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
- CryptoHawk. Altcoini radar. Tasuta prooviversioon.
- Allikas: https://aws.amazon.com/blogs/machine-learning/visual-inspection-automation-using-amazon-sagemaker-jumpstart/
- "
- &
- 000
- 100
- 2022
- 28
- a
- võimeid
- MEIST
- juurdepääs
- Vastavalt
- konto
- aktiivne
- lisamine
- aadress
- edusammud
- AI
- Materjal: BPA ja flataatide vaba plastik
- Kuigi
- alati
- Amazon
- Teine
- rakendatud
- kehtima
- lähenemine
- ümber
- kunstlik
- tehisintellekti
- Tehisintellekt (AI)
- Kokkupanek
- hindamine
- Automatiseeritud
- automaatselt
- Automaatika
- saadaval
- AWS
- tõkked
- enne
- taga
- on
- alla
- vahel
- tooma
- brauseri
- Ehitus
- võimeid
- võimeline
- juhul
- kett
- väljakutseid
- tagaajamine
- Vali
- klass
- klassid
- klassifikatsioon
- kood
- Ettevõtted
- keeruline
- arvuti
- Arvutiteadus
- konfiguratsioon
- konsool
- tarbija
- sisaldab
- jätkama
- Aitas
- kontrollida
- kontrolli
- kuluefektiivne
- kulud
- looma
- loodud
- loob
- kureeritud
- Praegune
- Praegune olek
- tava
- Kliendid
- kohandada
- andmed
- andmebaas
- sügav
- Olenevalt
- juurutada
- lähetatud
- kasutuselevõtu
- juurutab
- Vaatamata
- detail
- detailid
- Detection
- erinev
- otse
- katastroofid
- kaugus
- domeen
- lae alla
- ajal
- iga
- ökosüsteemi
- Elektroonika
- Lõpp-punkt
- seadmed
- hindama
- hindamine
- näide
- näitama
- olemasolevate
- laieneb
- Rajatise
- FUNKTSIOONID
- Järel
- järgneb
- Alates
- funktsioonid
- tulevik
- läheb
- Halltoonid
- suur
- suuresti
- Käsitsemine
- aitama
- aidates
- silmapiir
- Kuidas
- Kuidas
- aga
- HTTPS
- inim-
- Inimestel
- identifitseerima
- pilt
- pildid
- mõju
- lisatud
- hõlmab
- kaasamine
- eraldi
- tööstusharudes
- tööstus
- Infrastruktuur
- sisend
- Näiteks
- Intelligentsus
- Intelligentne
- el
- küsimustes
- IT
- liitumine
- JP Morgani
- JP Morgan Chase
- silt
- keel
- algatama
- käivitatud
- viima
- õppinud
- õppimine
- Raamatukogu
- joon
- nimekiri
- liising
- masin
- masinõpe
- masinad
- tehtud
- peamine
- tegema
- Tegemine
- käsitsi
- tootmine
- Massachusetts
- sobitamine
- materjalid
- tähendusrikas
- meditsiini-
- Meetrika
- mudel
- mudelid
- Rahaline
- Jälgida
- rohkem
- Morgan
- kõige
- mitmekordne
- muusika
- Nasa
- Natural
- loodus
- navigeerimine
- negatiivne
- võrk
- märkmik
- number
- saadud
- Õli
- originaal
- Muu
- üldine
- enda
- pakend
- osa
- eriline
- kirglik
- Paikade
- jõudlus
- esitades
- ehk
- võrra
- võimalik
- Ennustused
- surve
- eelmine
- protsess
- töötlemine
- Toode
- Produktsioon
- Toodet
- anda
- tingimusel
- avalik
- kvaliteet
- kiiresti
- Rates
- Töötlemata
- Lugemine
- reaalajas
- vähendama
- asjakohane
- nõutav
- teadustöö
- Vahendid
- Tulemused
- jooks
- palk
- sama
- SC
- Skaala
- teadus
- teadlane
- lihtne
- SIX
- lahendus
- Lahendused
- mõned
- Ruum
- spetsialist
- Eriala
- konkreetse
- eriti
- Kestab
- etappidel
- standard
- algus
- alustatud
- riik
- modernne
- Veel
- ladustamine
- stuudio
- varustama
- tarneahelas
- Pind
- süsteem
- süsteemid
- ülesanded
- .
- maailm
- seetõttu
- Läbi
- aeg
- koolitus
- rongid
- üle
- muundumised
- tüüpiliselt
- Ülikool
- USD
- kasutama
- Kasutajad
- kommunaalteenused
- väärtus
- eri
- Videod
- vaade
- nägemus
- visualiseerimine
- Wikipedia
- Töö
- maailm
- aasta
- Sinu