Erklärung von Amazon Lookout for Vision

Sie können Amazon Lookout for Vision verwenden, um visuelle Fehler in Industrieprodukten präzise und maßstabsgetreu zu finden, und zwar für Aufgaben wie:

• Erkennung beschädigter Teile — Erkennen Sie Schäden an der Oberflächenqualität, Farbe und Form eines Produkts während des Herstellungs- und Montageprozesses.

• Identifizieren fehlender Komponenten — Ermitteln Sie fehlende Komponenten anhand des Fehlens, Vorhandenseins oder der Platzierung von Objekten. Zum Beispiel ein fehlender Kondensator auf einer Leiterplatte.

• Aufdeckung von Prozessproblemen — Erkennen Sie Defekte mit sich wiederholenden Mustern, z. B. wiederholten Kratzern an derselben Stelle auf einem Siliziumwafer.

Mit Lookout for Vision erstellen Sie ein Computer Vision-Modell, das das Vorhandensein von Anomalien in einem Bild vorhersagt. Sie stellen die Bilder bereit, die Amazon Lookout for Vision zum Trainieren und Testen Ihres Modells verwendet. Amazon Lookout for Vision bietet Kennzahlen, anhand derer Sie Ihr trainiertes Modell bewerten und verbessern können. Sie können das trainierte Modell in derAWS Cloud hosten oder das Modell auf einem Edge-Gerät bereitstellen. Eine einfache API-Operation gibt die Vorhersagen zurück, die Ihr Modell macht.

Der allgemeine Arbeitsablauf für die Erstellung, Bewertung und Verwendung eines Modells lautet wie folgt:

Wählen Sie Ihren Modelltyp

Bevor Sie ein Modell erstellen können, müssen Sie entscheiden, welchen Modelltyp Sie möchten. Sie können zwei Modelltypen erstellen: Bildklassifizierung und Bildsegmentierung. Sie entscheiden anhand Ihres Anwendungsfalls, welche Art von Modell Sie erstellen.

Bildklassifizierungsmodell

Wenn Sie nur wissen möchten, ob ein Bild eine Anomalie enthält, aber nicht, wo sich das Bild befindet, erstellen Sie ein Bildklassifizierungsmodell. Ein Bildklassifizierungsmodell prognostiziert, ob ein Bild eine Anomalie enthält. Die Vorhersage beinhaltet das Vertrauen des Modells in die Genauigkeit der Vorhersage. Das Modell liefert keine Informationen über den Ort der auf dem Bild gefundenen Anomalien.

Bildsegmentierungsmodell

Wenn Sie die Position einer Anomalie, z. B. die Position eines Kratzers, kennen müssen, erstellen Sie ein Bildsegmentierungsmodell. Die Modelle von Amazon Lookout for Vision verwenden semantische Segmentierung, um die Pixel auf einem Bild zu identifizieren, in denen die Arten von Anomalien (wie ein Kratzer oder ein fehlender Teil) vorhanden sind.

Anmerkung

Ein semantisches Segmentierungsmodell lokalisiert verschiedene Arten von Anomalien. Es enthält keine Instanzinformationen für einzelne Anomalien. Wenn ein Bild beispielsweise zwei Dellen enthält, gibt Lookout for Vision Informationen über beide Dellen in einer einzigen Entität zurück, die den Typ der Dellenanomalie darstellt.

Ein Segmentierungsmodell von Amazon Lookout for Vision sagt Folgendes voraus:

Klassifizierung

Das Modell gibt eine Klassifizierung für ein analysiertes Bild (Normal/Anomalie) zurück, die das Vertrauen des Modells in die Vorhersage einschließt. Klassifizierungsinformationen werden getrennt von Segmentierungsinformationen berechnet, und Sie sollten nicht von einer Beziehung zwischen ihnen ausgehen.

Segmentierung

Das Modell gibt eine Bildmaske zurück, die die Pixel markiert, an denen Anomalien im Bild auftreten. Verschiedene Arten von Anomalien sind entsprechend der Farbe, die der Anomaliebezeichnung im Datensatz zugewiesen wurde, farbcodiert. Eine Anomaliebezeichnung steht für den Typ einer Anomalie. Die blaue Maske in der folgenden Abbildung markiert beispielsweise die Position einer Kratzanomalie, die an einem Auto festgestellt wurde.

Das Modell gibt den Farbcode für jedes Anomalielabel in der Maske zurück. Das Modell gibt auch die prozentuale Abdeckung des Bildes zurück, die ein Anomalie-Label aufweist.

Mit einem Segmentierungsmodell von Lookout for Vision können Sie verschiedene Kriterien verwenden, um die Analyseergebnisse des Modells zu analysieren. Beispiel:

• Ort der Anomalie — Wenn Sie wissen möchten, wo sich Anomalien befinden, verwenden Sie Segmentierungsinformationen, um Masken zu sehen, die Anomalien abdecken.

• Arten von Anomalien — Verwenden Sie Segmentierungsinformationen, um zu entscheiden, ob ein Bild mehr als eine akzeptable Anzahl von Anomaliearten enthält.

• Erfassungsbereich — Entscheiden Sie anhand von Segmentierungsinformationen, ob ein Anomalie-Typ mehr als einen akzeptablen Bildbereich abdeckt.

• Bildklassifizierung — Wenn Sie den Ort von Anomalien nicht kennen müssen, verwenden Sie Klassifizierungsinformationen, um festzustellen, ob ein Bild Anomalien enthält.

Beispielcode finden Sie unter Erkennung von Anomalien in einem Bild.

Nachdem Sie sich für einen Modelltyp entschieden haben, erstellen Sie ein Projekt und einen Datensatz, um Ihr Modell zu verwalten. Mithilfe von Labels können Sie Bilder als normal oder als Anomalie klassifizieren. Labels identifizieren auch Segmentierungsinformationen wie Masken und Anomaliearten. Wie Sie die Bilder in Ihrem Datensatz beschriften, bestimmt den Modelltyp, den Lookout for Vision für Sie erstellt.

Die Kennzeichnung eines Bildsegmentierungsmodells ist komplexer als die Kennzeichnung eines Bildklassifizierungsmodells. Um ein Segmentierungsmodell zu trainieren, müssen Sie die Trainingsbilder als normal oder anomal klassifizieren. Sie müssen auch Anomalie-Masken und Anomalie-Typen für jedes anomale Bild definieren. Bei einem Klassifizierungsmodell müssen Sie lediglich Trainingsbilder als normal oder anomal identifizieren.

Erstellen Ihres Modells

Die Schritte zum Erstellen eines Modells sind das Erstellen eines Projekts, das Erstellen eines Datensatzes und das Trainieren des Modells wie folgt:

Erstellen eines Projekts

Erstellen Sie ein Projekt, um die von Ihnen erstellten Datensätze und Modelle zu verwalten. Ein Projekt sollte für einen einzelnen Anwendungsfall verwendet werden, z. B. für die Erkennung von Anomalien in einem einzigen Maschinenteiltyp.

Sie können das Dashboard verwenden, um sich einen Überblick über Ihre Projekte zu verschaffen. Weitere Informationen finden Sie unter Verwenden Sie das Dashboard von Lookout for Vision.

Weitere Informationen: Erstellen Sie Ihr Projekt.

Erstellen eines Dataset

Um ein Modell zu trainieren, benötigt Amazon Lookout for Vision Bilder von normalen und anomalen Objekten für Ihren Anwendungsfall. Sie liefern diese Bilder in einem Datensatz.

Ein Datensatz besteht aus einer Reihe von Bildern und Labels, die diese Bilder beschreiben. Die Bilder sollten einen einzigen Objekttyp darstellen, an dem Anomalien auftreten können. Weitere Informationen finden Sie unter Bilder für einen Datensatz vorbereiten.

Mit Amazon Lookout for Vision können Sie ein Projekt haben, das einen einzelnen Datensatz verwendet, oder ein Projekt, das separate Trainings- und Testdatensätze enthält. Wir empfehlen, ein Projekt mit einem einzigen Datensatz zu verwenden, es sei denn, Sie möchten eine genauere Kontrolle über Training, Tests und Leistungsoptimierung haben.

Sie erstellen einen Datensatz, indem Sie die Bilder importieren. Je nachdem, wie Sie die Bilder importieren, werden die Bilder möglicherweise auch beschriftet. Wenn nicht, verwenden Sie die Konsole, um die Bilder zu beschriften.

Importieren von Bildern

Wenn Sie den Dataset mit der Lookout for Vision --Konsole erstellen, können Sie die Bilder auf eine der folgenden Weisen importieren:

• Importieren von Bildern von Ihrem lokalen Computer. Die Bilder sind nicht beschriftet.

• Importiert Bilder aus einem S3-Bucket. Amazon Lookout for Vision kann die Bilder anhand der Ordnernamen klassifizieren, die die Bilder enthalten. normalFür normale Bilder verwenden. anomalyFür anomale Bilder verwenden. Sie können Segmentierungsbezeichnungen nicht automatisch zuweisen.

• Importieren Sie eine Amazon SageMaker Ground Truth Truth-Manifestdatei. Bilder in einer Manifestdatei sind beschriftet. Sie können Ihre eigene Manifestdatei erstellen und importieren. Wenn Sie viele Bilder haben, sollten Sie erwägen, den SageMaker Ground Truth Truth-Labeling-Service zu verwenden. Anschließend importieren Sie die Ausgabe-Manifestdatei aus dem Amazon SageMaker Ground Truth Truth-Job.

Labeling von Bildern

Labels beschreiben ein Bild in einem Datensatz. Labels geben an, ob ein Bild normal oder anomal ist (Klassifizierung). Labels beschreiben auch die Position von Anomalien auf einem Bild (Segmentierung).

Wenn Ihre Bilder nicht beschriftet sind, können Sie sie mit der Konsole beschriften.

Die Bezeichnungen, die Sie Bildern in Ihrem Datensatz zuweisen, bestimmen den Modelltyp, den Lookout for Vision erstellt:

Bildklassifizierung

Um ein Bildklassifizierungsmodell zu erstellen, verwenden Sie die Lookout for Vision Vision-Konsole, um Bilder im Datensatz als normal oder als Anomalie zu klassifizieren.

Sie können denCreateDataset Vorgang auch verwenden, um einen Datensatz aus einer Manifestdatei zu erstellen, die Klassifizierungsinformationen enthält.

Bildsegmentierung

Um ein Bildsegmentierungsmodell zu erstellen, verwenden Sie die Lookout for Vision Vision-Konsole, um Bilder im Datensatz als normal oder als Anomalie zu klassifizieren. Sie geben auch Pixelmasken für anomale Bereiche im Bild (falls vorhanden) sowie eine Anomalie-Bezeichnung für einzelne Anomalie-Masken an.

Sie können denCreateDataset Vorgang auch verwenden, um einen Datensatz aus einer Manifestdatei zu erstellen, die Segmentierungs- und Klassifizierungsinformationen enthält.

Wenn Ihr Projekt separate Trainings- und Testdatensätze hat, verwendet Lookout for Vision den Trainingsdatensatz, um den Modelltyp zu lernen und zu bestimmen. Sie sollten die Bilder in Ihrem Testdatensatz auf die gleiche Weise beschriften.

Weitere Informationen: Erstellen Sie Ihren Datensatz.

Trainiere dein Model

Das Training erstellt ein Modell und trainiert es, um das Vorhandensein von Anomalien in Bildern vorherzusagen. Bei jedem Training wird eine neue Version Ihres Modells erstellt.

Zu Beginn des Trainings wählt Amazon Lookout for Vision den am besten geeigneten Algorithmus für das Training Ihres Modells aus. Das Modell wird trainiert und anschließend getestet. Wenn Sie ein einzelnes Datensatzprojekt trainieren, wird der Datensatz intern aufgeteilt, um einen Trainingsdatensatz und einen Testdatensatz zu erstellen.Erste Schritte mit Amazon Lookout for Vision Sie können auch ein Projekt mit separaten Trainings- und Testdatensätzen erstellen. In dieser Konfiguration trainiert Amazon Lookout for Vision Ihr Modell mit dem Trainingsdatensatz und testet das Modell mit dem Testdatensatz.

Wichtig

Ihnen wird die Zeit für das erfolgreiche Training Ihres Modells in Rechnung gestellt.

Weitere Informationen: Trainiere dein Modell.

Auswerten Ihres Modells

Bewerten Sie die Leistung Ihres Modells anhand der während des Tests erstellten Leistungsmetriken.

Mithilfe von Leistungskennzahlen können Sie die Leistung Ihres trainierten Modells besser verstehen und entscheiden, ob Sie bereit sind, es in der Produktion zu verwenden.

Weitere Informationen: Verbessern Sie Ihr Modell.

Wenn die Leistungskennzahlen darauf hindeuten, dass Verbesserungen erforderlich sind, können Sie weitere Trainingsdaten hinzufügen, indem Sie eine Testerkennungsaufgabe mit neuen Bildern ausführen. Nach Abschluss der Aufgabe können Sie die Ergebnisse überprüfen und die verifizierten Bilder zu Ihrem Trainingsdatensatz hinzufügen. Alternativ können Sie neue Trainingsbilder direkt zum Datensatz hinzufügen. Als Nächstes trainieren Sie Ihr Modell neu und überprüfen die Leistungskennzahlen erneut.

Weitere Informationen: Verifizierung Ihres Modells mit einer Testerkennungsaufgabe.

Benutze dein Modell

Bevor Sie Ihr Modell in derAWS Cloud verwenden können, starten Sie das Modell mit der StartModelOperation. Sie können denStartModel CLI-Befehl für Ihr Modell von der Konsole abrufen.

Weitere Informationen: Starten Sie Ihr Modell.

Ein trainiertes Amazon Lookout for Vision Vision-Modell sagt voraus, ob ein Eingabebild normalen oder anomalen Inhalt enthält. Wenn es sich bei Ihrem Modell um ein Segmentierungsmodell handelt, enthält die Vorhersage eine Anomaliemaske, die die Pixel markiert, in denen Anomalien gefunden wurden.

Um mit Ihrem Modell eine Vorhersage zu treffen, rufen Sie den DetectAnomaliesVorgang auf und übergeben Sie ein Eingabebild von Ihrem lokalen Computer. Sie können den CLI-Befehl abrufen, derDetectAnomalies von der Konsole aus aufruft.

Weitere Informationen: Erkennen Sie Anomalien in einem Bild.

Wichtig

Die Zeit, in der Ihr Modell läuft, wird Ihnen in Rechnung gestellt.

Wenn Sie Ihr Modell nicht mehr verwenden, verwenden Sie den StopModelVorgang, um das Modell zu stoppen. Sie können den CLI-Befehl von der ----Konsole abrufen.

Weitere Informationen: Stoppen Sie Ihr Modell.

Verwenden Sie Ihr Modell auf einem Edge-Gerät

Sie können ein Lookout for Vision Vision-Modell auf einemAWS IoT Greengrass Version 2 Kerngerät verwenden.

Weitere Informationen: Verwenden Sie Ihr Amazon Lookout for Vision Vision-Modell auf einem Edge-Gerät.

Benutze das -Dashboard

Sie können das Dashboard verwenden, um sich einen Überblick über all Ihre Projekte und Übersichtsinformationen für einzelne Projekte zu verschaffen.

Weitere Informationen: Verwenden Sie Ihr Dashboard.