Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Comprendere Amazon Lookout for Vision
Puoi utilizzare Amazon Lookout for Vision per individuare difetti visivi nei prodotti industriali, in modo accurato e su larga scala, per attività quali:
-
Rilevamento di parti danneggiate: individua i danni alla qualità, al colore e alla forma della superficie di un prodotto durante il processo di fabbricazione e assemblaggio.
-
Identificazione dei componenti mancanti: determina i componenti mancanti in base all'assenza, alla presenza o al posizionamento degli oggetti. Ad esempio, un condensatore mancante su un circuito stampato.
-
Individuazione dei problemi di processo: rileva i difetti con schemi ripetuti, ad esempio graffi ripetuti nello stesso punto su un wafer di silicone.
Con Lookout for Vision crei un modello di visione artificiale che prevede la presenza di anomalie in un'immagine. Fornisci le immagini che Amazon Lookout for Vision utilizza per addestrare e testare il tuo modello. Amazon Lookout for Vision fornisce metriche che puoi utilizzare per valutare e migliorare il tuo modello addestrato. Puoi ospitare il modello addestrato nelAWS cloud oppure puoi distribuirlo su un dispositivo edge. Una semplice operazione API restituisce le previsioni effettuate dal modello.
Il flusso di lavoro generale per la creazione, la valutazione e l'utilizzo di un modello è il seguente:
Argomenti
Seleziona il tuo tipo di modello
Prima di poter creare un modello, è necessario decidere il tipo di modello desiderato. È possibile creare due tipi di modello, classificazione delle immagini e segmentazione delle immagini. Sei tu a decidere quale tipo di modello creare in base al tuo caso d'uso.
Modello di classificazione delle immagini
Se hai solo bisogno di sapere se un'immagine contiene un'anomalia, ma non hai bisogno di conoscerne la posizione, crea un modello di classificazione delle immagini. Un modello di classificazione delle immagini prevede se un'immagine contiene un'anomalia. La previsione include la fiducia del modello nell'accuratezza della previsione. Il modello non fornisce alcuna informazione sulla posizione di eventuali anomalie riscontrate nell'immagine.
Modello di segmentazione delle immagini
Se hai bisogno di conoscere la posizione di un'anomalia, ad esempio la posizione di un graffio, crea un modello di segmentazione dell'immagine. I modelli Amazon Lookout for Vision utilizzano la segmentazione semantica per identificare i pixel di un'immagine in cui sono presenti i tipi di anomalie (come un graffio o una parte mancante).
Nota
Un modello di segmentazione semantica individua diversi tipi di anomalia. Non fornisce informazioni di istanza per le singole anomalie. Ad esempio, se un'immagine contiene due ammaccature, Lookout for Vision restituisce informazioni su entrambe le ammaccature in un'unica entità che rappresenta il tipo di anomalia dell'ammaccatura.
Un modello di segmentazione di Amazon Lookout for Vision prevede quanto segue:
Classificazione
Il modello restituisce una classificazione per un'immagine analizzata (normale/anomalia), che include la fiducia del modello nella previsione. Le informazioni di classificazione vengono calcolate separatamente dalle informazioni sulla segmentazione e non si deve presumere una relazione tra di esse.
Segmentazione
Il modello restituisce una maschera di immagine che contrassegna i pixel in cui si verificano anomalie sull'immagine. Diversi tipi di anomalia sono codificati a colori in base al colore assegnato all'etichetta dell'anomalia nel set di dati. Un'etichetta di anomalia rappresenta il tipo di anomalia. Ad esempio, la maschera blu nell'immagine seguente indica la posizione di un tipo di anomalia da graffio riscontrata su un'auto.
Il modello restituisce il codice colore per ogni etichetta di anomalia nella maschera. Il modello restituisce anche la percentuale di copertura dell'immagine che ha un'etichetta di anomalia.
Con un modello di segmentazione Lookout for Vision, puoi utilizzare vari criteri per analizzare i risultati dell'analisi del modello. Ad esempio:
-
Localizzazione delle anomalie: se hai bisogno di conoscere la posizione delle anomalie, utilizza le informazioni di segmentazione per visualizzare le maschere che coprono le anomalie.
-
Tipi di anomalia: utilizza le informazioni di segmentazione per decidere se un'immagine contiene più di un numero accettabile di tipi di anomalia.
-
Area di copertura: utilizza le informazioni di segmentazione per decidere se un tipo di anomalia copre più di un'area accettabile di un'immagine.
-
Classificazione delle immagini: se non è necessario conoscere la posizione delle anomalie, utilizza le informazioni di classificazione per determinare se un'immagine contiene anomalie.
Per il codice di esempio, consulta Rilevamento di anomalie in un'immagine.
Dopo aver deciso il tipo di modello desiderato, si creano un progetto e un set di dati per gestire il modello. Utilizzando le etichette, è possibile classificare le immagini come normali o come anomalie. Le etichette identificano anche le informazioni di segmentazione come maschere e tipi di anomalia. Il modo in cui etichettate le immagini nel set di dati determina il tipo di modello che Lookout for Vision crea per voi.
L'etichettatura di un modello di segmentazione delle immagini è più complessa dell'etichettatura di un modello di classificazione delle immagini. Per addestrare un modello di segmentazione, è necessario classificare le immagini di addestramento come normali o anomale. È inoltre necessario definire maschere di anomalia e tipi di anomalia per ogni immagine anomala. Un modello di classificazione richiede solo di identificare le immagini di addestramento come normali o anomale.
Creazione del tuo modello
I passaggi per creare un modello sono la creazione di un progetto, la creazione di un set di dati e l'addestramento del modello sono i seguenti:
Crea un progetto
Crea un progetto per gestire i set di dati e i modelli che crei. Un progetto deve essere utilizzato per un singolo caso d'uso, ad esempio per rilevare anomalie in un singolo tipo di parte della macchina.
presente nella dashboard di controllo di controllo di controllo di controllo di controllo di controllo di controllo di controllo di controllo di controllo di controllo di controllo Per ulteriori informazioni, consulta Utilizzo Lookout for Vision di.
Ulteriori informazioni: Crea il tuo progetto.
Creazione di un set di dati
Per addestrare un modello Amazon Lookout for Vision ha bisogno di immagini di oggetti normali e anomali per il tuo caso d'uso. Fornisci queste immagini in un set di dati.
Un set di dati è un insieme di immagini ed etichette che descrivono tali immagini. Le immagini devono rappresentare un singolo tipo di oggetto su cui possono verificarsi anomalie. Per ulteriori informazioni, consulta Preparazione delle immagini per un set di dati.
Con Amazon Lookout for Vision puoi avere un progetto che utilizza un singolo set di dati o un progetto con set di dati di formazione e test separati. Si consiglia di utilizzare un singolo progetto di set di dati a meno che non si desideri un controllo più preciso su formazione, test e ottimizzazione delle prestazioni.
Si crea un set di dati importando le immagini. A seconda di come si importano le immagini, è possibile che anche le immagini siano etichettate. In caso contrario, si utilizza la console per etichettare le immagini.
Importazione di immagini
Se crei il set di dati con la console Lookout for Vision, puoi importare le immagini in uno dei modi seguenti:
-
Importa immagini dal tuo computer locale. Le immagini non sono etichettate.
-
Importa immagini da un bucket S3. Amazon Lookout for Vision può classificare le immagini utilizzando i nomi delle cartelle che le contengono. Utilizzare
normalper immagini normali. Da utilizzareanomalyper immagini anomale. Non è possibile assegnare automaticamente etichette di segmentazione. -
Importa un file di manifesto Amazon SageMaker Ground Truth. Le immagini in un file manifest sono etichettate. Puoi creare e importare il tuo file manifest. Se hai molte immagini, prendi in considerazione l'utilizzo del servizio di etichettatura SageMaker Ground Truth. Quindi importi il file del manifesto di output dal job Amazon SageMaker Ground Truth.
Labeling delle immagini
Le etichette descrivono un'immagine in un set di dati. Le etichette specificano se un'immagine è normale o anomala (classificazione). Le etichette descrivono anche la posizione delle anomalie su un'immagine (segmentazione).
Se le tue immagini non sono etichettate, puoi usare la console per etichettarle.
Le etichette assegnate alle immagini nel set di dati determinano il tipo di modello creato da Lookout for Vision:
Classificazione delle immagini
Per creare un modello di classificazione delle immagini, utilizza la console Lookout for Vision per classificare le immagini nel set di dati come normali o come anomalie.
È inoltre possibile utilizzare l'CreateDatasetoperazione per creare un set di dati da un file di manifesto che include informazioni di classificazione.
Segmentazione delle immagini
Per creare un modello di segmentazione delle immagini, utilizza la console Lookout for Vision per classificare le immagini nel set di dati come normali o come anomalie. Specificate anche maschere di pixel per le aree anomale dell'immagine (se esistono) e un'etichetta di anomalia per le singole maschere di anomalia.
È inoltre possibile utilizzare l'CreateDatasetoperazione per creare un set di dati da un file di manifesto che include informazioni di segmentazione e classificazione.
Se il progetto ha set di dati di formazione e test separati, Lookout for Vision utilizza il set di dati di formazione per apprendere e determinare il tipo di modello. Dovresti etichettare le immagini nel set di dati di test allo stesso modo.
Ulteriori informazioni: Creazione del set di dati.
Addestra il tuo modello
La formazione crea un modello e lo addestra a prevedere la presenza di anomalie nelle immagini. Ogni volta che ti alleni, viene creata una nuova versione del modello.
All'inizio della formazione, Amazon Lookout for Vision sceglie l'algoritmo più adatto con cui addestrare il modello. Il modello viene addestrato e quindi testato. InNozioni di base su Amazon Lookout for Vision, si addestra un singolo progetto di set di dati, il set di dati viene suddiviso internamente per creare un set di dati di addestramento e un set di dati di test. Puoi anche creare un progetto con set di dati di formazione e test separati. In questa configurazione, Amazon Lookout for Vision addestra il modello con il set di dati di addestramento e testa il modello con il set di dati di test.
Importante
Ti viene addebitato il tempo necessario per addestrare correttamente il tuo modello.
Ulteriori informazioni: Addestra il tuo modello.
Valutazione del tuo modello
Valuta le prestazioni del tuo modello utilizzando le metriche delle prestazioni create durante i test.
Utilizzando le metriche delle prestazioni, puoi comprendere meglio le prestazioni del tuo modello addestrato e decidere se sei pronto per utilizzarlo in produzione.
Ulteriori informazioni: Miglioramento del modello.
Se le metriche delle prestazioni indicano che sono necessari miglioramenti, puoi aggiungere altri dati di allenamento eseguendo un'attività di rilevamento delle prove con nuove immagini. Una volta completata l'attività, puoi verificare i risultati e aggiungere le immagini verificate al set di dati di allenamento. In alternativa, puoi aggiungere nuove immagini di allenamento direttamente al set di dati. Successivamente, riaddestrate il modello e ricontrollate le metriche delle prestazioni.
Ulteriori informazioni: verifica del modello con un'attività di rilevamento di prova.
Usa il tuo modello
Prima di poter utilizzare il modello nelAWS cloud, avviate il modello con l'StartModeloperazione. Puoi ottenere il comandoStartModel CLI per il tuo modello dalla console.
Ulteriori informazioni: Avvia il tuo modello.
Un modello esperto di Amazon Lookout for Vision prevede se un'immagine di input contiene contenuti normali o anomali. Se il modello è un modello di segmentazione, la previsione include una maschera di anomalia che contrassegna i pixel in cui vengono rilevate le anomalie.
Per fare una previsione con il tuo modello, chiama l'DetectAnomaliesoperazione e passa un'immagine di input dal tuo computer locale. È possibile ottenere il comando CLI che chiamaDetectAnomalies dalla console.
Ulteriori informazioni: Rileva le anomalie in un'immagine.
Importante
Ti viene addebitato il costo per il tempo in cui il modello è in funzione.
Se non utilizzate più il modello, utilizzate l'StopModeloperazione per arrestarlo. presente nella console di controllo di controllo di controllo di controllo di controllo di controllo di controllo di controllo di controllo di controllo
Ulteriori informazioni: interrompi il tuo modello.
Usa il tuo modello su un dispositivo periferico
È possibile utilizzare un modello Lookout for Vision su un dispositivoAWS IoT Greengrass Version 2 principale.
Ulteriori informazioni: Utilizzo del modello Amazon Lookout for Vision su un dispositivo edge.
Usa il pannello di controllo di controllo
Puoi utilizzare la dashboard per ottenere una panoramica di tutti i tuoi progetti e informazioni di panoramica per i singoli progetti.
Ulteriori informazioni: utilizza il pannello di controllo.
