یہ ایک مہمان پوسٹ ہے جسے بار کوڈ رجسٹری کے سافٹ ویئر انجینئر اینڈریو ماسک اور بار کوڈ رجسٹری کے سی ای او ایرک کوئسلنگ نے لکھا ہے۔
مصنوعات کی جعل سازی دنیا کا واحد سب سے بڑا مجرمانہ ادارہ ہے۔ گزشتہ دو دہائیوں میں 10,000% سے زیادہ بڑھتے ہوئے، جعلی اشیا کی فروخت اب پوری دنیا میں $1.7 ٹریلین سالانہ ہے، جو کہ منشیات اور انسانی اسمگلنگ سے زیادہ ہے۔ اگرچہ جعلی روک تھام کے روایتی طریقے جیسے منفرد بارکوڈز اور پروڈکٹ کی تصدیق بہت موثر ہو سکتی ہے، لیکن نئی مشین لرننگ (ML) ٹیکنالوجیز جیسے آبجیکٹ کا پتہ لگانا بہت امید افزا معلوم ہوتا ہے۔ آبجیکٹ کا پتہ لگانے کے ساتھ، آپ اب کسی پروڈکٹ کی تصویر کھینچ سکتے ہیں اور تقریباً فوری طور پر جان سکتے ہیں کہ آیا اس پروڈکٹ کے جائز یا دھوکہ دہی کا امکان ہے۔
۔ بارکوڈ رجسٹری (اس کے ساتھی کے ساتھ مل کر Buyabarcode.com) ایک مکمل سروس حل ہے جو صارفین کو مصنوعات کی دھوکہ دہی اور جعل سازی کو روکنے میں مدد کرتا ہے۔ یہ منفرد GS1-رجسٹرڈ بارکوڈز فروخت کرکے، پروڈکٹ کی ملکیت کی تصدیق کرکے، اور صارفین کی مصنوعات اور بارکوڈز کو ایک جامع ڈیٹا بیس میں رجسٹر کرکے ایسا کرتا ہے۔ ان کی تازہ ترین پیشکش، جس پر ہم اس پوسٹ میں بحث کرتے ہیں، استعمال کرتے ہیں۔ ایمیزون سیج میکر جعلی مصنوعات کو فوری طور پر پہچاننے میں مدد کے لیے آبجیکٹ کا پتہ لگانے کے ماڈلز بنانے کے لیے۔
حل کا جائزہ
آبجیکٹ کا پتہ لگانے کے ان ماڈلز کو استعمال کرنے کے لیے، آپ کو پہلے ان کی تربیت کے لیے ڈیٹا اکٹھا کرنا ہوگا۔ کمپنیاں بار کوڈ رجسٹری پر اپنی مصنوعات کی تشریح شدہ تصاویر اپ لوڈ کرتی ہیں۔ ویب سائٹ. اس ڈیٹا کو اپ لوڈ کرنے کے بعد ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) اور اس کی طرف سے عملدرآمد او ڈبلیو ایس لامبڈا۔ فنکشنز، آپ اسے سیج میکر آبجیکٹ کا پتہ لگانے والے ماڈل کو تربیت دینے کے لیے استعمال کر سکتے ہیں۔ اس ماڈل کی میزبانی SageMaker اینڈ پوائنٹ پر کی گئی ہے، جہاں ویب سائٹ اسے اختتامی صارف سے جوڑتی ہے۔
بار کوڈ رجسٹری بنانے کے لیے تین اہم اقدامات ہیں جو SageMaker کے ساتھ اپنی مرضی کے مطابق آبجیکٹ کا پتہ لگانے کا ماڈل بنانے کے لیے استعمال کرتا ہے:
- سیج میکر کو چلانے کے لیے ایک ٹریننگ اسکرپٹ بنائیں۔
- ٹریننگ اسکرپٹ سے ایک ڈوکر کنٹینر بنائیں اور اسے Amazon ECR پر اپ لوڈ کریں۔
- کسٹم الگورتھم کے ساتھ ماڈل کو تربیت دینے کے لیے SageMaker کنسول کا استعمال کریں۔
مصنوعات کے اعداد و شمار
کسی آبجیکٹ کا پتہ لگانے والے ماڈل کو تربیت دینے کے لیے ایک شرط کے طور پر آپ کو AWS اکاؤنٹ اور تربیتی تصاویر کی ضرورت ہوگی، جس میں آپ کے آبجیکٹ کی کم از کم 100 اعلیٰ کوالٹی (اعلی ریزولیوشن اور متعدد لائٹنگ کنڈیشنز میں) تصاویر ہوں گی۔ کسی بھی ML ماڈل کی طرح، اعلیٰ معیار کا ڈیٹا سب سے اہم ہے۔ آبجیکٹ کا پتہ لگانے والے ماڈل کو تربیت دینے کے لیے، ہمیں متعلقہ پروڈکٹس پر مشتمل تصاویر کے ساتھ ساتھ باؤنڈنگ باکسز کی ضرورت ہوتی ہے جو یہ بیان کرتے ہوں کہ تصویروں میں مصنوعات کہاں ہیں، جیسا کہ درج ذیل مثال میں دکھایا گیا ہے۔
ایک موثر ماڈل کو تربیت دینے کے لیے، مختلف پس منظر اور روشنی کے حالات کے ساتھ ہر ایک برانڈ کی مصنوعات کی تصاویر کی ضرورت ہوتی ہے—ہر پروڈکٹ کے لیے تقریباً 30-100 منفرد تشریحی تصاویر۔
ویب سرور پر تصاویر اپ لوڈ ہونے کے بعد، انہیں ایمیزون S3 پر اپ لوڈ کیا جاتا ہے۔ PHP کے لیے AWS SDK. ہر بار جب کوئی تصویر اپ لوڈ ہوتی ہے تو لیمبڈا ایونٹ کو متحرک کیا جاتا ہے۔ یہ فنکشن تصاویر سے Exif میٹا ڈیٹا کو ہٹاتا ہے، جس کی وجہ سے بعض اوقات وہ گھمائے ہوئے دکھائی دے سکتے ہیں جب وہ بعد میں ماڈل کو تربیت دینے کے لیے استعمال ہونے والی ML لائبریریوں کے ذریعے کھولی جاتی ہیں۔ متعلقہ باؤنڈنگ باکس ڈیٹا JSON فائلوں میں محفوظ کیا جاتا ہے اور امیزون S3 پر اپ لوڈ کیا جاتا ہے تاکہ امیجز کے ساتھ مل سکے۔
آبجیکٹ کا پتہ لگانے والے ماڈلز کے لئے سیج میکر
SageMaker ایک منظم ML سروس ہے جس میں کلاؤڈ میں ماڈلز کی تعمیر، تربیت اور میزبانی کے لیے متعدد ٹولز شامل ہیں۔ خاص طور پر، TheBarcodeRegistry SageMaker کی قابل اعتماد اور قابل توسیع ML ماڈل ٹریننگ اور ہوسٹنگ خدمات کی وجہ سے اپنی آبجیکٹ کا پتہ لگانے کی خدمت کے لیے SageMaker استعمال کرتی ہے۔ اس کا مطلب یہ ہے کہ بہت سے برانڈز کے پاس اپنے آبجیکٹ کا پتہ لگانے والے ماڈلز تربیت یافتہ اور ہوسٹ ہو سکتے ہیں اور یہاں تک کہ اگر استعمال غیر متوقع طور پر بڑھتا ہے، تب بھی کوئی ٹائم ٹائم نہیں ہوگا۔
بارکوڈ رجسٹری اپ لوڈ کردہ حسب ضرورت ڈوکر کنٹینرز استعمال کرتی ہے۔ ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر) تربیت اور تخمینہ کے ساتھ ساتھ معاونت کے لیے استعمال کیے گئے آبجیکٹ کا پتہ لگانے والے الگورتھم پر زیادہ باریک کنٹرول حاصل کرنے کے لیے ملٹی ماڈل سرور (ایم ایم ایس)۔ جعلی شناخت کے استعمال کے کیس کے لیے MMS بہت اہم ہے کیونکہ یہ ایک سے زیادہ برانڈ کے ماڈلز کو ایک ہی سرور پر لاگت سے مؤثر طریقے سے ہوسٹ کرنے کی اجازت دیتا ہے۔ متبادل طور پر، آپ بلٹ ان استعمال کر سکتے ہیں۔ آبجیکٹ کا پتہ لگانے کا الگورتھم AWS کے تیار کردہ معیاری ماڈلز کو تیزی سے تعینات کرنے کے لیے۔
سیج میکر کے ساتھ اپنی مرضی کے مطابق آبجیکٹ کا پتہ لگانے والے ماڈل کو تربیت دیں۔
سب سے پہلے، آپ کو اپنے آبجیکٹ کا پتہ لگانے کا الگورتھم شامل کرنے کی ضرورت ہے۔ اس صورت میں، یولوو5 آبجیکٹ کا پتہ لگانے والے ماڈل کو Amazon ECR پر تربیت دینے کے لیے اسکرپٹس پر مشتمل ایک Docker کنٹینر اپ لوڈ کریں:
- سیج میکر کنسول پر، نیچے نوٹ بک نیویگیشن پین میں، منتخب کریں۔ نوٹ بک کی مثالیں۔.
- میں سے انتخاب کریں نوٹ بک مثال بنائیں۔
- نوٹ بک مثال اور نیچے کے لیے ایک نام درج کریں۔ اجازتیں اور خفیہ کاری ایک کا انتخاب AWS شناخت اور رسائی کا انتظام (IAM) کا کردار ضروری اجازتوں کے ساتھ۔
- کھولو گٹ ریپوزٹریز مینو.
- منتخب کریں صرف اس نوٹ بک مثال کے لیے عوامی Git ذخیرہ کو کلون کریں۔ اور درج ذیل کو پیسٹ کریں۔ گٹ ریپوزٹری URL: https://github.com/portoaj/SageMakerObjectDetection
- کلک کریں نوٹ بک مثال بنائیں اور مثال کے اسٹیٹس کے اپ ڈیٹ ہونے کے لیے تقریباً پانچ منٹ انتظار کریں۔ زیر غور کرنے کے لئے سروس میں میں نوٹ بک کی مثال مینو.
- ایک بار نوٹ بک ہے سروس میں، اسے منتخب کریں اور کلک کریں۔ عوامل اور Jupyter کھولیں۔ نوٹ بک مثال کو ایک نئے ٹیب میں شروع کرنے کے لیے۔
- منتخب کریں سیج میکر آبجیکٹ ڈیٹیکشن ڈائریکٹری اور پھر کلک کریں۔
sagemakerobjectdetection.ipynb
Jupyter نوٹ بک لانچ کرنے کے لیے۔ - منتخب کریں
conda_python3
کرنل اور کلک کریں۔ دانا سیٹ کریں۔. - کوڈ سیل کو منتخب کریں اور سیٹ کریں۔
aws_account_id
آپ کے AWS اکاؤنٹ ID میں متغیر۔ - کلک کریں رن ڈوکر کنٹینر بنانے اور اسے ایمیزون ای سی آر پر اپ لوڈ کرنے کا عمل شروع کرنے کے لیے۔ اس عمل کو مکمل ہونے میں تقریباً 20 منٹ لگ سکتے ہیں۔
- ایک بار جب ڈوکر کنٹینر اپ لوڈ ہو جائے تو، پر واپس جائیں۔ نوٹ بک کی مثالیں۔ مینو، اپنی مثال منتخب کریں، اور کلک کریں۔ عوامل اور بند کرو اپنی نوٹ بک مثال کو بند کرنے کے لیے۔
الگورتھم کو بنانے اور ایمیزون ای سی آر پر دھکیلنے کے بعد، آپ اسے SageMaker کنسول کے ذریعے ماڈل کو تربیت دینے کے لیے استعمال کر سکتے ہیں۔
- سیج میکر کنسول پر، نیچے ٹریننگ نیویگیشن پین میں، منتخب کریں۔ تربیتی نوکریاں.
- میں سے انتخاب کریں تربیتی کام بنائیں.
- کام کے لیے ایک نام درج کریں اور منتخب کریں۔ AWS شناخت اور رسائی کا انتظام (IAM) کا کردار ضروری اجازتوں کے ساتھ۔
- کے لئے الگورتھم کا ذریعہمنتخب ECR میں آپ کا اپنا الگورتھم کنٹینر.
- کے لئے کنٹینر، رجسٹری کا راستہ داخل کریں۔
- وسائل کی ترتیب کے تحت ایک ml.p2.xlarge مثال قائم کرنا Yolov5 ماڈل کی تربیت کے لیے کافی ہونا چاہیے۔
- اپنے ان پٹ ڈیٹا اور آؤٹ پٹ پاتھ دونوں کے لیے Amazon S3 مقامات کی وضاحت کریں اور کسی بھی دوسری سیٹنگ جیسے کہ VPC کے ذریعے ترتیب دینا ایمیزون ورچوئل پرائیویٹ کلاؤڈ (ایمیزون وی پی سی) یا منظم سپاٹ ٹریننگ کو فعال کرنا۔
- میں سے انتخاب کریں تربیتی کام بنائیں.
آپ SageMaker کنسول پر ماڈل کی تربیتی پیشرفت کو ٹریک کر سکتے ہیں۔
خودکار ماڈل ٹریننگ
مندرجہ ذیل خاکہ خودکار ماڈل ٹریننگ ورک فلو کی وضاحت کرتا ہے:
سیج میکر کو آبجیکٹ کا پتہ لگانے والے ماڈل کی تربیت شروع کرنے کے لیے جیسے ہی کوئی صارف اپنا ڈیٹا اپ لوڈ کرنا مکمل کرتا ہے، ویب سرور استعمال کرتا ہے۔ ایمیزون API گیٹ وے لیمبڈا فنکشن کو مطلع کرنے کے لیے کہ برانڈ ختم ہو گیا ہے اور تربیتی کام شروع کرنا ہے۔
جب کسی برانڈ کے ماڈل کو کامیابی سے تربیت دی جاتی ہے، ایمیزون ایونٹ برج ایک Lambda فنکشن کو کال کرتا ہے جو تربیت یافتہ ماڈل کو لائیو اینڈ پوائنٹ کی S3 بالٹی میں لے جاتا ہے، جہاں یہ آخر کار اندازہ لگانے کے لیے تیار ہے۔ MLOps لائف سائیکل کے ذریعے ماڈلز کو منتقل کرنے کے لیے Amazon EventBridge استعمال کرنے کا ایک نیا متبادل جس پر آپ کو غور کرنا چاہیے۔ سیج میکر پائپ لائنز.
اندازہ لگانے کے لیے ماڈل کی میزبانی کریں۔
مندرجہ ذیل خاکہ انفرنس ورک فلو کی وضاحت کرتا ہے:
تربیت یافتہ ماڈلز کو استعمال کرنے کے لیے، SageMaker کو ایک انفرنس ماڈل کی ضرورت ہوتی ہے جس کی میزبانی اینڈ پوائنٹ کے ذریعے کی جائے۔ اختتامی نقطہ سرور یا سرورز کی صف ہے جو حقیقت میں انفرنس ماڈل کی میزبانی کے لیے استعمال ہوتے ہیں۔ تربیتی کنٹینر کی طرح جو ہم نے بنایا ہے، Amazon ECR میں اندازہ لگانے کے لیے ایک Docker کنٹینر کی میزبانی کی گئی ہے۔ انفرنس ماڈل اس ڈوکر کنٹینر کا استعمال کرتا ہے اور صارف نے اپنے فون سے لی گئی ان پٹ امیج لیتا ہے، اسے تربیت یافتہ آبجیکٹ کا پتہ لگانے والے ماڈل کے ذریعے چلاتا ہے، اور نتیجہ نکالتا ہے۔
ایک بار پھر، بارکوڈ رجسٹری ملٹی ماڈل سرور کے استعمال کو قابل بنانے کے لیے انفرنس ماڈل کے لیے حسب ضرورت ڈوکر کنٹینرز کا استعمال کرتی ہے، لیکن اگر صرف ایک ماڈل کی ضرورت ہو جسے بلٹ ان آبجیکٹ ڈیٹیکشن الگورتھم کے ذریعے آسانی سے ہوسٹ کیا جا سکتا ہے۔
نتیجہ
بارکوڈ رجسٹری (اپنے پارٹنر Buyabarcode.com کے ساتھ مل کر) اپنی پوری آبجیکٹ کا پتہ لگانے والی پائپ لائن کے لیے AWS استعمال کرتی ہے۔ ویب سرور ایمیزون S3 میں ڈیٹا کو قابل اعتماد طریقے سے اسٹور کرتا ہے اور ویب سرور کو کلاؤڈ سے مربوط کرنے کے لیے API گیٹ وے اور لیمبڈا فنکشنز کا استعمال کرتا ہے۔ SageMaker آسانی سے ML ماڈلز کی تربیت اور میزبانی کرتا ہے، جس کا مطلب ہے کہ صارف اپنے فون پر کسی پروڈکٹ کی تصویر لے سکتا ہے اور دیکھ سکتا ہے کہ آیا پروڈکٹ جعلی ہے۔ یہ پوسٹ دکھاتی ہے کہ سیج میکر کا استعمال کرتے ہوئے آبجیکٹ کا پتہ لگانے کا ماڈل کیسے بنایا جائے اور اس کی میزبانی کیسے کی جائے، ساتھ ہی اس عمل کو خودکار کیسے بنایا جائے۔
ٹیسٹنگ میں، ماڈل 90 امیجز کے تربیتی سیٹ اور 62 امیجز کے ٹیسٹنگ سیٹ پر 32% سے زیادہ درستگی حاصل کرنے میں کامیاب رہا، جو بغیر کسی انسانی مداخلت کے تربیت یافتہ ماڈل کے لیے کافی متاثر کن ہے۔ آبجیکٹ کا پتہ لگانے کے ماڈل کی تربیت شروع کرنے کے لیے خود اہلکار کو چیک کریں۔ دستاویزات یا سیکھیں AWS IoT Greengrass کا استعمال کرتے ہوئے ایک آبجیکٹ کا پتہ لگانے والے ماڈل کو کنارے پر تعینات کریں۔.
اس پوسٹ میں مواد اور آراء تیسرے فریق کے مصنف کی ہیں اور AWS اس پوسٹ کے مواد یا درستگی کے لیے ذمہ دار نہیں ہے۔
مصنفین کے بارے میں
اینڈریو ماسکبار کوڈ رجسٹری میں سافٹ ویئر انجینئر۔
ایرک کوئسلنگبار کوڈ رجسٹری کے سی ای او۔
- سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
- پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
- کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
- ماخذ: https://aws.amazon.com/blogs/machine-learning/how-the-barcode-registry-detects-counterfeit-products-using-object-detection-and-amazon-sagemaker/
- "
- 000
- 10
- 100
- 7
- ہمارے بارے میں
- تک رسائی حاصل
- اکاؤنٹ
- یلگورتم
- اگرچہ
- ایمیزون
- اے پی آئی
- آٹومیٹڈ
- AWS
- سرحد
- باکس
- برانڈز
- عمارت
- تعمیر میں
- کیونکہ
- سی ای او
- بادل
- کوڈ
- جمع
- کمپنیاں
- ترتیب
- کنسول
- کنٹینر
- کنٹینر
- مواد
- کنٹرول
- جعلی
- تخلیق
- فوجداری
- اپنی مرضی کے
- گاہکوں
- اعداد و شمار
- ڈیٹا بیس
- تعیناتی
- کھوج
- ترقی یافتہ
- مختلف
- بات چیت
- میں Docker
- نیچے
- ٹائم ٹائم
- منشیات
- آسانی سے
- ایج
- موثر
- کو فعال کرنا
- اختتام پوائنٹ
- انجینئر
- انٹرپرائز
- واقعہ
- مثال کے طور پر
- آخر
- پہلا
- کے بعد
- دھوکہ دہی
- تقریب
- جاؤ
- سامان
- بڑھتے ہوئے
- مہمان
- مہمان پوسٹ
- مدد
- مدد کرتا ہے
- کس طرح
- کیسے
- HTTPS
- انسانی
- شناختی
- تصویر
- اہم
- IOT
- IT
- ایوب
- کلیدی
- تازہ ترین
- شروع
- جانیں
- سیکھنے
- مقامات
- مشین
- مشین لرننگ
- میں کامیاب
- ML
- ماڈل
- ماڈل
- زیادہ
- منتقل
- سمت شناسی
- نوٹ بک
- کی پیشکش
- سرکاری
- رائے
- حکم
- دیگر
- ملکیت
- پارٹنر
- تصویر
- خوبصورت
- روک تھام
- نجی
- عمل
- مصنوعات
- حاصل
- وعدہ
- عوامی
- جلدی سے
- تسلیم
- متعلقہ
- ذخیرہ
- وسائل
- ذمہ دار
- رن
- فروخت
- توسیع پذیر
- sdk
- سروس
- سروسز
- مقرر
- اسی طرح
- سادہ
- سنیپ
- سافٹ ویئر کی
- سافٹ ویئر انجنیئر
- حل
- کمرشل
- شروع کریں
- شروع
- درجہ
- ذخیرہ
- پردہ
- کامیابی کے ساتھ
- حمایت
- ٹیکنالوجی
- ٹیسٹنگ
- دنیا
- تیسری پارٹی
- کے ذریعے
- وقت
- اوزار
- ٹریک
- روایتی
- ٹریننگ
- ٹرینوں
- منفرد
- اپ ڈیٹ کریں
- استعمال کی شرائط
- توثیق
- مجازی
- انتظار
- ویب
- ویب سرور
- ویب سائٹ
- بغیر
- دنیا
- دنیا بھر
- سال