Il s'agit d'un article invité rédigé par Andrew Masek, ingénieur logiciel chez The Barcode Registry et Erik Quisling, PDG de The Barcode Registry.
La contrefaçon de produits est la plus grande entreprise criminelle au monde. Avec une croissance de plus de 10,000 1.7 % au cours des deux dernières décennies, les ventes de produits contrefaits totalisent désormais XNUMX XNUMX milliards de dollars par an dans le monde, soit plus que la drogue et le trafic d'êtres humains. Bien que les méthodes traditionnelles de prévention de la contrefaçon telles que les codes-barres uniques et la vérification des produits puissent être très efficaces, les nouvelles technologies d'apprentissage automatique (ML) telles que la détection d'objets semblent très prometteuses. Grâce à la détection d'objets, vous pouvez désormais prendre une photo d'un produit et savoir presque instantanément si ce produit est susceptible d'être légitime ou frauduleux.
Les Registre des codes-barres (en collaboration avec son partenaire Acheterabarcode.com) est une solution complète qui aide les clients à prévenir la fraude et la contrefaçon de produits. Pour ce faire, il vend des codes-barres uniques enregistrés par GS1, vérifie la propriété du produit et enregistre les produits et les codes-barres des utilisateurs dans une base de données complète. Leur dernière offre, dont nous discutons dans cet article, utilise Amazon Sage Maker créer des modèles de détection d'objets pour aider à reconnaître instantanément les produits contrefaits.
Présentation de la solution
Pour utiliser ces modèles de détection d'objets, vous devez d'abord collecter des données pour les entraîner. Les entreprises téléchargent des photos annotées de leurs produits dans The Barcode Registry site de NDN Collective. Une fois ces données téléchargées sur Service de stockage simple Amazon (Amazon S3) et traitées par AWS Lambda fonctions, vous pouvez l'utiliser pour former un modèle de détection d'objet SageMaker. Ce modèle est hébergé sur un point de terminaison SageMaker, où le site Web le connecte à l'utilisateur final.
La création de The Barcode Registry utilise trois étapes clés pour créer un modèle de détection d'objet personnalisé avec SageMaker :
- Créez un script de formation pour que SageMaker s'exécute.
- Créez un conteneur Docker à partir du script de formation et chargez-le sur Amazon ECR.
- Utilisez la console SageMaker pour former un modèle avec l'algorithme personnalisé.
Données du produit
Comme condition préalable pour former un modèle de détection d'objets, vous aurez besoin d'un compte AWS et d'images de formation, composées d'au moins 100 images de haute qualité (haute résolution et dans plusieurs conditions d'éclairage) de votre objet. Comme pour tout modèle ML, des données de haute qualité sont primordiales. Pour former un modèle de détection d'objets, nous avons besoin d'images contenant les produits pertinents ainsi que de cadres de délimitation décrivant où se trouvent les produits dans les images, comme illustré dans l'exemple suivant.
Pour former un modèle efficace, des images de chacun des produits d'une marque avec des arrière-plans et des conditions d'éclairage différents sont nécessaires, soit environ 30 à 100 images annotées uniques pour chaque produit.
Une fois les images chargées sur le serveur Web, elles sont chargées sur Amazon S3 à l'aide du Kit de développement logiciel AWS pour PHP. Un événement Lambda est déclenché chaque fois qu'une image est téléchargée. La fonction supprime les métadonnées Exif des images, ce qui peut parfois les faire apparaître en rotation lorsqu'elles sont ouvertes par les bibliothèques ML utilisées ultérieurement pour former le modèle. Les données de cadre de délimitation associées sont stockées dans des fichiers JSON et téléchargées sur Amazon S3 pour accompagner les images.
SageMaker pour les modèles de détection d'objets
SageMaker est un service ML géré qui comprend une variété d'outils pour créer, former et héberger des modèles dans le cloud. En particulier, TheBarcodeRegistry utilise SageMaker pour son service de détection d'objets en raison des services de formation et d'hébergement de modèles ML fiables et évolutifs de SageMaker. Cela signifie que de nombreuses marques peuvent avoir leurs propres modèles de détection d'objets formés et hébergés et même si l'utilisation augmente de manière imprévisible, il n'y aura pas de temps d'arrêt.
Le registre de codes-barres utilise des conteneurs Docker personnalisés téléchargés sur Registre des conteneurs élastiques Amazon (Amazon ECR) afin d'avoir un contrôle plus précis de l'algorithme de détection d'objet utilisé pour la formation et l'inférence ainsi que la prise en charge de Serveur multimodèle (MMS). Le MMS est très important pour le cas d'utilisation de la détection de contrefaçon, car il permet d'héberger de manière rentable les modèles de plusieurs marques sur le même serveur. Alternativement, vous pouvez utiliser le algorithme de détection d'objets pour déployer rapidement des modèles standards développés par AWS.
Former un modèle de détection d'objet personnalisé avec SageMaker
Tout d'abord, vous devez ajouter votre algorithme de détection d'objet. Dans ce cas, chargez un conteneur Docker contenant des scripts pour former un modèle de détection d'objet Yolov5 sur Amazon ECR :
- Sur la console SageMaker, sous Cahier dans le volet de navigation, choisissez Instances de bloc-notes.
- Selectionnez Créez une instance de bloc-notes.
- Entrez un nom pour l'instance de bloc-notes et sous Autorisations et cryptage choisissez un Gestion des identités et des accès AWS (IAM) avec les autorisations nécessaires.
- Ouvrez le Dépôts Git menu.
- Sélectionnez Clonez un référentiel Git public vers cette instance de bloc-notes uniquement et collez ce qui suit URL du dépôt Git : https://github.com/portoaj/SageMakerObjectDetection
- Cliquez Créer une instance de bloc-notes et attendez environ cinq minutes que l'état de l'instance soit mis à jour à partir de En Attente à En service dans l' Instance de notebook menu.
- Une fois le cahier En service, sélectionnez-le et cliquez Actions ainsi que le Ouvrez Jupyter pour lancer l'instance de bloc-notes dans un nouvel onglet.
- Sélectionnez le SageMakerObjectDétection répertoire puis cliquez sur
sagemakerobjectdetection.ipynb
pour lancer le notebook Jupyter. - Sélectionnez le
conda_python3
noyau et cliquez Définir le noyau. - Sélectionnez la cellule de code et définissez le
aws_account_id
variable à votre ID de compte AWS. - Cliquez Courir pour commencer le processus de création d'un conteneur Docker et de son chargement sur Amazon ECR. Ce processus peut prendre environ 20 minutes.
- Une fois le conteneur Docker téléchargé, revenez à la Instances de bloc-notes menu, sélectionnez votre instance, puis cliquez sur Actions ainsi que le Arrêter pour fermer votre instance de bloc-notes.
Une fois l'algorithme créé et transmis à Amazon ECR, vous pouvez l'utiliser pour former un modèle via la console SageMaker.
- Sur la console SageMaker, sous Formation dans le volet de navigation, choisissez Emplois de formation.
- Selectionnez Créer une tâche de formation.
- Entrez un nom pour le travail et choisissez le Gestion des identités et des accès AWS (IAM) avec les autorisations nécessaires.
- Pour Origine de l'algorithme, sélectionnez Votre propre conteneur d'algorithmes dans ECR.
- Pour Contenant, entrez le chemin du registre.
- La définition d'une seule instance ml.p2.xlarge sous la configuration des ressources devrait être suffisante pour former un modèle Yolov5.
- Spécifiez les emplacements Amazon S3 pour vos données d'entrée et votre chemin de sortie et tout autre paramètre tel que la configuration d'un VPC via Cloud privé virtuel Amazon (Amazon VPC) ou l'activation de la formation Spot gérée.
- Selectionnez Créer une tâche de formation.
Vous pouvez suivre la progression de la formation du modèle sur la console SageMaker.
Entraînement de modèle automatisé
Le diagramme suivant illustre le flux de travail de formation de modèle automatisé :
Pour que SageMaker commence à former le modèle de détection d'objet dès qu'un utilisateur a fini de télécharger ses données, le serveur Web utilise Passerelle d'API Amazon pour notifier une fonction Lambda que la marque est terminée et pour commencer un travail de formation.
Lorsque le modèle d'une marque est formé avec succès, Amazon Event Bridge appelle une fonction Lambda qui déplace le modèle formé dans le compartiment S3 du point de terminaison actif, où il est enfin prêt pour l'inférence. Une alternative plus récente à l'utilisation d'Amazon EventBridge pour déplacer des modèles à travers le cycle de vie MLOps que vous devriez considérer est Pipelines SageMaker.
Héberger le modèle pour l'inférence
Le schéma suivant illustre le workflow d'inférence :
Pour utiliser les modèles formés, SageMaker nécessite qu'un modèle d'inférence soit hébergé par un point de terminaison. Le point de terminaison est le serveur ou le groupe de serveurs qui sont utilisés pour héberger réellement le modèle d'inférence. Semblable au conteneur de formation que nous avons créé, un conteneur Docker pour l'inférence est hébergé dans Amazon ECR. Le modèle d'inférence utilise ce conteneur Docker et prend l'image d'entrée que l'utilisateur a prise avec son téléphone, l'exécute via le modèle de détection d'objet formé et génère le résultat.
Encore une fois, The Barcode Registry utilise des conteneurs Docker personnalisés pour le modèle d'inférence afin de permettre l'utilisation de Multi Model Server, mais si un seul modèle est nécessaire, il peut être facilement hébergé via l'algorithme de détection d'objet intégré.
Conclusion
Le Barcode Registry (en collaboration avec son partenaire Buyabarcode.com) utilise AWS pour l'ensemble de son pipeline de détection d'objets. Le serveur Web stocke de manière fiable les données dans Amazon S3 et utilise les fonctions API Gateway et Lambda pour connecter le serveur Web au cloud. SageMaker forme et héberge facilement des modèles ML, ce qui signifie qu'un utilisateur peut prendre une photo d'un produit sur son téléphone et voir si le produit est une contrefaçon. Cet article montre comment créer et héberger un modèle de détection d'objets à l'aide de SageMaker, ainsi que comment automatiser le processus.
Lors des tests, le modèle a pu atteindre une précision de plus de 90 % sur un ensemble de formation de 62 images et un ensemble de test de 32 images, ce qui est assez impressionnant pour un modèle formé sans aucune intervention humaine. Pour commencer à former vous-même des modèles de détection d'objets, consultez le site officiel Documentation ou apprendre à déployer un modèle de détection d'objets en périphérie à l'aide d'AWS IoT Greengrass.
Le contenu et les opinions de cet article sont ceux de l'auteur tiers et AWS n'est pas responsable du contenu ou de l'exactitude de cet article.
À propos des auteurs
André Masek, Ingénieur logiciel chez The Barcode Registry.
Erik Quisling, PDG de The Barcode Registry.
- Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
- Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
- CryptoHawk. Radar Altcoins. Essai gratuit.
- Source : https://aws.amazon.com/blogs/machine-learning/how-the-barcode-registry-detects-counterfeit-products-using-object-detection-and-amazon-sagemaker/
- "
- 000
- 10
- 100
- 7
- Qui sommes-nous
- accès
- Compte
- algorithme
- Bien que
- Amazon
- api
- Automatisation
- AWS
- frontière
- Box
- Marques
- Développement
- intégré
- Causes
- CEO
- le cloud
- code
- recueillir
- Sociétés
- configuration
- Console
- Contenant
- Conteneurs
- contenu
- des bactéries
- Contrefaçon
- La création
- Criminel
- Customiser
- Clients
- données
- Base de données
- déployer
- Détection
- développé
- différent
- discuter
- Docker
- down
- les temps d'arrêt
- Médicaments
- même
- Edge
- Efficace
- permettant
- Endpoint
- ingénieur
- Entreprise
- événement
- exemple
- finalement
- Prénom
- Abonnement
- fraude
- fonction
- Git
- pour les
- Croissance
- GUEST
- Invité Message
- vous aider
- aide
- Comment
- How To
- HTTPS
- humain
- Active
- image
- important
- IOT
- IT
- Emploi
- ACTIVITES
- Nouveautés
- lancer
- APPRENTISSAGE
- apprentissage
- emplacements
- click
- machine learning
- gérés
- ML
- modèle
- numériques jumeaux (digital twin models)
- PLUS
- Bougez
- Navigation
- cahier
- offrant
- officiel
- Avis
- de commander
- Autre
- possession
- les partenaires
- image
- assez
- Prévention
- Privé
- processus
- Produit
- Produits
- prometteur
- public
- vite.
- reconnaître
- pertinent
- dépôt
- ressource
- responsables
- Courir
- vente
- évolutive
- Sdk
- service
- Services
- set
- similaires
- étapes
- Casser
- Logiciels
- Software Engineer
- sur mesure
- Spot
- Commencer
- j'ai commencé
- Statut
- storage
- STORES
- Avec succès
- Support
- Les technologies
- Essais
- le monde
- des tiers.
- Avec
- fiable
- les outils
- suivre
- traditionnel
- Formation
- les trains
- unique
- Mises à jour
- utilisé
- Vérification
- Salle de conférence virtuelle
- attendez
- web
- le serveur web
- Site Web
- sans
- world
- partout dans le monde
- an