Comprendre Amazon Lookout for Vision

Vous pouvez utiliser Amazon Lookout for Vision pour détecter les défauts visuels des produits industriels, avec précision et à grande échelle, pour des tâches telles que :

• Détection des pièces endommagées : détectez les dommages causés à la qualité, à la couleur et à la forme de la surface d'un produit pendant le processus de fabrication et d'assemblage.

• Identification des composants manquants : déterminez les composants manquants en fonction de l'absence, de la présence ou de l'emplacement des objets. Par exemple, un condensateur manquant sur une carte de circuit imprimé.

• Détection des problèmes liés au processus : détectez les défauts présentant des motifs répétitifs, tels que des rayures répétées au même endroit sur une plaquette de silicium.

Lookout for Vision vous permet de créer un modèle de vision par ordinateur qui prédit la présence d'anomalies dans une image. Vous fournissez les images qu'Amazon Lookout for Vision utilise pour entraîner et tester votre modèle. Amazon Lookout for Vision fournit des indicateurs que vous pouvez utiliser pour évaluer et améliorer votre modèle entraîné. Vous pouvez héberger le modèle entraîné dans leAWS cloud ou le déployer sur un appareil périphérique. Une simple opération d'API renvoie les prédictions faites par votre modèle.

Le flux de travail général pour créer, évaluer et utiliser un modèle est le suivant :

Choisir votre type de modèle

Avant de créer un modèle, vous devez choisir le type de modèle que vous souhaitez. Vous pouvez créer deux types de modèle : classification d'images et segmentation d'images. C'est vous qui décidez du type de modèle à créer en fonction de votre cas d'utilisation.

Modèle de classification d'une

Si vous avez uniquement besoin de savoir si une image contient une anomalie, mais que vous n'avez pas besoin de connaître son emplacement, créez un modèle de classification d'images. Un modèle de classification d'images permet de prédire si une image contient une anomalie. La prédiction inclut la confiance du modèle dans la précision de la prédiction. Le modèle ne fournit aucune information sur l'emplacement des anomalies détectées sur l'image.

Modèle de segmentation

Si vous avez besoin de connaître l'emplacement d'une anomalie, par exemple l'emplacement d'une rayure, créez un modèle de segmentation d'image. Les modèles Amazon Lookout for Vision utilisent la segmentation sémantique pour identifier les pixels d'une image présentant les types d'anomalies (tels qu'une rayure ou une pièce manquante).

Note

Un modèle de segmentation sémantique permet de localiser différents types d'anomalies. Il ne fournit pas d'informations sur les instances pour les anomalies individuelles. Par exemple, si une image contient deux bosses, Lookout for Vision renvoie des informations sur les deux bosses dans une seule entité représentant le type d'anomalie de bosse.

Un modèle de segmentation Amazon Lookout for Vision prédit ce qui suit :

Classification

Le modèle renvoie une classification pour une image analysée (normale/anomalie), qui inclut la confiance du modèle dans la prédiction. Les informations de classification sont calculées séparément des informations de segmentation et vous ne devez pas supposer qu'il existe une relation entre elles.

Segmentation

Le modèle renvoie un masque d'image qui marque les pixels où des anomalies apparaissent sur l'image. Les différents types d'anomalies sont codés par couleur en fonction de la couleur attribuée à l'étiquette d'anomalie dans le jeu de données. Une étiquette d'anomalie représente le type d'anomalie. Par exemple, le masque bleu de l'image suivante indique l'emplacement d'une anomalie de type rayure détectée sur une voiture.

Le modèle renvoie le code couleur pour chaque étiquette d'anomalie du masque. Le modèle renvoie également le pourcentage de couverture de l'image associé à une étiquette d'anomalie.

Avec un modèle de segmentation Lookout for Vision, vous pouvez utiliser différents critères pour analyser les résultats d'analyse du modèle. Par exemple :

• Localisation des anomalies : si vous avez besoin de connaître l'emplacement des anomalies, utilisez les informations de segmentation pour voir les masques qui les masquent.

• Types d'anomalies : utilisez les informations de segmentation pour déterminer si une image contient un nombre de types d'anomalies supérieur au nombre acceptable.

• Zone de couverture : utilisez les informations de segmentation pour déterminer si un type d'anomalie couvre une zone plus large qu'une zone acceptable d'une image.

• Classification des images : si vous n'avez pas besoin de connaître l'emplacement des anomalies, utilisez les informations de classification pour déterminer si une image contient des anomalies.

Pour obtenir un exemple de code, veuillez consulter Détecter des anomalies dans une image.

Après avoir choisi le type de modèle souhaité, vous créez un projet et un jeu de données pour gérer votre modèle. À l'aide des étiquettes, vous pouvez classer les images comme normales ou anormales. Les étiquettes identifient également les informations de segmentation telles que les masques et les types d'anomalies. La façon dont vous étiquetez les images de votre jeu de données détermine le type de modèle que Lookout for Vision crée pour vous.

L'étiquetage d'un modèle de segmentation d'images est plus complexe que l'étiquetage d'un modèle de classification d'images. Pour entraîner un modèle de segmentation, vous devez classer les images d'apprentissage comme normales ou anormales. Vous devez également définir des masques d'anomalies et des types d'anomalies pour chaque image anormale. Un modèle de classification vous oblige uniquement à identifier les images d'entraînement comme étant normales ou anormales.

Créer votre modèle

Les étapes pour créer un modèle sont la création d'un projet, la création d'un jeu de données et l'entraînement du modèle sont les suivantes :

Créer un projet

Créez un projet pour gérer les ensembles de données et les modèles que vous créez. Un projet doit être utilisé pour un seul cas d'utilisation, tel que la détection d'anomalies dans un seul type de pièce de machine.

Le tableau de bord permet d'obtenir une vue d'ensemble de vos projets. Pour plus d'informations, veuillez consulter Utiliser le tableau de bord Amazon Lookout for Vision.

Pour plus d'informations : Créez votre projet.

Création d'un jeu de données

Pour entraîner un modèle, Amazon Lookout for Vision a besoin d'images d'objets normaux et anormaux pour votre cas d'utilisation. Vous fournissez ces images dans un jeu de données.

Un jeu de données est un ensemble d'images et d'étiquettes qui décrivent ces images. Les images doivent représenter un seul type d'objet sur lequel des anomalies peuvent survenir. Pour plus d'informations, veuillez consulter Préparation d'images pour un jeu de données.

Avec Amazon Lookout for Vision, vous pouvez avoir un projet qui utilise un seul jeu de données ou un projet qui comporte des ensembles de données de formation et de test distincts. Nous vous recommandons d'utiliser un seul projet de jeu de données, sauf si vous souhaitez contrôler plus précisément la formation, les tests et le réglage des performances.

Vous créez un jeu de données en important les images. Selon la façon dont vous importez les images, celles-ci peuvent également être étiquetées. Si ce n'est pas le cas, vous utilisez la console pour étiqueter les images.

Importation d'une information

Si vous créez le jeu de données avec la console Lookout for Vision, vous pouvez importer les images de l'une des manières suivantes :

• Importation d'une information de votre ordinateur local. Les images ne sont pas étiquetées.

• Importez des images depuis un compartiment S3. Amazon Lookout for Vision peut classer les images à l'aide des noms de dossiers qui contiennent les images. À utilisernormal pour des images normales. À utiliseranomaly pour les images anormales. Vous ne pouvez pas attribuer automatiquement des étiquettes de segmentation.

• Importez un fichier manifeste Amazon SageMaker Ground Truth. Les images d'un fichier manifeste sont étiquetées. Vous pouvez créer et importer votre propre fichier manifeste. Si vous avez de nombreuses images, pensez à utiliser le service d'étiquetage SageMaker Ground Truth. Vous importez ensuite le fichier manifeste de sortie depuis la tâche Amazon SageMaker Ground Truth.

Étiquetage des images

Les étiquettes décrivent une image dans un jeu de données. Les étiquettes indiquent si une image est normale ou anormale (classification). Les étiquettes décrivent également l'emplacement des anomalies sur une image (segmentation).

Si vos images ne sont pas étiquetées, vous pouvez utiliser la console pour les étiqueter.

Les étiquettes que vous attribuez aux images de votre jeu de données déterminent le type de modèle créé par Lookout for Vision :

Image classification

Pour créer un modèle de classification d'images, utilisez la console Lookout for Vision afin de classer les images du jeu de données comme étant normales ou anormales.

Vous pouvez également utiliser l'CreateDatasetopération pour créer un ensemble de données à partir d'un fichier manifeste contenant des informations de classification.

Segmentation

Pour créer un modèle de segmentation d'images, utilisez la console Lookout for Vision afin de classer les images du jeu de données comme étant normales ou anormales. Vous pouvez également spécifier des masques de pixels pour les zones anormales de l'image (s'ils existent) ainsi qu'une étiquette d'anomalie pour les masques d'anomalies individuels.

Vous pouvez également utiliser l'CreateDatasetopération pour créer un ensemble de données à partir d'un fichier manifeste qui inclut des informations de segmentation et de classification.

Si votre projet comporte des ensembles de données d'entraînement et de test distincts, Lookout for Vision utilise le jeu de données d'entraînement pour apprendre et déterminer le type de modèle. Vous devez étiqueter les images de votre jeu de données de test de la même manière.

Pour plus d'informations : Création de votre jeu de données.

Entraînez votre modèle

La formation crée un modèle et l'entraîne à prévoir la présence d'anomalies dans les images. Une nouvelle version de votre modèle est créée à chaque entraînement.

Au début de la formation, Amazon Lookout for Vision choisit l'algorithme le plus approprié pour entraîner votre modèle. Le modèle est entraîné puis testé. DansMise en route avec Amazon Lookout for Vision, vous entraînez un jeu de données unique, le jeu de données est fractionné en interne afin de créer un jeu de données d'entraînement et un jeu de données de test. Vous pouvez également créer un projet comportant des ensembles de données d'entraînement et de test distincts. Dans cette configuration, Amazon Lookout for Vision entraîne votre modèle à l'aide du jeu de données d'apprentissage et teste le modèle à l'aide du jeu de données de test.

Important

Le temps nécessaire à l'entraînement de votre modèle.

Pour plus d'informations : Entraînez votre modèle.

Évaluer votre modèle

Évaluez les performances de votre modèle à l'aide des mesures de performance créées lors des tests.

À l'aide de mesures de performance, vous pouvez mieux comprendre les performances de votre modèle entraîné et décider si vous êtes prêt à l'utiliser en production.

Pour plus d'informations : Améliorer votre modèle.

Si les indicateurs de performance indiquent que des améliorations sont nécessaires, vous pouvez ajouter des données d'entraînement supplémentaires en exécutant une tâche de détection d'essai avec de nouvelles images. Une fois la tâche terminée, vous pouvez vérifier les résultats et ajouter les images vérifiées à votre jeu de données d'entraînement. Vous pouvez également ajouter de nouvelles images d'entraînement directement à l'ensemble de données. Vous devez ensuite réentraîner votre modèle et vérifier à nouveau les indicateurs de performance.

Pour plus d'informations : Vérification de votre modèle à l'aide d'une tâche de détection d'essai.

Utiliser votre modèle

Avant de pouvoir utiliser votre modèle dans leAWS cloud, vous devez commencer le modèle par l'StartModelopération. Vous pouvez obtenir la commandeStartModel CLI correspondant à votre modèle depuis la console.

Pour plus d'informations : Démarrez votre modèle.

Un modèle Amazon Lookout for Vision expérimenté permet de prédire si une image d'entrée contient du contenu normal ou anormal. Si votre modèle est un modèle de segmentation, la prédiction inclut un masque d'anomalie qui marque les pixels où les anomalies sont détectées.

Pour faire une prédiction à l'aide de votre modèle, lancez l'DetectAnomaliesopération et transmettez une image d'entrée depuis votre ordinateur local. Vous pouvez obtenir la commande CLI qui appelleDetectAnomalies depuis la console.

Pour plus d'informations : Détectez les anomalies dans une image.

Important

Vous êtes facturé pour la durée pendant laquelle votre modèle fonctionne.

Si vous n'utilisez plus votre modèle, utilisez l'StopModelopération pour arrêter le modèle. La commande CLI est disponible dans la console.

Pour plus d'informations : Arrêtez votre modèle.

Utilisez votre modèle sur un appareil Edge

Vous pouvez utiliser un modèle Lookout for Vision sur un appareilAWS IoT Greengrass Version 2 principal.

Informations supplémentaires : Utilisation de votre modèle Amazon Lookout for Vision sur un appareil Edge.

Utiliser votre tableau de bord

Vous pouvez utiliser le tableau de bord pour obtenir une vue d'ensemble de tous vos projets et des informations générales pour chaque projet.

Pour plus d'informations : Utilisez votre tableau de bord.