Amazon SageMaker Canvas ile kodsuz makine öğrenimini kullanarak üretim kalitesi için bilgisayarla görme hatası tespitini demokratikleştirin | Amazon Web Hizmetleri

Kalitesizliğin maliyeti üreticiler için ilk akla gelendir. Kalite kusurları, hurda ve yeniden işleme maliyetlerini artırır, verimi düşürür ve müşterileri ve şirket itibarını etkileyebilir. Üretim hattındaki kalite denetimi, kalite standartlarını korumak için çok önemlidir. Birçok durumda, kaliteyi değerlendirmek ve insan denetçilerin sınırlamaları nedeniyle hattın verimini sınırlayabilen kusurları tespit etmek için insan görsel denetimi kullanılır.

Makine öğreniminin (ML) ve yapay zekanın (AI) ortaya çıkışı, bilgisayarla görme (CV) ML modellerini kullanan ek görsel inceleme yetenekleri getiriyor. CV tabanlı makine öğrenimi ile insan denetimini tamamlamak, algılama hatalarını azaltabilir, üretimi hızlandırabilir, kalite maliyetini azaltabilir ve müşterileri olumlu etkileyebilir. CV ML modelleri oluşturmak, genellikle üretim kuruluşlarında genellikle nadir kaynaklar olan veri bilimi ve kodlamada uzmanlık gerektirir. Artık kalite mühendisleri ve atölyedeki diğer kişiler, bu modellerin üretim operasyonlarında daha geniş çapta keşfedilmesini ve benimsenmesini hızlandırabilen kodsuz makine öğrenimi hizmetlerini kullanarak bu modelleri oluşturup değerlendirebilir.

Amazon SageMaker Tuval kalite, süreç ve üretim mühendislerinin herhangi bir makine öğrenimi deneyimi gerektirmeden veya tek bir kod satırı yazmak zorunda kalmadan kendi başlarına doğru makine öğrenimi tahminleri oluşturmalarını sağlayan görsel bir arabirimdir. Kendi görüntü veri kümelerinizi kullanarak yaygın üretim kusurlarını belirlemek için tek etiketli görüntü sınıflandırma modelleri oluşturmak için SageMaker Canvas'ı kullanabilirsiniz.

Bu gönderide, üretilen manyetik karolardaki kusurları görüntülerine göre belirlemek için tek etiketli bir görüntü sınıflandırma modeli oluşturmak üzere SageMaker Canvas'ı nasıl kullanacağınızı öğreneceksiniz.

Çözüme genel bakış

Bu gönderi, CV ML denetimini araştıran bir kalite mühendisinin bakış açısını varsayar ve kalite kontrolü için döşemelerdeki kusurları tahmin etmek amacıyla bir görüntü sınıflandırma ML modeli oluşturmak için manyetik döşeme görüntülerinin örnek verileriyle çalışacaksınız. Veri seti, hava deliği, kırılma, çatlak, yıpranma ve pürüzlü yüzey gibi kusurlara sahip 1,200'den fazla manyetik karo görüntüsü içerir. Aşağıdaki resimler, solda çatlak bir döşeme ve sağda hatasız bir döşeme ile tek etiketli kusur sınıflandırmasına bir örnek sağlar.

Gerçek dünyadan bir örnekte, üretim hattındaki bitmiş ürünlerden bu tür görüntüleri toplayabilirsiniz. Bu yazıda, belirli bir manyetik döşeme görüntüsü için kusurları tahmin edecek ve sınıflandıracak tek etiketli bir görüntü sınıflandırma modeli oluşturmak için SageMaker Canvas'ı kullanacaksınız.

SageMaker Canvas, görüntü verilerini yerel bir disk dosyasından alabilir veya Amazon Basit Depolama Hizmeti (Amazon S3). Bu gönderi için, bir S3 kovasında birden çok klasör oluşturuldu (hava deliği, kırılma veya çatlak gibi her kusur türü için bir tane) ve manyetik karo resimleri ilgili klasörlerine yüklendi. adlı klasör Free hatasız görüntüler içerir.

SageMaker Canvas kullanılarak makine öğrenimi modelinin oluşturulmasında yer alan dört adım vardır:

1. Görüntülerin veri kümesini içe aktarın.
2. Modeli oluşturun ve eğitin.
3. Doğruluk gibi model içgörülerini analiz edin.
4. Tahminlerde bulunun.

Önkoşullar

Başlamadan önce, SageMaker Canvas'ı kurmanız ve başlatmanız gerekir. Bu kurulum, bir BT yöneticisi tarafından gerçekleştirilir ve üç adımdan oluşur:

1. Bir Amazon Adaçayı Yapıcı etki.
2. Kullanıcıları ayarlayın.
3. SageMaker Canvas'ta belirli özellikleri kullanmak için izinleri ayarlayın.

Bakın Amazon SageMaker Canvas'ı kullanmaya başlama ve Amazon SageMaker Canvas'ı Kurma ve Yönetme (BT Yöneticileri için) kuruluşunuz için SageMaker Canvas'ı yapılandırmak için.

SageMaker Canvas kurulduğunda, kullanıcı SageMaker konsoluna gidebilir, Tuval gezinti bölmesinde ve seçin Açık Tuval SageMaker Canvas'ı başlatmak için.

SageMaker Canvas uygulaması yeni bir tarayıcı penceresinde başlatılır.

SageMaker Canvas uygulaması başlatıldıktan sonra ML modelini oluşturma adımlarına başlarsınız.

Veri kümesini içe aktar

Veri kümesini içe aktarmak, SageMaker Canvas ile bir ML modeli oluştururken ilk adımdır.

1. SageMaker Canvas uygulamasında, Veri Setleri Gezinti bölmesinde.
2. Üzerinde oluşturmak menü seç Resim.
   
3. İçin Veri kümesi adı, gibi bir ad girin Magnetic-Tiles-Dataset.
4. Klinik oluşturmak veri kümesini oluşturmak için.
   

Veri kümesi oluşturulduktan sonra, veri kümesindeki görüntüleri içe aktarmanız gerekir.

5. Üzerinde ithalat sayfasını seçin Amazon S3 (manyetik döşeme görüntüleri bir S3 bölmesindedir).

Görüntüleri yerel bilgisayarınızdan da yükleme seçeneğine sahipsiniz.

6. Manyetik döşeme görüntülerinin saklandığı S3 bölmesindeki klasörü seçin ve seçin Veri Alma.
   

SageMaker Canvas, görüntüleri veri kümesine aktarmaya başlar. İçe aktarma tamamlandığında, 1,266 resim ile oluşturulan resim veri setini görebilirsiniz.

Resimlerin ön izlemesi ve kusur türü için etiketleri gibi ayrıntıları kontrol etmek için veri kümesini seçebilirsiniz. Görüntüler klasörler halinde düzenlendiğinden ve her klasör kusur türüyle adlandırıldığından, SageMaker Canvas klasör adlarına göre görüntülerin etiketlenmesini otomatik olarak tamamladı. Alternatif olarak, etiketlenmemiş görüntüleri içe aktarabilir, etiketler ekleyebilir ve görüntüleri tek tek etiketleme işlemini daha sonra gerçekleştirebilirsiniz. Mevcut etiketli görüntülerin etiketlerini de değiştirebilirsiniz.

Görüntü içe aktarma işlemi tamamlandı ve artık SageMaker Canvas'ta oluşturulmuş bir görüntü veri kümeniz var. Manyetik döşemelerdeki kusurları tahmin etmek için bir makine öğrenimi modeli oluşturmak üzere bir sonraki adıma geçebilirsiniz.

Modeli oluşturun ve eğitin

Modeli, içe aktarılan veri kümesini kullanarak eğitirsiniz.

1. Veri kümesini seçin (Magnetic-tiles-Dataset) ve Seç Bir model oluşturun.
2. İçin Model adı, gibi bir ad girin Magnetic-Tiles-Defect-Model.
3. seç Görüntü analizi sorun türü için ve seçin oluşturmak model oluşturmayı yapılandırmak için.
   

model üzerinde İnşa etmek sekmesinde, etiket dağılımı, etiketli ve etiketsiz görüntülerin sayısı ve ayrıca bu durumda tek etiketli görüntü tahmini olan model türü gibi veri kümesiyle ilgili çeşitli ayrıntıları görebilirsiniz. Etiketlenmemiş görüntüleri içe aktardıysanız veya belirli görüntülerin etiketlerini değiştirmek veya düzeltmek istiyorsanız, Veri kümesini düzenle Etiketleri değiştirmek için.

Modeli iki şekilde oluşturabilirsiniz: Hızlı oluşturma ve Standart oluşturma. Hızlı oluşturma seçeneği, hıza doğruluktan daha fazla öncelik verir. Modeli 15–30 dakikada eğitir. Model tahmin için kullanılabilir ancak paylaşılamaz. Belirli bir veri kümesiyle bir modeli eğitmenin fizibilitesini ve doğruluğunu hızlı bir şekilde kontrol etmek için iyi bir seçenektir. Standart yapı, hız yerine doğruluğu seçer ve model eğitimi 2-4 saat sürebilir.

Bu gönderi için, Standart oluşturma seçeneğini kullanarak modeli eğitiyorsunuz.

4. Klinik Standart yapı üzerinde İnşa etmek modeli eğitmeye başlamak için sekmesini tıklayın.

Model eğitimi anında başlar. Beklenen derleme süresini ve eğitim ilerlemesini şu sayfada görebilirsiniz: Çözümlemek sekmesi.

Model eğitimi tamamlanana kadar bekleyin, ardından doğruluk için model performansını analiz edebilirsiniz.

Modeli analiz edin

Bu durumda, model eğitiminin tamamlanması bir saatten az sürdü. Model eğitimi tamamlandığında, model doğruluğunu şu adresten kontrol edebilirsiniz: Çözümlemek Modelin kusurları doğru bir şekilde tahmin edip edemeyeceğini belirlemek için sekme. Bu durumda genel model doğruluğunun %97.7 olduğunu görüyorsunuz. Ayrıca her bir etiket veya kusur türü için model doğruluğunu kontrol edebilirsiniz; örneğin, Yıpranma ve Düzensiz için %100, ancak için yaklaşık %95 Blowhole. Bu doğruluk düzeyi cesaret vericidir, dolayısıyla değerlendirmeye devam edebiliriz.

Modeli daha iyi anlamak ve ona güvenmek için etkinleştirin İlgi haritası modelin etiketleri ayırt etmek için kullandığı görüntüdeki ilgi alanlarını görmek için. Sınıf etkinleştirme haritası (CAM) tekniğini temel alır. Yanlış tahmin edilen görüntülerinizdeki kalıpları belirlemek için ısı haritasını kullanabilirsiniz; bu, modelinizin kalitesini artırmaya yardımcı olabilir.

Üzerinde Puanlama sekmesinde, her bir etiket (veya sınıf veya kusur türü) için kesinliği kontrol edebilir ve modeli geri çağırabilirsiniz. Kesinlik ve geri çağırma, ikili ve çok sınıflı bir sınıflandırma modelinin performansını ölçmek için kullanılan değerlendirme ölçütleridir. Kesinlik, modelin belirli bir sınıfı (bu örnekte hata türü) tahmin etmede ne kadar iyi olduğunu söyler. Geri çağırma, modelin belirli bir sınıfı kaç kez tespit edebildiğini söyler.

Model analizi, tahmin için kullanmadan önce modelin doğruluğunu anlamanıza yardımcı olur.

tahminlerde bulunun

Model analizinden sonra, artık manyetik karolardaki kusurları belirlemek için bu modeli kullanarak tahminlerde bulunabilirsiniz.

Üzerinde Tahmin sekme, seçebilirsiniz Tek tahmin ve Toplu tahmin. Tek bir tahminde, kusur hakkında bir tahminde bulunmak için yerel bilgisayarınızdan veya S3 klasörünüzden tek bir görüntüyü içe aktarırsınız. Toplu tahminde, bir SageMaker Canvas veri setinde saklanan birden fazla görüntü için tahmin yapabilirsiniz. Toplu tahmin için test veya çıkarım görüntüleri ile SageMaker Canvas'ta ayrı bir veri kümesi oluşturabilirsiniz. Bu gönderi için hem tek hem de toplu tahmin kullanıyoruz.

Tek tahmin için, Tahmin sekmesini seçin Tek tahmin, Daha sonra seçmek Resmi içe aktar yerel bilgisayarınızdan test veya çıkarım görüntüsünü yüklemek için.

Görüntü içe aktarıldıktan sonra, model kusur hakkında bir tahminde bulunur. İlk çıkarım için, model ilk kez yüklendiği için birkaç dakika sürebilir. Ancak model yüklendikten sonra görüntüler hakkında anlık tahminlerde bulunur. Her etiket türü için görüntüyü ve tahminin güven düzeyini görebilirsiniz. Örneğin, bu durumda, manyetik karo görüntüsünün pürüzlü bir yüzey hatasına sahip olduğu tahmin edilmektedir ( Uneven etiket) ve model bundan %94 emin.

Benzer şekilde, kusur hakkında tahminlerde bulunmak için diğer görüntüleri veya bir görüntü veri kümesini kullanabilirsiniz.

Toplu tahmin için, etiketlenmemiş görüntülerin veri kümesini kullanırız. Magnetic-Tiles-Test-Dataset yerel bilgisayarınızdan veri kümesine 12 test görüntüsü yükleyerek.

Üzerinde Tahmin sekmesini seçin Toplu tahmin Ve seç Veri kümesini seçin.

seçmek Magnetic-Tiles-Test-Dataset veri kümesi ve seçin Tahminler oluştur.

Tüm görüntüler için tahminler oluşturmak biraz zaman alacaktır. durum ne zaman Hazır, tahminleri görmek için veri kümesi bağlantısını seçin.

Güven seviyeleri ile tüm görüntüler için tahminler görebilirsiniz. Görüntü düzeyinde tahmin ayrıntılarını görmek için tek tek görüntülerden herhangi birini seçebilirsiniz.

Çevrimdışı çalışmak için tahmini CSV veya .zip dosya biçiminde indirebilirsiniz. Ayrıca tahmin edilen etiketleri doğrulayabilir ve bunları eğitim veri kümenize ekleyebilirsiniz. Tahmin edilen etiketleri doğrulamak için Tahmini doğrula.

Tahmin veri setinde, tahmin edilen etiketi doğru bulmazsanız tek tek görüntülerin etiketlerini güncelleyebilirsiniz. Etiketleri gerektiği gibi güncellediğinizde, Eğitilmiş veri kümesine ekle görüntüleri eğitim veri kümenizle birleştirmek için (bu örnekte, Magnetic-Tiles-Dataset).

Bu, hem mevcut eğitim görüntülerinizi hem de tahmin edilen etiketlere sahip yeni görüntüleri içeren eğitim veri kümesini günceller. Güncellenen veri kümesiyle yeni bir model sürümünü eğitebilir ve modelin performansını potansiyel olarak iyileştirebilirsiniz. Yeni model versiyonu artımlı bir eğitim değil, güncellenmiş veri seti ile sıfırdan yeni bir eğitim olacaktır. Bu, modelin yeni veri kaynaklarıyla güncel kalmasına yardımcı olur.

Temizlemek

SageMaker Canvas ile çalışmanızı tamamladıktan sonra, Çıkış Yap oturumu kapatmak ve daha fazla maliyetten kaçınmak için.

Oturumu kapattığınızda, veri kümeleri ve modeller gibi çalışmalarınız kayıtlı kalır ve daha sonra çalışmaya devam etmek için tekrar bir SageMaker Canvas oturumu başlatabilirsiniz.

SageMaker Canvas, tahminleri oluşturmak için eşzamansız bir SageMaker uç noktası oluşturur. SageMaker Canvas tarafından oluşturulan uç noktayı, uç nokta yapılandırmasını ve modeli silmek için bkz. Uç Noktaları ve Kaynakları Sil.

Sonuç

Bu gönderide, üretilen ürünlerdeki kusurları tahmin etmek, görsel inceleme kalite sürecini tamamlamak ve iyileştirmek için bir görüntü sınıflandırma modeli oluşturmak üzere SageMaker Canvas'ı nasıl kullanacağınızı öğrendiniz. Kestirimci bakım, paket denetimi, işçi güvenliği, mal takibi ve daha fazlası gibi kullanım durumlarına yönelik modeller oluşturmak için üretim ortamınızdaki farklı görüntü veri kümeleriyle SageMaker Canvas'ı kullanabilirsiniz. SageMaker Canvas, CV ML yeteneklerinin değerlendirilmesini ve benimsenmesini hızlandırarak, herhangi bir kod yazmaya gerek kalmadan tahminler oluşturmak için ML'yi kullanma yeteneği sağlar.

Başlamak ve SageMaker Canvas hakkında daha fazla bilgi edinmek için aşağıdaki kaynaklara bakın:

---

yazarlar hakkında

Brajendra Singh kurumsal müşterilerle çalışan Amazon Web Services çözüm mimarıdır. Güçlü bir geliştirici geçmişine sahiptir ve veri ve makine öğrenimi çözümlerine meraklıdır.

Danny Smith Otomotiv ve Üretim Endüstrileri için Makine Öğrenimi Stratejisti Müdürüdür ve müşteriler için stratejik danışman olarak hizmet vermektedir. Kariyerinin odak noktası, kilit karar vericilerin yönetim kurulu odasından atölyeye kadar daha iyi kararlar almaları için veri, teknoloji ve matematikten yararlanmasına yardımcı olmaktır. Son zamanlarda konuşmalarının çoğu, makine öğrenimini ve üretken yapay zekayı demokratikleştirme üzerinedir.

Davide Gallitelli EMEA bölgesinde AI/ML için Uzman Çözüm Mimarıdır. Merkezi Brüksel'dedir ve Benelüks genelindeki müşterilerle yakın işbirliği içinde çalışmaktadır. Çok küçük yaşlardan beri geliştiricidir, 7 yaşında kodlamaya başlar. Üniversitede AI/ML öğrenmeye başladı ve o zamandan beri ona aşık oldu.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/democratize-computer-vision-defect-detection-for-manufacturing-quality-using-no-code-machine-learning-with-amazon-sagemaker-canvas/