Tämä on vieraspostaus, jonka kirjoittavat Andrew Masek, The Barcode Registryn ohjelmistosuunnittelija ja Erik Quisling, The Barcode Registryn toimitusjohtaja.
Tuoteväärennös on maailman suurin yksittäinen rikollinen yritys. Väärennettyjen tavaroiden myynti on kasvanut yli 10,000 1.7 % viimeisen kahden vuosikymmenen aikana, ja se on nyt maailmanlaajuisesti XNUMX biljoonaa dollaria vuodessa, mikä on enemmän kuin huume- ja ihmiskauppa. Vaikka perinteiset väärennösten ehkäisymenetelmät, kuten ainutlaatuiset viivakoodit ja tuotevarmennus, voivat olla erittäin tehokkaita, uudet koneoppimistekniikat, kuten esineiden havaitseminen, vaikuttavat erittäin lupaavilta. Esineiden tunnistuksen avulla voit nyt ottaa kuvan tuotteesta ja tietää melkein välittömästi, onko tuote todennäköisesti laillinen vai petollinen.
- Viivakoodirekisteri (yhdessä kumppaninsa kanssa Buyabarcode.com) on täyden palvelun ratkaisu, joka auttaa asiakkaita estämään tuotepetoksia ja väärennöksiä. Se tekee tämän myymällä ainutlaatuisia GS1-rekisteröityjä viivakoodeja, tarkistamalla tuotteen omistajuuden ja rekisteröimällä käyttäjien tuotteet ja viivakoodit kattavaan tietokantaan. Heidän viimeisin tarjouksensa, josta keskustelemme tässä viestissä, käyttää Amazon Sage Maker luoda esineiden tunnistusmalleja, jotka auttavat tunnistamaan väärennetyt tuotteet välittömästi.
Katsaus ratkaisuun
Jotta voit käyttää näitä esineentunnistusmalleja, sinun on ensin kerättävä tietoja niiden kouluttamiseksi. Yritykset lataavat huomautuksilla varustettuja kuvia tuotteistaan Viivakoodirekisteriin verkkosivusto. Kun nämä tiedot on ladattu osoitteeseen Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ja käsittelijä AWS Lambda toimintoja, voit käyttää sitä SageMaker-objektintunnistusmallin opettamiseen. Tätä mallia isännöidään SageMaker-päätepisteessä, jossa verkkosivusto yhdistää sen loppukäyttäjään.
Viivakoodirekisterin avulla luodaan mukautettu objektintunnistusmalli SageMakerilla on kolme avainvaihetta:
- Luo harjoitusskripti SageMakerille.
- Rakenna Docker-säilö harjoitusskriptistä ja lataa se Amazon ECR:ään.
- Käytä SageMaker-konsolia mallin kouluttamiseen mukautetulla algoritmilla.
Tuotetiedot
Edellytyksenä esineentunnistusmallin kouluttamiseen tarvitset AWS-tilin ja harjoituskuvat, jotka koostuvat vähintään 100 korkealaatuisesta (korkearesoluutioisesta ja useissa valaistusolosuhteissa) kohteestasi olevasta kuvasta. Kuten kaikissa ML-malleissa, korkealaatuinen data on ensiarvoisen tärkeää. Kohteentunnistusmallin kouluttamiseen tarvitsemme kuvia, jotka sisältävät asiaankuuluvat tuotteet, sekä rajauslaatikoita, jotka kuvaavat tuotteiden sijainnin kuvissa, kuten seuraavassa esimerkissä näkyy.
Tehokkaan mallin kouluttamiseen tarvitaan kuvia kustakin merkin tuotteesta erilaisilla taustoilla ja valaistusolosuhteilla – noin 30–100 yksilöllistä selitettyä kuvaa jokaisesta tuotteesta.
Kun kuvat on ladattu verkkopalvelimelle, ne ladataan Amazon S3:een käyttämällä AWS SDK PHP:lle. Lambda-tapahtuma käynnistyy aina, kun kuva ladataan. Toiminto poistaa kuvista Exif-metatiedot, mikä saattaa joskus saada ne näyttämään kiertyneiltä, kun ne avataan myöhemmin mallin kouluttamiseen käytetyissä ML-kirjastoissa. Liittyvät rajauslaatikon tiedot tallennetaan JSON-tiedostoihin ja ladataan Amazon S3:een kuvien mukana.
SageMaker esineentunnistusmalleille
SageMaker on hallittu ML-palvelu, joka sisältää erilaisia työkaluja mallien rakentamiseen, koulutukseen ja isännöintiin pilvessä. Erityisesti TheBarcodeRegistry käyttää SageMakeria objektintunnistuspalvelussaan SageMakerin luotettavien ja skaalautuvien ML-mallin koulutus- ja isännöintipalvelujen ansiosta. Tämä tarkoittaa, että monilla merkeillä voidaan kouluttaa ja isännöidä omia esineidentunnistusmallejaan, ja vaikka käyttö kasvaisi arvaamattomasti, seisokkeja ei tule.
Viivakoodirekisteri käyttää mukautettuja Docker-säilöjä, jotka on ladattu Amazonin elastisten säiliörekisteri (Amazon ECR). Monimallipalvelin (MMS). MMS on erittäin tärkeä väärennösten havaitsemisen käyttötapauksessa, koska se mahdollistaa useiden merkkien mallien kustannustehokkaan isännöimisen samalla palvelimella. Vaihtoehtoisesti voit käyttää sisäänrakennettua kohteen havaitsemisalgoritmi ottaa nopeasti käyttöön AWS:n kehittämiä vakiomalleja.
Kouluta mukautettu objektintunnistusmalli SageMakerilla
Ensin sinun on lisättävä kohteen tunnistusalgoritmi. Lataa tässä tapauksessa Docker-säilö, jossa on komentosarjat Yolov5-objektintunnistusmallin kouluttamiseksi Amazon ECR:ään:
- SageMaker-konsolin kohdassa muistikirja valitse siirtymisruudussa Notebook-esiintymät.
- Valita Luo muistikirjan esimerkki.
- Kirjoita muistikirjan esiintymän nimi ja alle Luvat ja salaus valitse AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) rooliin tarvittavilla käyttöoikeuksilla.
- Avaa Git-arkistot valikosta.
- valita Klooni julkinen Git-arkisto vain tähän kannettavan ilmentymään ja liitä seuraava Git-arkiston URL-osoite: https://github.com/portoaj/SageMakerObjectDetection
- Napauta Luo muistikirjan esimerkki ja odota noin viisi minuuttia, jotta ilmentymän tila päivittyy Odotustilassa että Palveluksessa vuonna Muistikirja-instanssi valikosta.
- Kun muistikirja on Palveluksessa, valitse se ja napsauta Toiminnot ja Avaa Jupyter käynnistääksesi muistikirjan esiintymän uudella välilehdellä.
- Valitse SageMakerObjectDetection hakemistosta ja napsauta sitten
sagemakerobjectdetection.ipynb
käynnistääksesi Jupyter-muistikirjan. - Valitse
conda_python3
ydin ja napsauta Aseta ydin. - Valitse koodisolu ja aseta
aws_account_id
muuttuja AWS-tilitunnukseesi. - Napauta ajaa aloittaaksesi Docker-kontin rakentamisen ja sen lataamisen Amazon ECR:ään. Tämä prosessi voi kestää noin 20 minuuttia.
- Kun Docker-säilö on ladattu, palaa kohtaan Notebook-esiintymät -valikosta, valitse esiintymäsi ja napsauta Toiminnot ja stop sulkeaksesi kannettavan tietokoneen ilmentymän.
Kun algoritmi on rakennettu ja työnnetty Amazon ECR:ään, voit käyttää sitä mallin kouluttamiseen SageMaker-konsolin kautta.
- SageMaker-konsolin kohdassa koulutus valitse siirtymisruudussa Harjoittelupaikat.
- Valita Luo koulutustyö.
- Anna työlle nimi ja valitse AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) rooliin tarvittavilla käyttöoikeuksilla.
- varten Algoritmin lähdevalitse Oma algoritmisäiliö ECR:ssä.
- varten Kontti, kirjoita rekisteripolku.
- Yhden ml.p2.xlarge-esiintymän asettamisen resurssikonfiguraatioon pitäisi riittää Yolov5-mallin kouluttamiseen.
- Määritä Amazon S3 -sijainnit sekä syöttötiedoillesi että lähtöpolullesi ja muille asetuksille, kuten VPC:n määrittäminen Amazonin virtuaalinen yksityinen pilvi (Amazon VPC) tai mahdollistaa Managed Spot Training.
- Valita Luo koulutustyö.
Voit seurata mallin harjoittelun edistymistä SageMaker-konsolilla.
Automaattinen mallikoulutus
Seuraava kaavio havainnollistaa automaattisen mallikoulutuksen työnkulkua:
Jotta SageMaker aloittaa objektintunnistusmallin harjoittamisen heti, kun käyttäjä on ladannut tietonsa, verkkopalvelin käyttää Amazon API -yhdyskäytävä ilmoittaa Lambda-toiminnolle, että tuotemerkki on valmis ja aloittaa koulutustyön.
Kun brändin malli on onnistuneesti koulutettu, Amazon EventBridge kutsuu Lambda-funktiota, joka siirtää harjoitetun mallin live-päätepisteen S3-säihöön, jossa se on vihdoin valmis päättämistä varten. Sinun tulisi harkita uudempaa vaihtoehtoa Amazon EventBridgen käyttämiselle mallien siirtämiseen MLOpsin elinkaaren läpi SageMaker-putkistot.
Isännöi malli johtopäätöstä varten
Seuraava kaavio havainnollistaa päättelytyönkulkua:
Koulutettujen mallien käyttämiseksi SageMaker vaatii päätepisteen isännöimän päättelymallin. Päätepiste on palvelin tai palvelinjoukko, jota käytetään päättelymallin isännöimiseen. Samoin kuin luomamme koulutussäilö, Docker-säilö johtopäätösten tekemistä isännöi Amazon ECR:ssä. Päätelmämalli käyttää Docker-säilöä ja ottaa käyttäjän puhelimella ottaman syöttökuvan, suorittaa sen koulutetun objektintunnistusmallin läpi ja tulostaa tuloksen.
Jälleen Viivakoodirekisteri käyttää mukautettuja Docker-säilöjä päättelymallissa mahdollistaakseen Multi Model Serverin käytön, mutta jos tarvitaan vain yksi malli, jota voidaan helposti isännöidä sisäänrakennetun objektintunnistusalgoritmin avulla.
Yhteenveto
Viivakoodirekisteri (yhdessä kumppaninsa Buyabarcode.comin kanssa) käyttää AWS:ää koko objektintunnistusputkistossaan. Verkkopalvelin tallentaa tiedot luotettavasti Amazon S3:een ja yhdistää verkkopalvelimen pilveen API Gateway- ja Lambda-toimintojen avulla. SageMaker kouluttaa ja isännöi helposti ML-malleja, mikä tarkoittaa, että käyttäjä voi ottaa kuvan tuotteesta puhelimellaan ja nähdä, onko tuote väärennös. Tämä viesti näyttää kuinka luodaan ja isännöidään objektintunnistusmalli SageMakerin avulla sekä miten prosessi automatisoidaan.
Testauksessa malli pystyi saavuttamaan yli 90 % tarkkuuden 62 kuvan harjoitussarjalla ja 32 kuvan testisarjalla, mikä on melko vaikuttava mallille, joka on koulutettu ilman ihmisen väliintuloa. Aloita esineentunnistusmallien harjoittelu itse tutustumalla virkailijaan dokumentointi tai oppia ota objektintunnistusmalli käyttöön reunaan käyttämällä AWS IoT Greengrassia.
Tämän viestin sisältö ja mielipiteet ovat kolmannen osapuolen kirjoittajan omia, eikä AWS ole vastuussa tämän viestin sisällöstä tai oikeellisuudesta.
Tietoja Tekijät
Andrew Masek, ohjelmistosuunnittelija viivakoodirekisterissä.
Erik Quisling, viivakoodirekisterin toimitusjohtaja.
- Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
- CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
- Lähde: https://aws.amazon.com/blogs/machine-learning/how-the-barcode-registry-detects-counterfeit-products-using-object-detection-and-amazon-sagemaker/
- "
- 000
- 10
- 100
- 7
- Meistä
- pääsy
- Tili
- algoritmi
- Vaikka
- Amazon
- api
- Automatisoitu
- AWS
- reunus
- Laatikko
- merkit
- Rakentaminen
- sisäänrakennettu
- Aiheuttaa
- toimitusjohtaja
- pilvi
- koodi
- kerätä
- Yritykset
- Konfigurointi
- Console
- Kontti
- Kontit
- pitoisuus
- ohjaus
- Väärennetty
- Luominen
- Rikollinen
- asiakassuhde
- Asiakkaat
- tiedot
- tietokanta
- sijoittaa
- Detection
- kehitetty
- eri
- pohtia
- Satamatyöläinen
- alas
- seisokkeja
- Huumeet
- helposti
- reuna
- Tehokas
- mahdollistaa
- päätepiste
- insinööri
- yritys
- tapahtuma
- esimerkki
- Vihdoin
- Etunimi
- jälkeen
- petos
- toiminto
- mennä
- tavarat
- Kasvava
- vieras
- vieras Lähetä
- auttaa
- auttaa
- Miten
- Miten
- HTTPS
- ihmisen
- Identiteetti
- kuva
- tärkeä
- Esineiden internet
- IT
- Job
- avain
- uusin
- käynnistää
- OPPIA
- oppiminen
- sijainnit
- kone
- koneoppiminen
- onnistui
- ML
- malli
- mallit
- lisää
- liikkua
- suunnistus
- muistikirja
- tarjoamalla
- virallinen
- Lausunnot
- tilata
- Muut
- omistus
- kumppani
- kuva
- aika
- Ehkäisy
- yksityinen
- prosessi
- Tuotteet
- Tuotteemme
- lupaava
- julkinen
- nopeasti
- tunnistaa
- merkityksellinen
- säilytyspaikka
- resurssi
- vastuullinen
- ajaa
- myynti
- skaalautuva
- sdk
- palvelu
- Palvelut
- setti
- samankaltainen
- Yksinkertainen
- napsahtaa
- Tuotteemme
- Software Engineer
- ratkaisu
- Kaupallinen
- Alkaa
- alkoi
- Tila
- Levytila
- varastot
- Onnistuneesti
- tuki
- Technologies
- Testaus
- maailma
- kolmannen osapuolen
- Kautta
- aika
- työkalut
- raita
- perinteinen
- koulutus
- junat
- unique
- Päivitykset
- käyttää
- Vahvistus
- Virtual
- odottaa
- verkko
- Web-palvelin
- Verkkosivu
- ilman
- maailman-
- maailmanlaajuisesti
- vuosi