עם למידת מכונה (ML), טכנולוגיות חזקות יותר הפכו לזמינות שיכולות להפוך את המשימה של זיהוי חריגות חזותיות במוצר לאוטומטי. עם זאת, הטמעת פתרונות ML כאלה גוזלת זמן ויקרה מכיוון שהיא כרוכה בניהול והקמת תשתית מורכבת ובעל כישורי ML הנכונים. יתר על כן, יישומי ML זקוקים לפיקוח אנושי כדי להבטיח דיוק בזיהוי חריגות, לעזור לספק שיפורים מתמשכים ולהכשיר מחדש מודלים עם תחזיות מעודכנות. עם זאת, לעתים קרובות אתה נאלץ לבחור בין מערכת ML בלבד או מערכת לאדם בלבד. חברות מחפשות את הטוב משני העולמות, תוך שילוב מערכות ML בזרימת העבודה שלך תוך שמירה על עין אנושית על התוצאות כדי להשיג דיוק גבוה יותר.
בפוסט זה, אנו מראים כיצד ניתן להגדיר בקלות Amazon Lookout For Vision כדי לאמן מודל זיהוי חריגות חזותי באמצעות מערך נתונים של לוח מעגלים מודפס, השתמש בזרימת עבודה אנושית בלולאה כדי לסקור את התחזיות באמצעות אמזון AI מוגדל (Amazon A2I), הגדל את מערך הנתונים כדי לשלב קלט אנושי, ואימון מחדש של המודל.
סקירת פתרונות
Lookout for Vision הוא שירות ML המסייע לאתר פגמים במוצר באמצעות ראייה ממוחשבת כדי להפוך את תהליך בדיקת האיכות לקווי הייצור שלך לאוטומטיות, ללא צורך במומחיות ML. אתה יכול להתחיל עם 30 תמונות מוצר בודדות (20 רגילות, 10 חריגות) כדי לאמן את דגם ה-ML הייחודי שלך. Lookout for Vision משתמש במודל ה-ML הייחודי שלך כדי לנתח את תמונות המוצר שלך בזמן כמעט אמת ולזהות פגמים במוצר, מה שמאפשר לצוות המפעל שלך לאבחן ולנקוט פעולות מתקנות.
Amazon A2I הוא שירות ML שמקל על בניית זרימות העבודה הנדרשות לסקירה אנושית. Amazon A2I מביאה סקירה אנושית לכל המפתחים, מסירה את ההרמה הכבדה הבלתי מובחנת הקשורה לבניית מערכות ביקורת אנושיות או ניהול מספר רב של סוקרים אנושיים, בין אם פועלים ב-AWS ובין אם לא.
כדי להתחיל עם Lookout for Vision, אנו יוצרים פרויקט, יוצרים מערך נתונים, מאמנים מודל ומפעילים הסקה על תמונות בדיקה. לאחר שעברנו את השלבים הללו, אנו מראים לך כיצד תוכל להגדיר במהירות תהליך סקירה אנושי באמצעות Amazon A2I ולאמן מחדש את המודל שלך עם מערכי נתונים מוגדלים או שנבדקו אנושיים. אנו מספקים גם מלווה מחברת צדק.
סקירה כללית של אדריכלות
התרשים הבא ממחיש את ארכיטקטורת הפתרונות.
לפתרון יש את זרימת העבודה הבאה:
- העלה נתונים מהמקור אל שירות אחסון פשוט של אמזון (אמזון S3).
- הפעל את Lookout for Vision כדי לעבד נתונים מנתיב Amazon S3.
- אחסן תוצאות מסקנות באמזון S3 לסקירה במורד הזרם.
- השתמש ב- Lookout for Vision כדי לקבוע אם תמונת קלט פגומה ולאמת שרמת הביטחון היא מעל 70%. אם מתחת ל-70%, אנו מתחילים לולאה אנושית עבור עובד כדי לקבוע ידנית אם התמונה פגומה.
- כוח עבודה פרטי חוקר ומאמת את הנזקים שזוהו ומספק משוב.
- עדכן את נתוני האימון עם משוב מתאים להכשרה מחדש של המודל הבא.
- חזור על מחזור ההכשרה מחדש להכשרה מתמשכת של הדגם.
תנאים מוקדמים
לפני שתתחיל, השלם את השלבים הבאים כדי להגדיר את המחברת Jupyter:
- צור מופע מחברת in אמזון SageMaker.
- כאשר המחברת פעילה, בחר פתח את צדק.
- בלוח המחוונים של Jupyter, בחר חדש, ולבחור מסוף.
- בטרמינל, הזן את הקוד הבא:
- פתח את המחברת לפוסט הזה:
Amazon-Lookout-for-Vision-and-Amazon-A2I-Integration.ipynb
.
כעת אתה מוכן להפעיל את תאי המחברת.
- הפעל את שלב סביבת ההגדרה כדי להגדיר את ה-SDKs והמשתנים הדרושים של Python:
בשלב הראשון, עליך להגדיר את הדברים הבאים:
- באזור - האזור שבו ממוקם הפרויקט שלך
- שם הפרוייקט – השם של פרויקט Lookout for Vision שלך
- דלי - שם הדלי של Amazon S3 שבו אנו מפלטים את תוצאות הדגם
- model_version - גרסת הדגם שלך (הגדרת ברירת המחדל היא 1)
- צור את דלי S3 לאחסון תמונות:
- צור קובץ מניפסט ממערך הנתונים על ידי הפעלת התא במקטע צור קובץ מניפסט ממערך הנתונים במחברת.
Lookout for Vision משתמש בקובץ המניפסט הזה כדי לקבוע את מיקום הקבצים, כמו גם את התוויות המשויכות לקבצים.
העלה תמונות מעגלים לאמזון S3
כדי לאמן מודל Lookout for Vision, עלינו להעתיק את מערך הנתונים לדוגמה מהמחברת המקומית שלנו Jupyter אל Amazon S3:
צור פרויקט Lookout for Vision
יש לך כמה אפשרויות כיצד ליצור את פרויקט Lookout for Vision שלך: קונסולת Lookout for Vision, ממשק שורת הפקודה של AWS (AWS CLI), או ה-Boto3 SDK. בחרנו ב-Boto3 SDK בדוגמה זו, אך ממליצים בחום לבדוק גם את שיטת הקונסולה.
הצעדים שאנו נוקטים עם ה-SDK הם:
- צור פרויקט (השם הוגדר בהתחלה) ותגיד לפרויקט שלך היכן למצוא את מערך ההדרכה שלך. זה נעשה באמצעות קובץ המניפסט להדרכה.
- ספר לפרויקט שלך היכן למצוא את מערך הנתונים לבדיקה שלך. זה נעשה באמצעות קובץ המניפסט לבדיקה.
שלב שני זה הוא אופציונלי. באופן כללי, כל הקוד הקשור לבדיקה הוא אופציונלי; Lookout for Vision עובד גם רק עם מערך אימון. אנו משתמשים בשניהם מכיוון שאימון ובדיקה הם תרגול נפוץ (הטוב ביותר) בעת אימון מודלים של AI ו-ML.
צור קובץ מניפסט ממערך הנתונים
Lookout for Vision משתמש בקובץ המניפסט הזה כדי לקבוע את מיקום הקבצים, כמו גם את התוויות המשויכות לקבצים. ראה את הקוד הבא:
צור פרויקט Lookout for Vision
הפקודה הבאה יוצרת פרויקט Lookout for Vision:
צור והכשיר מודל
בחלק זה, אנו עוברים על השלבים של יצירת מערכי ההדרכה והבדיקה, אימון המודל ואירוח המודל.
צור את מערכי ההדרכה והבדיקה מתמונות באמזון S3
לאחר יצירת פרויקט Lookout for Vision, אנו יוצרים את מערך הנתונים של הפרויקט על ידי שימוש בתמונות לדוגמה שהעלינו לאמזון S3 יחד עם קבצי המניפסט. ראה את הקוד הבא:
הרכבת הדגם
לאחר שניצור את פרויקט Lookout for Vision ואת מערכי הנתונים, נוכל לאמן את המודל הראשון שלנו:
בסיום ההדרכה, נוכל לראות מדדי מודל זמינים:
אתה אמור לראות פלט דומה לזה הבא.
מדדים | מספר סימוכין ארן | מצב הערות נוספות | ביצוע | ביצועי מודל |
ציון F1 | 1 | מְאוּמָן | האימון הושלם בהצלחה. | 0.93023 |
דיוק | 1 | מְאוּמָן | האימון הושלם בהצלחה. | 0.86957 |
להיזכר | 1 | מְאוּמָן | האימון הושלם בהצלחה. | 1 |
מארח את הדגם
לפני שנוכל להשתמש במודל Lookout for Vision שהוכשר לאחרונה, עלינו לארח אותו:
הגדר את Amazon A2I כדי לסקור תחזיות מ- Lookout for Vision
בסעיף זה, אתה מגדיר לולאת סקירה אנושית באמזון A2I כדי לסקור מסקנות שנמצאות מתחת לסף הביטחון. תחילה עליך ליצור כוח עבודה פרטי וליצור ממשק משתמש למשימות אנושיות.
צור כוח עבודה
אתה צריך ליצור כוח עבודה דרך קונסולת SageMaker. שימו לב ל ARN של כוח העבודה והזן את הערך שלו בתא המחברת:
צילום המסך הבא מציג את הפרטים של צוות פרטי בשם lfv-a2i
וה-ARN המקביל שלו.
צור ממשק משתמש למשימות אנושיות
כעת אתה יוצר משאב ממשק משתמש למשימות אנושי: תבנית ממשק משתמש ב-HTML נוזלי. דף HTML זה מוצג לעובדים האנושיים בכל פעם שנדרשת לולאה אנושית. עבור למעלה מ-70 ממשקי משתמש מובנים מראש, ראה את amazon-a2i-sample-task-uis ריפו GitHub.
בצע את השלבים המופיעים בסעיף המחברת צור ממשק משתמש למשימות אנושיות כדי ליצור את טופס האינטרנט, לאתחל ממשקי API של Amazon A2I ולבדוק פלט:
צור זרימת עבודה של משימה אנושית
הגדרות זרימת עבודה מאפשרות לך לציין את הדברים הבאים:
- תבנית העובד או ממשק המשתמש של המשימות האנושיות שיצרת בשלב הקודם.
- כוח העבודה שאליו נשלחות המשימות שלך. עבור פוסט זה, זה כוח העבודה הפרטי שיצרת בשלבים המוקדמים.
- ההנחיות שכוח העבודה שלך מקבל.
פוסט זה משתמש ב- Create Flow Definition
API ליצירת הגדרת זרימת עבודה. התוצאות של סקירה אנושית מאוחסנות בדלי של אמזון S3, שאליו ניתן לגשת באמצעות אפליקציית הלקוח. הפעל את התא צור זרימת עבודה של משימה אנושית במחברת ובדוק את הפלט:
בצע תחזיות והתחל לולאה אנושית המבוססת על סף רמת הביטחון
בסעיף זה, אנו עוברים בלולאה דרך מערך תמונות חדשות ומשתמשים ב- Lookout for Vision SDK כדי לקבוע אם תמונות הקלט שלנו פגומות או לא, ואם הן מעל או מתחת לסף מוגדר. עבור פוסט זה, הגדרנו את רמת האמון בסף על 70. אם התוצאה שלנו היא מתחת ל-.70, אנו מתחילים לולאה אנושית עבור עובד כדי לקבוע ידנית אם התמונה שלנו תקינה או חריגה. ראה את הקוד הבא:
אתה אמור לקבל את הפלט המוצג בצילום המסך הבא.
השלם את הסקירה שלך ובדוק את מצב הלולאה האנושית
אם תוצאות ההסקה הן מתחת לסף המוגדר, נוצרת לולאה אנושית. אנו יכולים לסקור את הסטטוס של אותן משרות ולחכות לתוצאות:
צוות העבודה רואה את צילום המסך הבא כדי לבחור את התווית הנכונה לתמונה.
הצג תוצאות של זרימת העבודה של Amazon A2I והעבר אובייקטים לתיקיה הנכונה לצורך הדרכה מחדש
לאחר שחברי צוות העבודה השלימו את משימות הלולאה האנושית, בואו נשתמש בתוצאות המשימות כדי למיין את התמונות שלנו לתיקיות הנכונות להכשרת דגם חדש. ראה את הקוד הבא:
אמן מחדש את המודל שלך על סמך מערכי נתונים מוגדלים מאמזון A2I
אימון גרסת דגם חדש יכול להיות מופעל כעבודה אצווה בלוח זמנים, באופן ידני לפי הצורך, בהתבסס על מספר התמונות החדשות שנוספו לתיקיות ההדרכה, וכן הלאה. עבור דוגמה זו, אנו משתמשים ב- Lookout for Vision SDK כדי לאמן מחדש את המודל שלנו באמצעות התמונות שכללנו כעת במערך הנתונים שהשתנה. עקוב אחר מחברת Jupyter הנלווית להורדה מ-[GitHub-LINK] עבור המחברת המלאה.
אתה אמור לראות פלט דומה לזה הבא.
כעת, לאחר שהכשרנו דגם חדש באמצעות תמונות חדשות שנוספו, בואו נבדוק את מדדי המודל! אנו מציגים את התוצאות מהדגם הראשון ומהדגם השני בו-זמנית:
אתה אמור לראות פלט דומה לזה הבא. הטבלה מציגה שני דגמים: מודל מתארח (ModelVersion:1
) והמודל שהוכשר מחדש (ModelVersion:2
). הביצועים של המודל שהוכשר מחדש טובים יותר עם התמונות שנבדקו והסומנו על ידי האדם.
מדדים | דגם גרסה | מצב | הודעת סטטוס | ביצועי מודל |
ציון F1 | 2 | מְאוּמָן | האימון הושלם בהצלחה. | 0.98 |
דיוק | 2 | מְאוּמָן | האימון הושלם בהצלחה. | 0.96 |
להיזכר | 2 | מְאוּמָן | האימון הושלם בהצלחה. | 1 |
ציון F1 | 1 | מתארח | הדגם פועל. | 0.93023 |
דיוק | 1 | מתארח | הדגם פועל. | 0.86957 |
להיזכר | 1 | מתארח | הדגם פועל. | 1 |
לנקות את
הפעל את עצור את משאבי המודל והניקוי תא כדי לנקות את המשאבים שנוצרו. מחק כל פרוייקט Lookout for Vision שאתה כבר לא משתמש בו והסר אובייקטים מאמזון S3 כדי לחסוך בעלויות. ראה את הקוד הבא:
סיכום
פוסט זה הדגים כיצד ניתן להשתמש ב- Lookout for Vision וב-Amazon A2I כדי לאמן מודלים לאיתור פגמים באובייקטים ייחודיים לעסק שלך ולהגדיר תנאים לשליחת התחזיות לזרימת עבודה אנושית עם תוויות כדי לסקור ולעדכן את התוצאות. אתה יכול להשתמש בפלט עם התווית האנושית כדי להגדיל את מערך ההדרכה לאימון מחדש כדי לשפר את דיוק המודל.
התחל את המסע שלך לקראת זיהוי וזיהוי אנומליות תעשייתיות על ידי ביקור ב- חפש את המדריך למפתחי Vision ו מדריך למפתחים של אמזון A2I.
על המחבר
דניס תורמון הוא אדריכל פתרונות ב-AWS, עם תשוקה לבינה מלאכותית ולמידת מכונה. דניס, שבסיסו בסיאטל, וושינגטון, עבד כמהנדס פיתוח מערכות בצוות Amazon Go ו- Amazon Books לפני שהתמקד בסיוע ללקוחות AWS להחיות את עומסי העבודה שלהם בענן AWS.
עמית גופטה הוא אדריכל פתרונות שירותי AI ב- AWS. הוא נלהב לאפשר ללקוחות פתרונות למידת מכונה ארכיטקטוניים בקנה מידה גדול.
ניל סנדאס הוא מנהל חשבונות טכניים בכיר בשירותי האינטרנט של אמזון. Neel עובדת עם לקוחות ארגוניים כדי לעצב, לפרוס ולהרחיב יישומי ענן כדי להשיג את המטרות העסקיות שלהם. הוא עבד על מקרים שונים של שימוש ב- ML, החל מאיתור חריגות וכלה באיכות מוצר ניבוי לצורך ייצור ואופטימיזציה לוגיסטית. כשהוא לא עוזר ללקוחות, הוא מתעסק בריקודי גולף וסלסה.
- '
- "
- 100
- 11
- 7
- 9
- חֶשְׁבּוֹן
- פעיל
- AI
- תעשיות
- מאפשר
- אמזון בעברית
- אמזון גו
- אמזון שירותי אינטרנט
- גילוי חריגות
- API
- ממשקי API
- בקשה
- יישומים
- ארכיטקטורה
- בינה מלאכותית
- בינה מלאכותית ולמידה מכונה
- AWS
- הטוב ביותר
- לוּחַ
- ספרים
- לִבנוֹת
- בִּניָן
- עסקים
- מקרים
- שינוי
- ענן
- ענן יישומים
- קוד
- Common
- חברות
- רְכִיב
- ראייה ממוחשבת
- אמון
- תוכן
- עלויות
- זוג
- יוצרים
- נוֹכְחִי
- לקוחות
- לוח מחוונים
- נתונים
- עיצוב
- איתור
- מפתח
- מפתחים
- צעצועי התפתחות
- מהנדס
- מִפְעָל
- לקוחות ארגוניים
- סביבה
- עין
- ראשון
- תזרים
- לעקוב
- טופס
- פוּרמָט
- עתיד
- כללי
- Git
- GitHub
- כאן
- אירוח
- איך
- איך
- HTTPS
- הזדהות
- תמונה
- התעשייה
- תשתית
- מוֹדִיעִין
- IT
- עבודה
- מקומות תעסוקה
- מחברת צדק
- שמירה
- תוויות
- גָדוֹל
- למידה
- רמה
- קו
- נוזל
- מקומי
- מיקום
- לוגיסטיקה
- למידת מכונה
- ייצור
- להרשם/להתחבר
- מדדים
- ML
- מודל
- המהלך
- מספרים
- אפשרויות
- ביצועים
- כוח אדם
- כניסה
- דיוק
- התחזיות
- פְּרָטִי
- המוצר
- איכות המוצר
- פּרוֹיֶקט
- פרויקטים
- פיתון
- איכות
- RE
- משאב
- משאבים
- תגובה
- תוצאות
- הסבה מקצועית
- החזרות
- סקירה
- הפעלה
- ריצה
- בעל חכמים
- סולם
- Sdk
- סיאטל
- רואה
- שירותים
- סט
- הצבה
- פָּשׁוּט
- מיומנויות
- So
- פתרונות
- מסחרי
- התחלה
- החל
- מצב
- אחסון
- חנות
- תת-דומיין
- מערכת
- מערכות
- טכני
- טכנולוגיות
- מבחן
- בדיקות
- המקור
- זמן
- הדרכה
- ui
- עדכון
- ערך
- לצפיה
- חזון
- לחכות
- וושינגטון
- אינטרנט
- שירותי אינטרנט
- בתוך
- תיק עבודות
- עובדים
- זרימת עבודה
- כוח עבודה
- עובד