นี่เป็นโพสต์รับเชิญที่เขียนโดย Andrew Masek วิศวกรซอฟต์แวร์ที่ The Barcode Registry และ Erik Quisling ซีอีโอของ The Barcode Registry
การปลอมแปลงผลิตภัณฑ์เป็นองค์กรอาชญากรรมที่ใหญ่ที่สุดในโลก ด้วยการเติบโตมากกว่า 10,000% ในช่วงสองทศวรรษที่ผ่านมา การขายสินค้าลอกเลียนแบบในปัจจุบันมีมูลค่าสูงถึง 1.7 ล้านล้านดอลลาร์ต่อปีทั่วโลก ซึ่งมากกว่ายาและการค้ามนุษย์ แม้ว่าวิธีการป้องกันการปลอมแปลงแบบดั้งเดิม เช่น บาร์โค้ดที่ไม่ซ้ำกันและการตรวจสอบผลิตภัณฑ์จะมีประสิทธิภาพมาก แต่เทคโนโลยีการเรียนรู้ด้วยเครื่อง (ML) ใหม่ เช่น การตรวจจับวัตถุดูมีแนวโน้มที่ดี ด้วยการตรวจจับวัตถุ ตอนนี้คุณสามารถถ่ายภาพของผลิตภัณฑ์และรู้ได้ทันทีว่าผลิตภัณฑ์นั้นมีแนวโน้มว่าจะถูกต้องตามกฎหมายหรือเป็นการฉ้อโกง
พื้นที่ ทะเบียนบาร์โค้ด (ร่วมกับพันธมิตร Buyabarcode.com) เป็นโซลูชันบริการเต็มรูปแบบที่ช่วยลูกค้าป้องกันการฉ้อโกงและการปลอมแปลงผลิตภัณฑ์ ซึ่งทำได้โดยการขายบาร์โค้ดที่ลงทะเบียน GS1 ที่ไม่ซ้ำกัน การตรวจสอบความเป็นเจ้าของผลิตภัณฑ์ และการลงทะเบียนผลิตภัณฑ์และบาร์โค้ดของผู้ใช้ในฐานข้อมูลที่ครอบคลุม ข้อเสนอล่าสุดของพวกเขาที่เราพูดถึงในโพสต์นี้ใช้ อเมซอน SageMaker เพื่อสร้างแบบจำลองการตรวจจับวัตถุเพื่อช่วยให้จดจำสินค้าปลอมได้ทันที
ภาพรวมของโซลูชัน
หากต้องการใช้โมเดลการตรวจจับวัตถุเหล่านี้ คุณต้องรวบรวมข้อมูลเพื่อฝึกโมเดลก่อน บริษัทต่างๆ อัปโหลดรูปภาพที่มีคำอธิบายประกอบของผลิตภัณฑ์ไปยัง The Barcode Registry เว็บไซต์. หลังจากอัพโหลดข้อมูลนี้ไปที่ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) และประมวลผลโดย AWS แลมบ์ดา คุณสามารถใช้เพื่อฝึกโมเดลการตรวจจับวัตถุ SageMaker ได้ โมเดลนี้โฮสต์อยู่บนจุดปลาย SageMaker โดยที่เว็บไซต์จะเชื่อมต่อกับผู้ใช้ปลายทาง
มีสามขั้นตอนสำคัญในการสร้าง The Barcode Registry ใช้เพื่อสร้างแบบจำลองการตรวจหาวัตถุแบบกำหนดเองด้วย SageMaker:
- สร้างสคริปต์การฝึกอบรมเพื่อให้ SageMaker ทำงาน
- สร้างคอนเทนเนอร์ Docker จากสคริปต์การฝึกและอัปโหลดไปยัง Amazon ECR
- ใช้คอนโซล SageMaker เพื่อฝึกโมเดลด้วยอัลกอริธึมแบบกำหนดเอง
ข้อมูลผลิตภัณฑ์
ตามข้อกำหนดเบื้องต้นในการฝึกโมเดลการตรวจจับวัตถุ คุณจะต้องมีบัญชี AWS และอิมเมจการฝึกอบรม ซึ่งประกอบด้วยรูปภาพวัตถุของคุณคุณภาพสูง (ความละเอียดสูงและในสภาพแสงที่หลากหลาย) อย่างน้อย 100 ภาพ เช่นเดียวกับโมเดล ML ใดๆ ข้อมูลคุณภาพสูงเป็นสิ่งสำคัญยิ่ง ในการฝึกโมเดลการตรวจจับวัตถุ เราต้องการรูปภาพที่มีผลิตภัณฑ์ที่เกี่ยวข้องรวมถึงกรอบล้อมรอบที่อธิบายว่าผลิตภัณฑ์อยู่ในภาพใด ดังที่แสดงในตัวอย่างต่อไปนี้
ในการฝึกโมเดลที่มีประสิทธิภาพ จำเป็นต้องมีรูปภาพของผลิตภัณฑ์แต่ละแบรนด์ที่มีพื้นหลังและสภาพแสงต่างกัน โดยจะมีรูปภาพที่มีคำอธิบายประกอบที่ไม่ซ้ำกันประมาณ 30-100 ภาพสำหรับแต่ละผลิตภัณฑ์
หลังจากอัปโหลดรูปภาพไปยังเว็บเซิร์ฟเวอร์แล้ว รูปภาพจะถูกอัปโหลดไปยัง Amazon S3 โดยใช้ AWS SDK สำหรับ PHP. เหตุการณ์ Lambda จะถูกทริกเกอร์ทุกครั้งที่อัปโหลดรูปภาพ ฟังก์ชันนี้จะลบข้อมูลเมตา Exif ออกจากรูปภาพ ซึ่งบางครั้งอาจทำให้ปรากฏว่าหมุนเมื่อเปิดโดยไลบรารี ML ที่ใช้ฝึกโมเดลในภายหลัง ข้อมูลกล่องขอบเขตที่เกี่ยวข้องจะถูกเก็บไว้ในไฟล์ JSON และอัปโหลดไปยัง Amazon S3 เพื่อประกอบกับรูปภาพ
SageMaker สำหรับโมเดลการตรวจจับวัตถุ
SageMaker เป็นบริการ ML ที่มีการจัดการซึ่งมีเครื่องมือที่หลากหลายสำหรับการสร้าง การฝึกอบรม และการโฮสต์โมเดลในคลาวด์ โดยเฉพาะอย่างยิ่ง TheBarcodeRegistry ใช้ SageMaker สำหรับบริการตรวจจับวัตถุเนื่องจากการฝึกอบรมแบบจำลอง ML และบริการโฮสติ้งที่น่าเชื่อถือและปรับขนาดได้ของ SageMaker ซึ่งหมายความว่าหลายแบรนด์สามารถมีโมเดลการตรวจจับวัตถุของตนเองที่ได้รับการฝึกฝนและโฮสต์ และแม้ว่าการใช้งานจะเพิ่มขึ้นอย่างคาดไม่ถึง แต่ก็ไม่มีเวลาหยุดทำงาน
Barcode Registry ใช้คอนเทนเนอร์ Docker แบบกำหนดเองที่อัปโหลดไปยัง การลงทะเบียน Amazon Elastic Container (Amazon ECR) เพื่อให้มีการควบคุมอัลกอริธึมการตรวจจับวัตถุที่ละเอียดยิ่งขึ้นที่ใช้สำหรับการฝึกอบรมและการอนุมานรวมถึงการสนับสนุน เซิร์ฟเวอร์หลายรุ่น (MMS). MMS มีความสำคัญมากสำหรับกรณีการใช้งานการตรวจจับการปลอมแปลง เนื่องจากช่วยให้สามารถโฮสต์โมเดลของแบรนด์ต่างๆ มากมายบนเซิร์ฟเวอร์เดียวกันได้อย่างคุ้มค่าใช้จ่าย อีกทางหนึ่ง คุณสามารถใช้ฟังก์ชันในตัว อัลกอริธึมการตรวจจับวัตถุ เพื่อปรับใช้โมเดลมาตรฐานที่พัฒนาโดย AWS อย่างรวดเร็ว
ฝึกโมเดลการตรวจจับวัตถุแบบกำหนดเองด้วย SageMaker
ขั้นแรก คุณต้องเพิ่มอัลกอริธึมการตรวจจับวัตถุของคุณ ในกรณีนี้ ให้อัปโหลดคอนเทนเนอร์ Docker ที่มีสคริปต์เพื่อฝึกโมเดลการตรวจจับวัตถุ Yolov5 ไปยัง Amazon ECR:
- บนคอนโซล SageMaker ภายใต้ สมุดบันทึก ในบานหน้าต่างนำทาง ให้เลือก อินสแตนซ์โน้ตบุ๊ก.
- Choose สร้างอินสแตนซ์สมุดบันทึก
- ป้อนชื่อสำหรับอินสแตนซ์สมุดบันทึกและภายใต้ สิทธิ์และการเข้ารหัส เลือกไฟล์ AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) พร้อมสิทธิ์ที่จำเป็น
- เปิด ที่เก็บ Git เมนู
- เลือก โคลนที่เก็บ Git สาธารณะไปยังอินสแตนซ์สมุดบันทึกนี้เท่านั้น และวางต่อไปนี้ URL ที่เก็บ Git: https://github.com/portoaj/SageMakerObjectDetection
- คลิก สร้างอินสแตนซ์สมุดบันทึก และรอประมาณห้านาทีเพื่อให้สถานะของอินสแตนซ์อัปเดตจาก กำลังดำเนินการ ไปยัง อยู่ในการให้บริการ ใน โน๊ตบุ๊คอินสแตนซ์ เมนู
- เมื่อโน๊ตบุ๊คเป็น อยู่ในการให้บริการเลือกและคลิก สถานะ และ เปิด Jupyter เพื่อเปิดอินสแตนซ์โน้ตบุ๊กในแท็บใหม่
- เลือก SageMakerการตรวจจับวัตถุ ไดเร็กทอรีแล้วคลิกที่
sagemakerobjectdetection.ipynb
เพื่อเปิดโน้ตบุ๊ก Jupyter - เลือก
conda_python3
เคอร์เนลและคลิก ตั้งเคอร์เนล. - เลือกเซลล์รหัสและตั้งค่า
aws_account_id
แปรผันเป็นรหัสบัญชี AWS ของคุณ - คลิก วิ่ง เพื่อเริ่มกระบวนการสร้างคอนเทนเนอร์ Docker และอัปโหลดไปยัง Amazon ECR ขั้นตอนนี้อาจใช้เวลาประมาณ 20 นาทีจึงจะเสร็จสมบูรณ์
- เมื่ออัปโหลดคอนเทนเนอร์ Docker แล้ว ให้กลับไปที่ อินสแตนซ์โน้ตบุ๊ก เมนู เลือกอินสแตนซ์ของคุณ แล้วคลิก สถานะ และ หยุด เพื่อปิดอินสแตนซ์โน้ตบุ๊กของคุณ
หลังจากที่สร้างและพุชอัลกอริทึมไปยัง Amazon ECR แล้ว คุณสามารถใช้อัลกอริทึมดังกล่าวเพื่อฝึกโมเดลผ่านคอนโซล SageMaker ได้
- บนคอนโซล SageMaker ภายใต้ การฝึกอบรม ในบานหน้าต่างนำทาง ให้เลือก งานฝึกอบรม.
- Choose สร้างงานฝึกอบรม.
- ใส่ชื่องานแล้วเลือก AWS Identity และการจัดการการเข้าถึง บทบาท (IAM) พร้อมสิทธิ์ที่จำเป็น
- สำหรับ แหล่งอัลกอริทึมให้เลือก คอนเทนเนอร์อัลกอริทึมของคุณเองใน ECR.
- สำหรับ ภาชนะให้ป้อนเส้นทางรีจิสทรี
- การตั้งค่าอินสแตนซ์ ml.p2.xlarge เดียวภายใต้การกำหนดค่าทรัพยากรควรเพียงพอสำหรับการฝึกโมเดล Yolov5
- ระบุตำแหน่ง Amazon S3 สำหรับทั้งข้อมูลอินพุตและเส้นทางเอาต์พุต และการตั้งค่าอื่นๆ เช่น การกำหนดค่า VPC ผ่าน คลาวด์ส่วนตัวเสมือนของ Amazon (Amazon VPC) หรือเปิดใช้งาน Managed Spot Training
- Choose สร้างงานฝึกอบรม.
คุณสามารถติดตามความคืบหน้าการฝึกของโมเดลได้บนคอนโซล SageMaker
การฝึกโมเดลอัตโนมัติ
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์การฝึกแบบจำลองอัตโนมัติ:
เพื่อให้ SageMaker เริ่มฝึกโมเดลการตรวจจับวัตถุทันทีที่ผู้ใช้อัปโหลดข้อมูลเสร็จ เว็บเซิร์ฟเวอร์จะใช้ Amazon API Gateway Amazon เพื่อแจ้งฟังก์ชันของแลมบ์ดาว่าแบรนด์เสร็จสิ้นและเริ่มงานฝึกอบรม
เมื่อโมเดลของแบรนด์ได้รับการฝึกฝนอย่างประสบความสำเร็จ อเมซอน EventBridge เรียกใช้ฟังก์ชันแลมบ์ดาที่ย้ายโมเดลที่ผ่านการฝึกอบรมไปยังบัคเก็ต S3 ของปลายทางที่ใช้งานจริง ซึ่งในที่สุดก็พร้อมสำหรับการอนุมาน ทางเลือกใหม่กว่าการใช้ Amazon EventBridge เพื่อย้ายโมเดลผ่านวงจรชีวิต MLOps ที่คุณควรพิจารณาคือ ท่อส่ง SageMaker.
โฮสต์แบบจำลองสำหรับการอนุมาน
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์การอนุมาน:
ในการใช้โมเดลที่ได้รับการฝึกอบรม SageMaker กำหนดให้ใช้โมเดลการอนุมานซึ่งโฮสต์โดยปลายทาง ปลายทางคือเซิร์ฟเวอร์หรืออาร์เรย์ของเซิร์ฟเวอร์ที่ใช้โฮสต์โมเดลการอนุมานจริงๆ เช่นเดียวกับคอนเทนเนอร์การฝึกที่เราสร้างขึ้น คอนเทนเนอร์ Docker สำหรับการอนุมานนั้นโฮสต์ใน Amazon ECR โมเดลการอนุมานใช้คอนเทนเนอร์ Docker นั้นและนำอิมเมจอินพุตที่ผู้ใช้ถ่ายด้วยโทรศัพท์ เรียกใช้ผ่านโมเดลการตรวจจับวัตถุที่ได้รับการฝึกอบรม และแสดงผลผลลัพธ์
อีกครั้ง Barcode Registry ใช้คอนเทนเนอร์ Docker แบบกำหนดเองสำหรับโมเดลการอนุมานเพื่อเปิดใช้งานการใช้ Multi Model Server แต่หากต้องการเพียงโมเดลเดียวเท่านั้นที่สามารถโฮสต์ได้อย่างง่ายดายผ่านอัลกอริธึมการตรวจจับวัตถุในตัว
สรุป
Barcode Registry (ร่วมกับพันธมิตร Buyabarcode.com) ใช้ AWS สำหรับไปป์ไลน์การตรวจจับวัตถุทั้งหมด เว็บเซิร์ฟเวอร์จัดเก็บข้อมูลใน Amazon S3 ได้อย่างน่าเชื่อถือและใช้ฟังก์ชัน API Gateway และ Lambda เพื่อเชื่อมต่อเว็บเซิร์ฟเวอร์กับคลาวด์ SageMaker พร้อมฝึกฝนและโฮสต์โมเดล ML ซึ่งหมายความว่าผู้ใช้สามารถถ่ายรูปผลิตภัณฑ์บนโทรศัพท์ของตนและดูว่าผลิตภัณฑ์นั้นเป็นของปลอมหรือไม่ โพสต์นี้แสดงวิธีการสร้างและโฮสต์โมเดลการตรวจจับวัตถุโดยใช้ SageMaker รวมถึงวิธีการทำให้กระบวนการเป็นอัตโนมัติ
ในการทดสอบ โมเดลสามารถบรรลุความแม่นยำมากกว่า 90% ในชุดการฝึก 62 ภาพและชุดทดสอบ 32 ภาพ ซึ่งค่อนข้างน่าประทับใจสำหรับโมเดลที่ได้รับการฝึกฝนโดยปราศจากการแทรกแซงของมนุษย์ เพื่อเริ่มต้นการฝึกอบรมแบบจำลองการตรวจจับวัตถุด้วยตัวคุณเองตรวจสอบอย่างเป็นทางการ เอกสาร หรือเรียนรู้วิธีการ ปรับใช้โมเดลการตรวจจับวัตถุไปยัง Edge โดยใช้ AWS IoT Greengrass.
เนื้อหาและความคิดเห็นในโพสต์นี้เป็นของผู้เขียนบุคคลที่สาม และ AWS ไม่รับผิดชอบต่อเนื้อหาหรือความถูกต้องของโพสต์นี้
เกี่ยวกับผู้เขียน
แอนดรูว์ มาเส็ก, Software Engineer ที่ The Barcode Registry
เอริค ควิสลิง, ซีอีโอของ The Barcode Registry
- คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
- คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/how-the-barcode-registry-detects-counterfeit-products-using-object-detection-and-amazon-sagemaker/
- "
- 000
- 10
- 100
- 7
- เกี่ยวกับเรา
- เข้า
- ลงชื่อเข้าใช้
- ขั้นตอนวิธี
- แม้ว่า
- อเมซอน
- API
- อัตโนมัติ
- AWS
- ชายแดน
- กล่อง
- แบรนด์
- การก่อสร้าง
- built-in
- ก่อให้เกิด
- ผู้บริหารสูงสุด
- เมฆ
- รหัส
- รวบรวม
- บริษัท
- องค์ประกอบ
- ปลอบใจ
- ภาชนะ
- ภาชนะบรรจุ
- เนื้อหา
- ควบคุม
- ปลอม
- การสร้าง
- ความผิดทางอาญา
- ประเพณี
- ลูกค้า
- ข้อมูล
- ฐานข้อมูล
- ปรับใช้
- การตรวจพบ
- พัฒนา
- ต่าง
- สนทนา
- นักเทียบท่า
- ลง
- หยุดทำงาน
- ยาเสพติด
- อย่างง่ายดาย
- ขอบ
- มีประสิทธิภาพ
- การเปิดใช้งาน
- ปลายทาง
- วิศวกร
- Enterprise
- เหตุการณ์
- ตัวอย่าง
- ในที่สุด
- ชื่อจริง
- ดังต่อไปนี้
- การหลอกลวง
- ฟังก์ชัน
- ไป
- สินค้า
- การเจริญเติบโต
- แขก
- โพสต์ของผู้เข้าพัก
- ช่วย
- จะช่วยให้
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- เป็นมนุษย์
- เอกลักษณ์
- ภาพ
- สำคัญ
- IOT
- IT
- การสัมภาษณ์
- คีย์
- ล่าสุด
- เปิดตัว
- เรียนรู้
- การเรียนรู้
- วันหยุด
- เครื่อง
- เรียนรู้เครื่อง
- การจัดการ
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- ย้าย
- การเดินเรือ
- สมุดบันทึก
- การเสนอ
- เป็นทางการ
- ความคิดเห็น
- ใบสั่ง
- อื่นๆ
- การเป็นเจ้าของ
- หุ้นส่วน
- ภาพ
- สวย
- การป้องกัน
- ส่วนตัว
- กระบวนการ
- ผลิตภัณฑ์
- ผลิตภัณฑ์
- แวว
- สาธารณะ
- อย่างรวดเร็ว
- รับรู้
- ตรงประเด็น
- กรุ
- ทรัพยากร
- รับผิดชอบ
- วิ่ง
- ขาย
- ที่ปรับขนาดได้
- SDK
- บริการ
- บริการ
- ชุด
- คล้ายคลึงกัน
- ง่าย
- ตะครุบ
- ซอฟต์แวร์
- วิศวกรซอฟต์แวร์
- ทางออก
- จุด
- เริ่มต้น
- ข้อความที่เริ่ม
- Status
- การเก็บรักษา
- ร้านค้า
- ประสบความสำเร็จ
- สนับสนุน
- เทคโนโลยี
- การทดสอบ
- โลก
- ของบุคคลที่สาม
- ตลอด
- เวลา
- เครื่องมือ
- ลู่
- แบบดั้งเดิม
- การฝึกอบรม
- รถไฟ
- เป็นเอกลักษณ์
- บันทึก
- ใช้
- การตรวจสอบ
- เสมือน
- รอ
- เว็บ
- เว็บเซิร์ฟเวอร์
- Website
- ไม่มี
- โลก
- ทั่วโลก
- ปี