यह बारकोड रजिस्ट्री में सॉफ्टवेयर इंजीनियर एंड्रयू मासेक और बारकोड रजिस्ट्री के सीईओ एरिक क्विस्लिंग द्वारा लिखित अतिथि पोस्ट है।
उत्पाद जालसाजी दुनिया का सबसे बड़ा आपराधिक उद्यम है। पिछले दो दशकों में 10,000% से अधिक की वृद्धि के साथ, नकली सामानों की बिक्री अब दुनिया भर में प्रति वर्ष कुल $1.7 ट्रिलियन है, जो ड्रग्स और मानव तस्करी से अधिक है। हालांकि नकली रोकथाम के पारंपरिक तरीके जैसे अद्वितीय बारकोड और उत्पाद सत्यापन बहुत प्रभावी हो सकते हैं, नई मशीन लर्निंग (एमएल) प्रौद्योगिकियां जैसे ऑब्जेक्ट डिटेक्शन बहुत आशाजनक लगती हैं। ऑब्जेक्ट डिटेक्शन के साथ, अब आप किसी उत्पाद की तस्वीर खींच सकते हैं और लगभग तुरंत जान सकते हैं कि क्या वह उत्पाद वैध या कपटपूर्ण होने की संभावना है।
RSI बारकोड रजिस्ट्री (अपने साथी के साथ संयोजन में Buyabarcode.com) एक पूर्ण-सेवा समाधान है जो ग्राहकों को उत्पाद धोखाधड़ी और जालसाजी को रोकने में मदद करता है। यह अद्वितीय GS1-पंजीकृत बारकोड को बेचकर, उत्पाद के स्वामित्व की पुष्टि करके, और उपयोगकर्ताओं के उत्पादों और बारकोड को एक व्यापक डेटाबेस में पंजीकृत करके करता है। उनकी नवीनतम पेशकश, जिसके बारे में हम इस पोस्ट में चर्चा करते हैं, का उपयोग करता है अमेज़न SageMaker नकली उत्पादों को तुरंत पहचानने में मदद करने के लिए ऑब्जेक्ट डिटेक्शन मॉडल बनाने के लिए।
समाधान का अवलोकन
इन ऑब्जेक्ट डिटेक्शन मॉडल का उपयोग करने के लिए, आपको पहले उन्हें प्रशिक्षित करने के लिए डेटा एकत्र करना होगा। कंपनियां अपने उत्पादों की एनोटेट की गई तस्वीरों को बारकोड रजिस्ट्री पर अपलोड करती हैं वेबसाइट . इसके बाद डेटा को अपलोड किया जाता है अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) और द्वारा संसाधित AWS लाम्बा फ़ंक्शन, आप इसका उपयोग सेजमेकर ऑब्जेक्ट डिटेक्शन मॉडल को प्रशिक्षित करने के लिए कर सकते हैं। इस मॉडल को सेजमेकर एंडपॉइंट पर होस्ट किया जाता है, जहां वेबसाइट इसे एंड-यूज़र से जोड़ती है।
सेजमेकर के साथ एक कस्टम ऑब्जेक्ट डिटेक्शन मॉडल बनाने के लिए बारकोड रजिस्ट्री का उपयोग करने के लिए तीन प्रमुख चरण हैं:
- सेजमेकर को चलाने के लिए एक प्रशिक्षण स्क्रिप्ट बनाएं।
- प्रशिक्षण स्क्रिप्ट से एक डॉकर कंटेनर बनाएं और उसे Amazon ECR पर अपलोड करें।
- कस्टम एल्गोरिथम के साथ मॉडल को प्रशिक्षित करने के लिए सेजमेकर कंसोल का उपयोग करें।
उत्पाद तथ्य
ऑब्जेक्ट डिटेक्शन मॉडल को प्रशिक्षित करने के लिए एक पूर्वापेक्षा के रूप में आपको अपनी वस्तु के कम से कम 100 उच्च-गुणवत्ता (उच्च-रिज़ॉल्यूशन और कई प्रकाश-स्थितियों में) चित्रों से युक्त AWS खाते और प्रशिक्षण छवियों की आवश्यकता होगी। किसी भी एमएल मॉडल की तरह, उच्च गुणवत्ता वाला डेटा सर्वोपरि है। ऑब्जेक्ट डिटेक्शन मॉडल को प्रशिक्षित करने के लिए, हमें संबंधित उत्पादों के साथ-साथ बाउंडिंग बॉक्स वाली छवियों की आवश्यकता होती है, जो यह बताती हैं कि उत्पाद छवियों में कहां हैं, जैसा कि निम्नलिखित उदाहरण में दिखाया गया है।
एक प्रभावी मॉडल को प्रशिक्षित करने के लिए, अलग-अलग पृष्ठभूमि और प्रकाश व्यवस्था की स्थिति वाले ब्रांड के प्रत्येक उत्पाद के चित्रों की आवश्यकता होती है—प्रत्येक उत्पाद के लिए लगभग 30-100 अद्वितीय एनोटेट छवियां।
छवियों को वेब सर्वर पर अपलोड करने के बाद, उन्हें Amazon S3 का उपयोग करके अपलोड किया जाता है PHP के लिए एडब्ल्यूएस एसडीके. हर बार एक छवि अपलोड होने पर एक लैम्ब्डा घटना शुरू हो जाती है। फ़ंक्शन छवियों से Exif मेटाडेटा को हटा देता है, जो कभी-कभी मॉडल को प्रशिक्षित करने के लिए उपयोग किए जाने वाले एमएल पुस्तकालयों द्वारा खोले जाने पर उन्हें घुमाए जाने का कारण बन सकता है। संबंधित बाउंडिंग बॉक्स डेटा को JSON फ़ाइलों में संग्रहीत किया जाता है और छवियों के साथ Amazon S3 पर अपलोड किया जाता है।
ऑब्जेक्ट डिटेक्शन मॉडल के लिए सेजमेकर
सेजमेकर एक प्रबंधित एमएल सेवा है जिसमें क्लाउड में मॉडल बनाने, प्रशिक्षण और होस्टिंग के लिए कई तरह के उपकरण शामिल हैं। विशेष रूप से, TheBarcodeRegistry SageMaker के विश्वसनीय और स्केलेबल ML मॉडल प्रशिक्षण और होस्टिंग सेवाओं के कारण अपनी ऑब्जेक्ट डिटेक्शन सेवा के लिए SageMaker का उपयोग करता है। इसका मतलब यह है कि कई ब्रांड अपने स्वयं के ऑब्जेक्ट डिटेक्शन मॉडल को प्रशिक्षित और होस्ट कर सकते हैं और यहां तक कि अगर उपयोग अप्रत्याशित रूप से बढ़ता है, तो कोई डाउनटाइम नहीं होगा।
बारकोड रजिस्ट्री में अपलोड किए गए कस्टम डॉकर कंटेनरों का उपयोग करता है अमेज़ॅन इलास्टिक कंटेनर रजिस्ट्री (अमेज़ॅन ईसीआर) प्रशिक्षण और अनुमान के साथ-साथ समर्थन के लिए नियोजित ऑब्जेक्ट डिटेक्शन एल्गोरिदम का अधिक बढ़िया नियंत्रण रखने के लिए मल्टी मॉडल सर्वर (एमएमएस)। नकली पहचान के उपयोग के मामले में एमएमएस बहुत महत्वपूर्ण है क्योंकि यह एक ही सर्वर पर कई ब्रांड के मॉडल को लागत प्रभावी ढंग से होस्ट करने की अनुमति देता है। वैकल्पिक रूप से, आप बिल्ट-इन का उपयोग कर सकते हैं ऑब्जेक्ट डिटेक्शन एल्गोरिथम एडब्ल्यूएस द्वारा विकसित मानक मॉडलों को शीघ्रता से परिनियोजित करने के लिए।
सेजमेकर के साथ एक कस्टम ऑब्जेक्ट डिटेक्शन मॉडल को प्रशिक्षित करें
सबसे पहले, आपको अपना ऑब्जेक्ट डिटेक्शन एल्गोरिदम जोड़ना होगा। इस मामले में, एक Yolov5 ऑब्जेक्ट डिटेक्शन मॉडल को Amazon ECR पर प्रशिक्षित करने के लिए स्क्रिप्ट की विशेषता वाला एक डॉकर कंटेनर अपलोड करें:
- SageMaker कंसोल पर, के तहत नोटबुक नेविगेशन फलक में, चुनें नोटबंदी के उदाहरण.
- चुनें नोटबुक उदाहरण बनाएँ।
- नोटबुक इंस्टेंस के लिए एक नाम दर्ज करें और नीचे अनुमतियां और एन्क्रिप्शन a चुनें AWS पहचान और अभिगम प्रबंधन (IAM) आवश्यक अनुमतियों के साथ भूमिका।
- ओपन गिट रिपोजिटरी मेनू.
- चुनते हैं केवल इस नोटबुक उदाहरण के लिए एक सार्वजनिक Git रिपॉजिटरी को क्लोन करें और निम्नलिखित पेस्ट करें गिट भंडार यूआरएल: https://github.com/portoaj/SageMakerObjectDetection
- क्लिक करें नोटबुक उदाहरण बनाएँ और इंस्टेंस की स्थिति से अपडेट होने के लिए लगभग पांच मिनट प्रतीक्षा करें अपूर्ण सेवा मेरे सेवा में में नोटबुक उदाहरण मेनू.
- एक बार नोटबुक है सेवा में, इसे चुनें और क्लिक करें क्रियाएँ और ज्यूपिटर खोलें नोटबुक इंस्टेंस को एक नए टैब में लॉन्च करने के लिए।
- चयन सेजमेकरऑब्जेक्ट डिटेक्शन निर्देशिका और फिर क्लिक करें
sagemakerobjectdetection.ipynb
जुपिटर नोटबुक लॉन्च करने के लिए। - चयन
conda_python3
कर्नेल और क्लिक करें कर्नेल सेट करें. - कोड सेल का चयन करें और सेट करें
aws_account_id
आपके एडब्ल्यूएस खाता आईडी में परिवर्तनशील। - क्लिक करें रन डॉकर कंटेनर बनाने और उसे Amazon ECR पर अपलोड करने की प्रक्रिया शुरू करने के लिए। इस प्रक्रिया को पूरा होने में लगभग 20 मिनट लग सकते हैं।
- एक बार डॉकर कंटेनर अपलोड हो जाने के बाद, पर वापस लौटें नोटबंदी के उदाहरण मेनू, अपना उदाहरण चुनें, और क्लिक करें क्रियाएँ और रुकें अपने नोटबुक इंस्टेंस को बंद करने के लिए।
एल्गोरिथम के निर्माण और अमेज़ॅन ईसीआर पर धकेलने के बाद, आप इसका उपयोग सेजमेकर कंसोल के माध्यम से एक मॉडल को प्रशिक्षित करने के लिए कर सकते हैं।
- SageMaker कंसोल पर, के तहत प्रशिक्षण नेविगेशन फलक में, चुनें प्रशिक्षण कार्य.
- चुनें प्रशिक्षण कार्य बनाएँ.
- नौकरी के लिए एक नाम दर्ज करें और चुनें AWS पहचान और अभिगम प्रबंधन (IAM) आवश्यक अनुमतियों के साथ भूमिका।
- के लिए एल्गोरिथम स्रोत, चुनते हैं ईसीआर में आपका अपना एल्गोरिथम कंटेनर.
- के लिए कंटेनर, रजिस्ट्री पथ दर्ज करें।
- Yolov2 मॉडल को प्रशिक्षित करने के लिए संसाधन कॉन्फ़िगरेशन के तहत एकल ml.p5.xlarge इंस्टेंस सेट करना पर्याप्त होना चाहिए।
- अपने इनपुट डेटा और आउटपुट पथ दोनों के लिए अमेज़ॅन एस 3 स्थान निर्दिष्ट करें और किसी भी अन्य सेटिंग्स जैसे वीपीसी को कॉन्फ़िगर करना अमेज़ॅन वर्चुअल प्राइवेट क्लाउड (अमेज़ॅन वीपीसी) या प्रबंधित स्पॉट ट्रेनिंग सक्षम करना।
- चुनें प्रशिक्षण कार्य बनाएँ.
आप सेजमेकर कंसोल पर मॉडल की प्रशिक्षण प्रगति को ट्रैक कर सकते हैं।
स्वचालित मॉडल प्रशिक्षण
निम्नलिखित आरेख स्वचालित मॉडल प्रशिक्षण कार्यप्रवाह दिखाता है:
जैसे ही उपयोगकर्ता अपना डेटा अपलोड करना समाप्त करता है, सेजमेकर को ऑब्जेक्ट डिटेक्शन मॉडल का प्रशिक्षण देना शुरू करने के लिए, वेब सर्वर उपयोग करता है अमेज़ॅन एपीआई गेटवे लैम्ब्डा फ़ंक्शन को सूचित करने के लिए कि ब्रांड समाप्त हो गया है और एक प्रशिक्षण कार्य शुरू करने के लिए।
जब किसी ब्रांड के मॉडल को सफलतापूर्वक प्रशिक्षित किया जाता है, अमेज़न EventBridge एक लैम्ब्डा फ़ंक्शन को कॉल करता है जो प्रशिक्षित मॉडल को लाइव एंडपॉइंट की S3 बाल्टी में ले जाता है, जहां यह अंत में अनुमान के लिए तैयार होता है। MLOps जीवनचक्र के माध्यम से मॉडलों को स्थानांतरित करने के लिए Amazon EventBridge का उपयोग करने का एक नया विकल्प जिस पर आपको विचार करना चाहिए SageMaker पाइपलाइन.
अनुमान के लिए मॉडल होस्ट करें
निम्नलिखित आरेख अनुमान कार्यप्रवाह दिखाता है:
प्रशिक्षित मॉडल का उपयोग करने के लिए, सेजमेकर को एक समापन बिंदु द्वारा होस्ट किए जाने वाले एक अनुमान मॉडल की आवश्यकता होती है। एंडपॉइंट सर्वर का सर्वर या सरणी है जो वास्तव में अनुमान मॉडल को होस्ट करने के लिए उपयोग किया जाता है। हमारे द्वारा बनाए गए प्रशिक्षण कंटेनर के समान, अमेज़ॅन ईसीआर में अनुमान के लिए एक डॉकर कंटेनर होस्ट किया गया है। अनुमान मॉडल उस डॉकर कंटेनर का उपयोग करता है और उपयोगकर्ता द्वारा अपने फोन से ली गई इनपुट छवि लेता है, इसे प्रशिक्षित ऑब्जेक्ट डिटेक्शन मॉडल के माध्यम से चलाता है, और परिणाम आउटपुट करता है।
फिर से, बारकोड रजिस्ट्री मल्टी मॉडल सर्वर के उपयोग को सक्षम करने के लिए अनुमान मॉडल के लिए कस्टम डॉकर कंटेनरों का उपयोग करती है, लेकिन यदि केवल एक मॉडल की आवश्यकता होती है जिसे अंतर्निहित ऑब्जेक्ट डिटेक्शन एल्गोरिदम के माध्यम से आसानी से होस्ट किया जा सकता है।
निष्कर्ष
बारकोड रजिस्ट्री (अपने पार्टनर Buyabarcode.com के साथ मिलकर) अपने संपूर्ण ऑब्जेक्ट डिटेक्शन पाइपलाइन के लिए AWS का उपयोग करती है। वेब सर्वर विश्वसनीय रूप से Amazon S3 में डेटा संग्रहीत करता है और वेब सर्वर को क्लाउड से जोड़ने के लिए API गेटवे और लैम्ब्डा फ़ंक्शन का उपयोग करता है। सेजमेकर आसानी से एमएल मॉडल को प्रशिक्षित और होस्ट करता है, जिसका अर्थ है कि उपयोगकर्ता अपने फोन पर किसी उत्पाद की तस्वीर ले सकता है और देख सकता है कि उत्पाद नकली है या नहीं। यह पोस्ट दिखाता है कि सेजमेकर का उपयोग करके ऑब्जेक्ट डिटेक्शन मॉडल कैसे बनाया और होस्ट किया जाए, साथ ही प्रक्रिया को कैसे स्वचालित किया जाए।
परीक्षण में, मॉडल 90 छवियों के प्रशिक्षण सेट और 62 छवियों के परीक्षण सेट पर 32% से अधिक सटीकता प्राप्त करने में सक्षम था, जो बिना किसी मानवीय हस्तक्षेप के प्रशिक्षित मॉडल के लिए बहुत प्रभावशाली है। ऑब्जेक्ट डिटेक्शन मॉडल का प्रशिक्षण शुरू करने के लिए स्वयं आधिकारिक देखें दस्तावेज़ीकरण या सीखें कि कैसे AWS IoT ग्रीनग्रास का उपयोग करके किसी ऑब्जेक्ट डिटेक्शन मॉडल को किनारे पर तैनात करें.
इस पोस्ट में सामग्री और राय तीसरे पक्ष के लेखक की हैं और AWS इस पोस्ट की सामग्री या सटीकता के लिए ज़िम्मेदार नहीं है।
लेखक के बारे में
एंड्रयू मेसेकी, बारकोड रजिस्ट्री में सॉफ्टवेयर इंजीनियर।
एरिक क्विस्लिंग, बारकोड रजिस्ट्री के सीईओ।
- कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
- क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/how-the-barcode-registry-detects-counterfeit-products-using-object-detection-and-amazon-sagemaker/
- "
- 000
- 10
- 100
- 7
- About
- पहुँच
- लेखा
- कलन विधि
- हालांकि
- वीरांगना
- एपीआई
- स्वचालित
- एडब्ल्यूएस
- सीमा
- मुक्केबाज़ी
- ब्रांडों
- इमारत
- में निर्मित
- कारण
- मुख्य कार्यपालक अधिकारी
- बादल
- कोड
- इकट्ठा
- कंपनियों
- विन्यास
- कंसोल
- कंटेनर
- कंटेनरों
- सामग्री
- नियंत्रण
- नक़ली
- बनाना
- अपराधी
- रिवाज
- ग्राहक
- तिथि
- डाटाबेस
- तैनात
- खोज
- विकसित
- विभिन्न
- चर्चा करना
- डाक में काम करनेवाला मज़दूर
- नीचे
- स्र्कना
- औषध
- आसानी
- Edge
- प्रभावी
- समर्थकारी
- endpoint
- इंजीनियर
- उद्यम
- कार्यक्रम
- उदाहरण
- अंत में
- प्रथम
- निम्नलिखित
- धोखा
- समारोह
- जाना
- माल
- बढ़ रहा है
- अतिथि
- अतिथि पोस्ट
- मदद
- मदद करता है
- कैसे
- How To
- HTTPS
- मानव
- पहचान
- की छवि
- महत्वपूर्ण
- IOT
- IT
- काम
- कुंजी
- ताज़ा
- लांच
- जानें
- सीख रहा हूँ
- स्थानों
- मशीन
- यंत्र अधिगम
- कामयाब
- ML
- आदर्श
- मॉडल
- अधिक
- चाल
- पथ प्रदर्शन
- नोटबुक
- की पेशकश
- सरकारी
- राय
- आदेश
- अन्य
- स्वामित्व
- साथी
- चित्र
- सुंदर
- निवारण
- निजी
- प्रक्रिया
- एस्ट्रो मॉल
- उत्पाद
- होनहार
- सार्वजनिक
- जल्दी से
- पहचान
- प्रासंगिक
- कोष
- संसाधन
- जिम्मेदार
- रन
- विक्रय
- स्केलेबल
- एसडीके
- सेवा
- सेवाएँ
- सेट
- समान
- सरल
- स्नैप
- सॉफ्टवेयर
- सॉफ्टवेयर इंजीनियर
- समाधान
- Spot
- प्रारंभ
- शुरू
- स्थिति
- भंडारण
- भंडार
- सफलतापूर्वक
- समर्थन
- टेक्नोलॉजीज
- परीक्षण
- दुनिया
- तीसरे दल
- यहाँ
- पहर
- उपकरण
- ट्रैक
- परंपरागत
- प्रशिक्षण
- गाड़ियों
- अद्वितीय
- अपडेट
- उपयोग
- सत्यापन
- वास्तविक
- प्रतीक्षा
- वेब
- वेब सर्वर
- वेबसाइट
- बिना
- विश्व
- दुनिया भर
- वर्ष