Я смог создать и оценить модель обнаружения аномалий за 30 минут с помощью ADFI (https://adfi.jp), облачной платформы для обнаружения аномалий изображений.
Это было очень полезно, поэтому я хотел бы представить вам, как его использовать.
Что такое ADFI?
ADFI (https://adfi.jp) — это облачная платформа, которая автоматически создает модели обнаружения аномалий для изображений и оценивает их производительность.
Созданную нами модель ИИ можно использовать в любое время через API.
Любой желающий может бесплатно попробовать создание модели и оценку производительности. При использовании API взимается плата.
С ADFI мы делаем только две вещи: "загружаем обучающие и тестовые изображения" и "устанавливаем пороговые значения"!
Без кодирования мы можем создать модель обнаружения аномалий изображения и автоматически выполнять оценку производительности.
Конечно, нет необходимости устанавливать или настраивать гиперпараметры. Даже неспециалисты могут создавать модели обнаружения аномалий.
Методы обнаружения аномалий, доступные в ADFI
Можно использовать следующие два метода.
Приятно иметь возможность создать модель глубокого метрического обучения в облаке, даже если у вас нет компьютера с графическим процессором!
MSPC (многомерный статистический контроль процесса)
Доступно только в тех случаях, когда положение контрольной цели на изображении фиксировано.
Для обучения не требуются аномальныеданные.
Записывается как «PCA-MSPC» на АДФИ.
Глубокое метрическое обучение
DML используется в тех случаях, когда MSPC недоступен.
Для обучения требуется 5 или более аномальных данных.
В ADFI это записывается как «DML».
Результат создания моделей на ADFI
Я попробовал несколько общедоступных наборов данных, чтобы измерить время обучения и производительность.
Существует ограничение на количество изображений, которые можно загрузить с помощью бесплатного плана ADFI.
Поскольку он ограничен 100 изображениями на набор данных, я загрузил 100 изображений для обучения и тестирования.
Если тарифный план платный, вы можете загружать до 2000 изображений на набор данных.
Примеры изображений набора данных
Результаты создания модели обнаружения аномалий для каждого набора данных с помощью ADFI
Это были потрясающие результаты!
Несмотря на небольшое количество обучающих данных, точность составляет почти 100 %.
Более того, время обучения очень короткое (около 20 секунд до 10 минут).
Попробуйте использовать ADFI (объяснение процедуры)
1. Создайте аккаунт и войдите
(1) Нажмите Войти/Зарегистрироваться в правом верхнем углу веб-сайта ADFI (https://adfi.jp).
(2) Нажмите Создать новую учетную запись.
(3) Введите необходимую информацию, такую как адрес электронной почты, в форму регистрации учетной записи, установите флажок и нажмите РЕГИСТРАЦИЯ.
(4) На зарегистрированный адрес электронной почты будет отправлено электронное письмо с подтверждением. Нажмите на ссылку в письме, чтобы завершить регистрацию учетной записи.
(5) Войдите в систему с помощью зарегистрированной учетной записи.
2. Создание проекта и создание набора данных
(1) На экране сразу после входа в систему нажмите кнопку «НОВЫЙ ПРОЕКТ» в правом верхнем углу, чтобы создать новый проект.
(2) Щелкните ссылку с названием созданного проекта.
(3) ) В нижней части экрана есть списки «Набор данных для PCA-MSPC» и «Набор данных для DML», где отображается «Сведения о проекте», поэтому нажмите кнопку «НОВЫЙ НАБОР ДАННЫХ» в правой части набора данных.
(4) Щелкните ссылку имени созданного набора данных.
3. Загрузка изображения
(1) Нажмите кнопку «Изображение обычного поезда», чтобы загрузить обычные данные для обучения.
(2) (Только для DML) Нажмите кнопку «Изображение аномального поезда», чтобы загрузить данные об аномалиях для обучения. Нажмите кнопку «Выбрать» справа от данных аномалии, чтобы выбрать область, содержащую аномалии.
(3) Нажмите кнопку «Нормальное тестовое изображение», чтобы загрузить данные нормального теста.
(4) Нажмите кнопку «Аномальное тестовое изображение», чтобы загрузить данные об аномалии для тестирования.
* Если вы выберете несколько файлов изображений для загрузки, вы можете загрузить несколько изображений одновременно.
4. Установите диапазон проверки
Диапазон проверки на изображении можно установить дополнительно.
(1) Перейдите на вкладку «НАСТРОЙКА ДИАПАЗОНА ПРОВЕРКИ».
(2) Перетащите изображение, чтобы задать диапазон проверки.
(3) Нажмите кнопку «Сохранить диапазон проверки».
5. Создание модели обнаружения аномалий
Нажмите кнопку «Создать модель ИИ», чтобы начать обучение. Немного подождать.
6. Установка порога
После завершения обучения вы можете установить пороговые значения на вкладке «НАСТРОЙКА МОДЕЛИ AI».
Два пороговых значения, «Основной» и «Вспомогательный», могут быть установлены одновременно.
Установив одновременно строгий порог и свободный порог при введении ADFI в систему визуального контроля, можно работать, например, «если оценка объекта находится между двумя порогами, он будет проверен человеком».
(1) Нажмите вкладку «НАСТРОЙКА МОДЕЛИ AI».
(2) Нажмите кнопку «Установить автоматический порог». Порог устанавливается автоматически.
(3) (Если вы хотите настроить порог самостоятельно) При проверке гистограммы распределения баллов тестовых данных введите произвольное значение порога и нажмите кнопку «Сохранить». кнопку «Порог».
7. Проверка и подтверждение результатов оценки
(1) Нажмите вкладку «ТЕСТ».
(2) Нажмите кнопку «ТЕСТ», чтобы отобразить результаты теста.
(3) Нажмите кнопку «Загрузить», чтобы загрузить подробные результаты теста для каждого типа данных. в формате CSV.
(4) Повторить «6. Установка порога» и «7. Проверка и подтверждение результатов оценки» до получения удовлетворительного результата.
Добавка
Нашел официальное руководство по эксплуатации.
Если вы хотите узнать больше, пожалуйста, смотрите здесь.
Связанная статья
«Проверка производительности платформы автоматического создания модели обнаружения аномалий с набором данных MVTec | по Умапёй | март 2022 г. | Середина"
