Yapay zekaya neden ihtiyaç var?
Sıradan görüntü işleme sistemleri, kendini tekrarlayan görevler için yüksek güvenilirlik sunan, kural tabanlı algoritmalarla çalışır. Bu sırada her zaman aynı ilerleyen süreç adımları nedeniyle yalnızca hafif sapmalar tolere edilir. Görüntülerin çeşitliliği örneğin objenin renk tonları, şekiller ya da ışık koşulları gibi değişen ortam koşulları gibi doğal varyasyonları nedeniyle arttığında, uygulamanın resmedilmesi gittikçe daha karmaşık hale gelir ve sonuçta ekonomik olmaktan çıkabilir. Aksi halde değişkenlik doğrudan algoritmanın hassasiyetine ya da performansına etki eder. Bu durum, kural tabanlı görüntü işleme sisteminin hatalı kararlarına, örneğin iyi parçaların tasfiyesine (sahte atık olarak da adlandırılır) ya da kötü parçaların algılanmaması (kayma olarak da adlandırılır) yol açar. Endüstriyel görüntü işlemenin hedefi her zaman bunları en aza indirmektir.
YZ teknolojileri, görüntü verilerindeki dalgalanmaları tolere ederek Machine Vision'ın kullanım olanaklarını genişletir, böylece örneğin düzensiz hatalar da sağlam bir şekilde tespit edilebilir. Yüksek değişkenlikte daha sağlam algılama oranları sayesinde ekonomikliği artırır ve kısmen derin bir algoritma bilgisi gerekmediğinden, Machine Vision'a giriş zorluğunu azaltır.
Yapay zeka, makinelerin görevleri bağımsız olarak çözebilecek duruma getiren teknolojilerin için bir üst kavramıdır; çoğunlukla insan gibi düşünmekten ve öğrenmekten ilham alır. Makine öğrenimi YZ'nin, algoritmaların sabit olarak programlanmadığı, bunun yerine örnek verilerden örüntüleri ve bağlantıları öğrendiği bir bölümüdür. Sistem her kuralı manuel olarak belirlemek yerine, sistem girdileri nasıl çıktılara çevireceğini kendi kendine “öğrenir”. Deep Learning, makine öğreniminin, birçok işleme katmanı olan yapay nöronal ağlara dayanan, özel bir biçimidir (“deep” = derin). Bu mimari, çok karmaşık örüntüleri algılanmasını ve değişen koşullarda bile hassas sonuçlar sağlanmasına olanak tanır.
Deep Learning
Makine Öğrenimi
Yapay Zeka
Kalite kontrolde YZ kullanmanın avantajları nelerdir?
Kural tabanlı görüntü işleme kullanılabilmesine rağmen, hatalardaki büyük değişkenlik çoğunlukla zor belirlenebildiğinden ya da belirlenemediğinden, proseslerde kalite kontrolü sıkça hala insanlar tarafından manuel olarak yapılır. Burada YZ destekli görüntü işleme sistemleri kullanımı yararlı olmaktadır.
| Manuel Kontrolün Sorunlu Alanları | YZ destekli görüntü işlemenin avantajları yoluyla çözüm |
|---|---|
| Kalitenin tutarsız değerlendirmesi | Büyük veri setleri temelinde tutarlı ve doğru tekrarlanabilen değerlendirme |
| Sınırlı dikkat aralığı | Yorulmadan 7/24 kullanım |
| Kararların külfetli dokümantasyonu | Anlaşılabilirlik ve geriye doğru takip edilebilirlik için ısı haritası görüntüleme ve skor değeriyle otomatik görüntü depolama |
| Daha yüksek personel maliyetleri, personel sıkıntısı ve yüksek eğitim külfeti | Personel bulunmasından bağımsız olarak ölçeklenebilir, daha az eğitim külfeti sayesinde düşük giriş zorluğu |
|
Manuel Kontrolün Sorunlu Alanları
|
|||
|---|---|---|---|
|
Kalitenin tutarsız değerlendirmesi
|
Sınırlı dikkat aralığı
|
Kararların külfetli dokümantasyonu
|
Daha yüksek personel maliyetleri, personel sıkıntısı ve yüksek eğitim külfeti
|
|
YZ destekli görüntü işlemenin avantajları yoluyla çözüm
|
|||
|
Büyük veri setleri temelinde tutarlı ve doğru tekrarlanabilen değerlendirme
|
Yorulmadan 7/24 kullanım
|
Anlaşılabilirlik ve geriye doğru takip edilebilirlik için ısı haritası görüntüleme ve skor değeriyle otomatik görüntü depolama
|
Personel bulunmasından bağımsız olarak ölçeklenebilir, daha az eğitim külfeti sayesinde düşük giriş zorluğu
|
YZ kural tabanlı görüntü işlemenin yerini mi alıyor?
YZ, endüstriyel görüntü işlemenin olanaklarını artırıyor, ancak çok nadiren etkinliği kanıtlanmış kural tabanlı çözümlerin yerini alıyor. Kural tabanlı ve YZ tabanlı görüntü işlemenin kombinasyonu, Machine Vision'ın çok yönlülüğünü genişletiyor. YZ saysinde, kural tabanlı değerlendirmeyle çok külfetli ya da ekonomik olmayan denetim görevleri hayata geçirilebiliyor.
Ne zaman kural tabanlı görüntü işleme sistemleri, ne zaman YZ görüntü işleme sistemleri kullanılır?
Geleneksel görüntü işleme sistemlerinin kural tabanlı yaklaşımı, görsel kontrol görevleri için hala etkinliği kanıtlanmış bir çözümdür. YZ teknolojileri, endüstriyel görüntü işlemenin uygulama alanlarını genişletiyor. Farklı algoritmalara rağmen, iki teknolojinin becerileri arasında birçok kesişme var.
Genelde kural tabanlı ve YZ araçlarının bir kombinasyonu kullanılıyor. Örneğin: Parça takibi ve kontrol edilecek objenin kesilmesiyle kural tabanlı konum tespiti, YZ tabanlı hata sınıflandırmasıyla kombine ediliyor. Ardından hatanın kural tabanlı ölçümü yapılıyor.
Tipik uygulama alanları
Kural tabanlı görüntü işleme
| Ölçüm, ölçüm görevleri |
| Codereading |
| Hassas hizalama, konumlandırma (Robot Vision, Robot Guidance dahil) |
Kombinasyonlar ve kesişmeler
| Denetim, arıza algılama |
| Tanımlama (Codereading, OCR/karakter tanıma) |
| Objelerin ve özelliklerin yerinin tespiti (Robot Vision, Robot Guidance dahil) |
YZ Tabanlı Görüntü İşleme
| Çok değişken objelerin ya da hataların algılanması |
| Zorlu OCR (örneğin kötü baskı kalitesi, değişken arka planlar) |
| Yüksek değişkenliğe sahip objelerin konumunun belirlenmesi |
| Sınıflandırma (örneğin malzemeler ya da dokular) |
Görüntü işlemede hangi YZ teknolojileri kullanılıyor?
Sınıflandırma
Sınıflandırma bir görüntüyü bir ya da daha fazla ön tanımlı sınıfa atar. Multi-Class ve Multi-Label arasında ayrım yapılır.
Multi-Class: Görüntü başına bir sınıf, örneğin “vida”
ya da birbirini karşılıklı olarak dışlayan sınıflarla hata sınıflandırması: “OK” (kusursuz) ya da “NOK” (arızalı). Her iki sınıfa eşzamanlı olarak sınıflandırılması mümkün değildir.
Multi-Label: Görüntü başına birden fazla sınıf mümkündür, örneğin “vida”, “çivi”
ya da bağımsız etiketlerle hata sınıflandırması: “Göcük” ve “çizik”. Bu sınıflar birbirini karşılıklı olarak dışlamadığı için bir objede göçük, çizik, ikisi birden olabilir ya da hiçbiri olmayabilir.
Obje Algılama
Obje algılama, sınırlama çerçeveleri, diğer adıyla Bounding Boxes yardımıyla, görüntüdeki birden fazla objenin konumunu belirler ve sınıflandırır. Bulunan her obje için hangi sınıfa ait olduğunu ve görüntüde görüntünün tam olarak neresinde olduğunu belirtir. “Eksen paralel” (resimde görüldüğü gibi) ve “yönlendirilmiş” obje algılaması arasında ayrım yapılmalıdır. Yönlendirilmiş obje algılamasında Bounding Boxes objeyle hizalanmıştır ve mümkün olan en küçük Bounding Box'u tarif eder.
Bölümlenme
Görüntüdeki her bir piksele, objelerin (örn. çivi, vida, arka plan) ya da kusurların (örn. boya hataları) kesin olarak sınırlandırılması için bir sınıf atar.
Açıklama: Yaygın YZ modellerinin yanında, örneğin Deep OCR gibi, spesifik bir uygulama durumu için eğitilmiş YZ modelleri gittikçe artmaktadır. Derin OCR aracılığıyla optik karakter tanıma, harfleri ve rakamları çıkarmak için büyük miktarlarda metin görüntüsüyle eğitilmiş, nöronal ağlardan yararlanır. Klasik OCR'nin aksine, spesifik olarak şekillendirilmiş ya da hasarlı baskılarda ve etiketlerde bile değişken yazı boyutuna ve çeşitli arka planlara sahip, dinamik metinlerin hassas bir şekilde algılanmasını olanak sağlar.
YZ modeli nedir?
YZ modelleri, insan beyninden ilham alan, bilgisayar destekli modellerdir. Bunlar, bilgiyi işleyen ve ağırlıklarla birbirine bağlı, yapay nöronlardan oluşur. Bir ağırlık, bir giriş sinyalinin nöronu ne kadar etkilediğini belirleyen, sayısal bir değerdir.
Bir YZ modeli katmanlar halinde oluşturulur: “Input Layer” ham verileri alır (örn. görüntüler). “Hidden Layers” içinde özellikler otomatik olarak algılanır ve “Output Layer”, buna dayanarak bir karar verir.
YZ modeli, eğitimde öngörülerini temel gerçekle karşılaştırır ve ağırlıkları adımlar halinde uyarlar. Bu öğrenme süreci, YZ modeli örüntüleri güvenilir bir şekilde tanıyana kadar birçok örnekte tekrarlanır.
Bir YZ modeli katmanlar halinde oluşturulur: “Input Layer” ham verileri alır (örn. görüntüler). “Hidden Layers” içinde özellikler otomatik olarak algılanır ve “Output Layer”, buna dayanarak bir karar verir.
YZ modeli, eğitimde öngörülerini temel gerçekle karşılaştırır ve ağırlıkları adımlar halinde uyarlar. Bu öğrenme süreci, YZ modeli örüntüleri güvenilir bir şekilde tanıyana kadar birçok örnekte tekrarlanır.
YZ modeli ya da nöronal ağ; fark nedir?
Her YZ modeli nörolan bir ağ değildir. “YZ modeli” kavramı, aralarında karar ağaçları, istatistiksel modeller ve nöronal ağların da olduğu birçok algoritma türü için bir ast kavramdır. Sonuncular, özellikle görüntü tanıma ya da konuşma işleme gibi karmaşık görevlere uygun olan bir YZ modeli biçimidir. Ancak “nöral ağ” ve “YZ modeli” kavramları sıkça eş anlamlı olarak kullanılır.
Her YZ modeli nörolan bir ağ değildir. “YZ modeli” kavramı, aralarında karar ağaçları, istatistiksel modeller ve nöronal ağların da olduğu birçok algoritma türü için bir ast kavramdır. Sonuncular, özellikle görüntü tanıma ya da konuşma işleme gibi karmaşık görevlere uygun olan bir YZ modeli biçimidir. Ancak “nöral ağ” ve “YZ modeli” kavramları sıkça eş anlamlı olarak kullanılır.
Input Layer
Hidden Layers
Output Layer
ONNX; evrensel değişim formatı
uniVision 3 görüntü işleme yazılımı, ONNX ağlarının kesintisiz olarak entegre edilmesine olanak sağlar. Bunun yanında GitHub üzerinden ONNX ağınızı wenglor donanımında kullanım için de nicelendirebilirsiniz.
wenglor AI Loop; endüstriyel görüntü işlemede YZ nasıl çalışıyor
Başlangıçta nadiren bir uygulamanın açıklayıcı ve kapsamlı bir veri seti bulunur. Yüksek hassasiyetli ve güvenilir YZ modelleri, bir kez oluşturulan ağların sürekli veri genişletmesi ve doğrulanmasıyla oluşur. Veri ve proses merkezli bir yaklaşımla, bir YZ modelinin hassasiyeti, bir test sisteminin yaşam döngüsü boyunca sistematik olarak optimize edilebiliyor ve tutarlı bir şekilde korunabiliyor. Mevcut veriler tekrar kontrol ediliyor ya da yeni veriler kaydedilip not ediliyor.
Veri kaydı oluşturmak ve yönetmek
Veri setine açıklama eklemek (etiketleme)
YZ modelini eğitmek ve doğrulamak
YZ modelini dağıtmak ve yürütmek
Veriye dayalı yaklaşımın ilk ve en önemli adımında, uygulamayı mümkün olduğunca açıklayıcı görüntüleri alınır. İlerleyen süreçte yeni görüntüler sürekli olarak eklenir.
Uygun veri setleri oluştururken neler önemli?
İlk pratiğe uygun sonuçları elde etmek için sınıf başına 50 ile 100 adet arasında gerçek görüntü yeterli olabilir. Veriler iyi seçilmiş, çeşitlilik açısından zengin ve tutarlı olmalıdır. Çok görüntü verisi otomatik olarak daha iyi modeller anlamına gelmez. Amaç partilerin, renklerin, aydınlatma etkilerinin vs. tüm doğal yelpazesini az sayıda ama kaliteli görüntüyle görüntülemek ve bu şekilde sağlam ve genelleştirilebilir bir çözüm oluşturmaktır.
Bir örnek: Bir fabrika yalnızca belli ışık koşullarında bir makineden yalnızca hatalı PCB'lerin görüntülerini yakalarsa, YZ modeli, hataları gerçek hata özellikleri yerine bu makinenin özel arka plan ya da ışık koşullarıyla bağdaştırmayı öğrenebiliyor. Bu sapma, modelin diğer makinelerin hatalarını ya da farklı ışık koşullarındaki hataları yanlış sınıflandırmasına yol açabiliyor. YZ modeli, farklı makinelerden, ışık koşullarından ve bakış açılarından çok çeşitli görüntülerinin bir araya getirilmesiyle gerçek hata özelliklerini öğrenir ve tüm üretim senaryolarında güvenilir bir algılamayı güvenceye alıyor.
Hedefe yönelik bir aydınlatma stratejisi görüntü değişkenliğini azaltır, model hassasiyetini artırır ve eğitim görüntüsü ihtiyacını azaltıryor. Bu şekilde örneğin doğru aydınlatma prensibi, ışık rengi (dalga boyu), homojen bir aydınlatma ve optik filtre seçimi yoluyla görüntü kalitesi önemli ölçüde iyileştirilerek görüntü miktarının yalnızca dörtte biriyle aynı hassasiyet elde edilebiliyor.
Kural tabanlı görüntü işleme sistemlerinde olduğu gibi burada da şu geçerlidir: Kötü görüntüler YZ modelinin hassasiyetini önemli ölçüde daha kötü olmasına yol açar. Yeterli odak derinliğine, kontrast zenginliğine ve kurulumda tutarlılığa (kamera, aydınlatma, optik ünite) sahip, net görüntülere dikkat edin.
Daha yüksek bir çözünürlük daha fazla ayrıntı gösterir, ancak daha uzun eğitim süreleri ve daha fazla kaynak ihtiyacı gerektirir. Veri seti görüntüleri eğitim için sıkça küçültülür, örneğin 320 × 320 piksel (YZ giriş görüntüsü).
Önemli: Belirleyici özelliğin bu azaltılmış çözünürlükte de net bir şekilde algılanabilir olması gerekir. İnsan gözü için görünür olan şeyler, genelde YZ modeli tarafından da algılanabilir.
Görüntüler, gerçek ve mümkün olduğunca üretime yakın şartlarda kaydedilmelidir. Veri setini daha sağlam hale getirmek için arka plan değişiklikleri, hafif farklı ışık koşulları, toz, gürültü ya da hafif konum sapmaları gibi doğal varyasyonları sağlayın. Ancak yoğun düzenleme ya da yapay olarak üretilen kötü parçalar gerçekçi olmayan öğrenme örüntülerine yol açabilir. Her iyi parçanın bir işareti olduğu ama kötü parçaların işareti olmadığı gibi sistematik hatalardan kaçınmak da önemlidir. Kamera, aydınlatma ve optik ünitede kurulumun aynı olmasına dikkat edin.
Eğitim sırasında yalnızca, ilgili nesnenin ya da hatalı noktanın bulunduğu görüntü alanını kullanın. Bu, YZ modelinin istenmeden arka plandan öğrenmesini ya da önemli ayrıntıların nispeten yetersiz temsil edilmesini önler. Kırpma, düşük çözünürlükte daha fazla ilgili ayrıntı elde edilmesini ve eğitim süresinden tasarruf sağlar.
Tüm sınıfların (örn. iyi parça, kötü parça) eşit ağırlıklı olarak temsil edilmesi tavsiye edilir. Örneğin %99 OK ve %1 NOK gibi bir dengesizlik, uygulamada hataları sıkça gözden kaçıran, bozuk YZ modellerine yol açar. Dengeli bir veri tabanı, YZ modelinin numune bozulmasını önler ve nadir hata görüntülerinde de algılama performansını artırır.
Çoğaltma, örneğin döndürme, büyütme (zoom), bozma, karlanma ya da parlaklık değişikliği yoluyla varyantların yapay olarak oluşturulması anlamına gelir. Bu sayede mevcut veri setleri genişletebilir ve YZ modelini gerçek dağılımlara hazırlanabilir, bu da özellikle küçük veri setlerinde daha yüksek hassasiyetlere hızla ulaşmak için önemlidir.
Önemli: Çoğaltmanın gerçekçi ve uygulamaya yakın kalması gerekir, çünkü bunun kullanımı YZ modelinin dengeli hassasiyetine büyük bir etkisi vardır. Bir döndürme, örneğin bir hata durumu olabilir ve bu nedenle her uygulamaya uygun değildir.
Önemli: Çoğaltmanın gerçekçi ve uygulamaya yakın kalması gerekir, çünkü bunun kullanımı YZ modelinin dengeli hassasiyetine büyük bir etkisi vardır. Bir döndürme, örneğin bir hata durumu olabilir ve bu nedenle her uygulamaya uygun değildir.
İkinci adımda görüntülere açıklama eklenir ya da etiketlenir. Bu sırada uygulayıcı her görüntü için örneğin iyi mi yoksa kötü bir parçanın mı söz konusu olduğu gibi temel bir gerçeği belirtir.
Etiketleme sürecinin külfeti nasıl en aza indirilebilir?
Tutarlı bir açıklama sağlamak için örneğin üretim ve kalite kontrol bölümlerinden uygulama uzmanları dahil edilmelidir.
“NOK” ve “OK” sınıflandırması öznel olabilir, bu nedenle eğitime ve açıklamaya devam etmeden önce sınıfların net bir şekilde birbirinden ayrılmasına dikkat edilmelidir.
İpucu: Sınır örüntüleri, etiketler yardımıyla bu şekilde işaretlenmelidir. Böylece bu bilgi, ağın daha sonraki doğrulamasına dahil edilebilir.
İpucu: Sınır örüntüleri, etiketler yardımıyla bu şekilde işaretlenmelidir. Böylece bu bilgi, ağın daha sonraki doğrulamasına dahil edilebilir.
Eğitim verilerini değerlendirirken gerçek nesneyi değil, yalnızca görüntülere dayanmak çok önemlidir. Bir kusuru orijinal parçada daha iyi görülebilse de YZ modeli için yalnızca görüntüde görünür olan önemlidir. YZ modeli daha sonra aynı şekilde yalnızca görüntü bilgileriyle çalıştığından, gerçek nesneden ek bilgiler dahil edildiğinde tutarsızlıklar oluşur.
Net olarak tarif edilen hata türleri ve örnek görüntüler içeren bir arıza kataloğunun tutulması, dışlama kriterlerinin güvenli ve anlaşılır bir şekilde tanımlanmasına yardımcı olur. Bu, örneğin yeni hatalarda ya da ürünlerde düzenli olarak güncellendiğinde, bilgi transferininin yanı sıra ek etiketleyicilerin entegre edilmesini kolaylaştırır.
Etiketler, anahtar kelimelerin eklenmesine olanak tanıyor, bu sayede veri kayıtları daha anlaşılır ve daha iyi tasnif edilebilir oluyor. Etiketler atanarak, örneğin hangi verilerin hangi takvim gününde ve hangi saatte kaydedildiği ya da hangi verilerin sınır örüntü olarak kabul edildiği görünür hale getirilebilir.
Sonraki adımda YZ modeli eğitilir ya da ek eğitim verilir. Burada çok çeşitli yaklaşımlar vardır, bununla birlikte bir veri seti her zaman eğitim ve test verilerine ayrılır.
Bir YZ modelinin eğitiminde nelere dikkat edilmelidir?
Çıkarım donanımına uygun bir formata (örn. INT8) sahip ağ mimarisinin seçilmesi, YZ modelinin gecikmesi (yürütme hızı) ve dengeli hassasiyeti açısından belirleyicidir. Uygulamaya bağlı olarak, gecikme ya da hassasiyet yönünde optimizasyon yapılabilir.
İpucu: YZ modelinin aynı veri setiyle birden fazla kez eğitilmesi farklı performans değerlerine yol açabilir. %5'in üzerindeki farklar tutarsız bir veri setine işaret eder.
İpucu: YZ modelinin aynı veri setiyle birden fazla kez eğitilmesi farklı performans değerlerine yol açabilir. %5'in üzerindeki farklar tutarsız bir veri setine işaret eder.
Eğitimde giriş ekranı görüntüsü için bir çözünürlük belirlenmelidir.
Çözünürlük ne kadar yüksekse,
Çözünürlük ne kadar yüksekse,
- değerlendirme süresi o kadar yüksek olur,
- karışma (uygulama) için çalışma hafızasındaki talepler o kadar yüksek olur,
- eğitim o kadar uzun sürer,
- aynı, dengeli hassasiyeti elde etmek için o kadar fazla eğitim verisi gerekir.
Şimdi sıra YZ modelinin doğrulanmasında. YZ sıkça girdisi ve çıktısı olan, ancak YZ modelini doğrulamak için net bilgiler içermeyen bir kara kutu olarak kabul edilir. YZ modelinin raporu, dengeli hassasiyet (Recall ve Precision), yanlış tahminler, tahmini çıkarım süresi hakkında bilgi verir ve böylece anlaşılabilirliğe yardımcı olur.
YZ modelinin anlaşılabilirliği için ipuçları ve püf noktaları
Matris, bir YZ modelinin tahminlerinin gerçek sınıflarla ne sıklıkta uyumlu olduğunu ve hataların nerede ortaya çıktığını gösterir.
İpucu: Yanlış tahminlerin en yaygın nedenleri yanlış bir açıklama ya da sınır örüntüsüdür. Bu durumda açıklamanın uyarlanması ve yeniden eğitilmesi gerekir. Hedef, yanlış tahminleri en aza indirmektir.
Isı haritası, sonucun tahmin edilmesinde hangi görüntü alanının belirleyici olduğunu gösterir. Ayrıntılı inceleme, açıklamadaki hatalar ya da numune bozulması hakkında sonuç çıkarılmasına olanak tanır. Bu, veri örüntülerinin şeffaflığını ve anlaşılırlığını artırır.
Bir YZ modelinin tahmini, YZ modelinin kararı konusunda ne kadar emin olduğunu belirten skora dayanır. Belirleyici olan, her durumda mümkün olduğunca yüksek skorlara ulaşmak değil, belirgin olan ve olmayan durumlar arasında net bir ayrım yapmaktır: Yüksek skorların yalnızca net sonuçlarda ortaya çıkması gerekirken, belirsiz durumlarda bilinçli olarak daha düşük skorlar mantıklıdır. Bu şekilde YZ modelinin belirsiz durumlarda da "yanlış fazla emin" kararı vermesi önlenir.
Hem eğitimde hem de YZ modelinin çıkarımında, her veri seti görüntüsünün çözünürlüğü, YZ giriş görüntüsü olarak kullanılmadan önce düşürülür. Bu nedenle ilgili özelliğin hala algılanabilir olup olmadığını kontrol edin. Değilse, örneğin daha tutarlı bir kırpma ya da YZ giriş görüntüsünün daha yüksek bir çözünürlükte seçilmesi yardımcı olabilir.
YZ modellerini değerlendirmek için çeşitli doğrulama yöntemleri vardır. Genelde veri setleri eğitim, doğrulama ve test verilerine ayrılır.
Açıklama: Kullanıcılar özellikle küçük veri setlerinde K-Fold doğrulamasının sağlam değerlendirmesinden faydalanır. Uygun olmayan bir doğrulama yönteminin seçilmesi, YZ modelinin güvenilir olmayan değerlendirmelerine yol açar.
- Eğitim verileri, YZ modelini eğitmek için kullanılır ve tipik olarak verilerin %70–80'ini oluşturur.
- Doğrulama verileri, eğitim sırasında, ağırlıkları uyarlamak ve YZ modelinin aşırı eğitilip eğitilmediğini (Overfitting) kontrol etmek için kullanılır. Bunlar tipik olarak verilerin %10–20'sini oluşturur.
- Test verileri yalnızca YZ modelinin nihai kalitesini değerlendirmek için kullanılır ve verilerin %10–20'sini oluşturur.
| Özellik | Hold-out doğrulaması | K-Fold-Cross doğrulaması |
|---|---|---|
| Açıklama | Veri seti bir kereliğine, örneğin %80 eğitim / %20 test şeklinde bölünür | Veri seti k parçamarına bölünür, YZ modeli k kez diğer test verileriyle değerlendirilir |
| Avantajlar |
|
|
| Dezavantajlar |
|
|
Eğitimi tamamlanan YZ modeli, eğitim ortamından çıkarım platformuna aktarılır. Çoğu zaman eşzamanlı olarak birden fazla sisteme aktarılır. Bu ilk devreye alma, YZ modelinin dağıtımı olarak adlandırılır.
YZ'nin görüntü işleme uygulamasına entegrasyonu nasıl yapılır?
YZ'yi etkili ve verimli bir şekilde kullanmak, uygun uzmanlık gerektirir, aksi halde entegrasyon çok külfetli hale gelir. wenglor, AI Lab'la yüksek performanslı wenglor donanımında kesintisiz olarak çalıştırılabilen YZ modellerinin oluşturulması için sezgisel olarak kullanılabilen bir eğitim platformu sunuyor. weHub sayesinde sürekli eğitim döngüleri yürütülebilir ve veri setleri sürekli olarak ilgili, yeni verilerle genişletilebilir.
Bir YZ modeli oluştururken, kullanıcı önce uygun bir ağ mimarisi seçer. Ardından buna dayanarak uygun bir eğitim platformunun yanı sıra uygulama için kullanılacak araçlar seçilir. YZ ağları için evrensel olarak kullanılabilen değişim formatı Open Neural Network Exchange (ONNX), açık standart olarak YZ modellerinin platformlar arası kullanımına olanak sağlar. Machine Vision yazılımı uniVision 3, YZ modellerinin ONNX formatında kesintisiz entegrasyonunu sağlar. Ayrıca GitHub'la ONNX ağınızı wenglor donanımında kullanmak üzere nicelendirebilirsiniz.
Devreye alma gerçekleştikten sonra aşağıdaki nedenlerle ek eğitim verilmesi gerekebilir:
- Algılanacak yeni sınıflar ortaya çıkmıştır.
- Skor değerleri, örneğin parti değişiklikleri, iş parçası taşıyıcılarının kirlenmesi ya da aşınması ya da azalan ışık gücü nedeniyle düşmüştür.
- Dengeli hassasiyet gereksinimleri değişmiştir.
Yeni veri kaydedilmeden önce eldeki veri tabanının tutarlı ve net olduğundan emin olun. Yanlış tahminleri gözden geçirin ve gerekirse her açıklamayı tekrar kontrol edin. Isı haritası, skor değerleri ve karışıklık matrisi gibi doğrulama araçlarını kullanın. Ardından en kötü performans gösteren sınıfa odaklanın ve bu sınıfa, ideal olarak modelin özellikle kötü sonuç verdiği ve puan değerinin buna uygun olarak düşük olduğu varyantların ya da ürünlerin yaklaşık 100 ek resmini kullanıma sunun. Alternatif olarak sınıf başına 50 yeni görüntü de eklenebilir.
Veriler ne kadar kaliteliyse, YZ modeli de o kadar güçlüdür. Burada her zaman kalite her zaman miktardan önce gelir kuralı geçerlidir. Yüksek kaliteli, dengeli ve gerçeğe yakın verilere odaklanmak, daha güvenilir YZ modelleri sağlıyor, aşırı uyum riskini azaltıyor ve üretimde günlük hayata uygunluğu artırıyor. Akıllı veri seçimine yatırım yapanlar daha sonra eğitim külfetinden tasarruf ediyor ve yüksek hassasiyete daha hızlı ulaşırken aynı zamanda anlaşılabilir sonuçlar elde ediyor.
YZ modellerinin eğitimi için üç temel yaklaşımın karşılaştırılması
Deep Learning, karmaşık nöranal ağlardan yararlanır ve özellikle yüksek görüntü değişkenliği ve yüksek hassasiyet gereksinimleri olan uygulamalara uygundur. Bunun için çoğunlukla yüksek hesaplama performansı ve daha uzun eğitim süreleri gerekir. Edge Learning de aynı şekilde Deep Learning'e dayanır, ancak eğitimin doğrudan uç cihazda (Edge Device) yapılmasıyla ayrılır. Bu, hızlı ve kolay bir entegrasyona olanak sağlar, ancak genelde daha çok basit kontrol görevlerine uygun olan, daha düşük performanslı YZ modellerine yol açar.
Edge Learning klasik, kural tabanlı yöntemlerin daha uygun olduğu ve yıllardan beri kendini kanıtladığı yerlerde bile görüntü işleme görevleri için basit bir çözüm olarak YZ'ye yeni başlayanlar tarafından sıkça kullanılıyor. Edge Learning kullanılmı riskler barındıyor, çünkü Edge çözümlerinin kolay kurulumu sıkça sağlamlık, anlaşılabilirlik ve algılama hassasiyeti aleyhine gerçekleşiyor.
| Bulut (örneğin AI Lab) | On-Premise | Edge | |
|---|---|---|---|
| Özellikler | Harici hostlu bulut | Şirket bulutu, sunucu, yerel bilgisayar | Yerel, doğrudan üretimdeki cihazda |
| Uygulama karmaşıklığı | Basitten karmaşığa | Bireysel | Basit |
| Maliyet kontrolü | Kullanım başına ödeme, eğitim donanımı için satın alma maliyeti yok | Donanım yatırımları ve işletme maliyetleri | Ek ücret yok (akıllı cihazda çalışır) |
| Kurulum ve erişim | Özel kurulum gerekmez, internet bağlantısıyla, tarayıcı üzerinden erişilebilir | Uygun eğitim donanımının kurulur ve düzenlenir | Doğrudan donanım üzerinde (örn. Smart Camera) çalışır, tarayıcı/3. taraf yazılımı gerekir |
| Eğitim esnekliği | Basitten karmaşık YZ modellerine ve küçükten büyük veri setlerine kadar yüksek esneklik
|
Sorumluluk işletciye aittir | Eğitim esnekliği çoğu zaman sınırlıdır
|
| Doğrulanabilirlik ve anlaşılabilirlik | Merkezi olarak depolanan, büyük veri miktarlarına dayanan, istatistiksel açıdan sağlam doğrulama | Büyük veri miktarlarına dayanan, istatistiksel açıdan sağlam doğrulama, depolama kullanıcının sorumluluğundadır | Ayrı parçalar kullanarak kolay manuel fonksiyon testi |
| İşbirliği ve veri seti yönetimi | Merkezi olarak yönetilebilir ve ekip çalışmasına uygun | Kuruluma bağlı | Yalnızca tek kişilik çözüm, gerçek işbirliği ya da rol tabanlı kontrol yok |
| Ölçeklenebilirlik | Bulut sunucusu üzerinden otomatik olarak ölçeklenebilir | Operatöre bağlı (bellek, işlem gücü, yazılım çözümü) | Yalnızca daha fazla uç cihaz temin edilerek ölçeklenebilir |
| Kullanılabilirlik ve Dağıtım | Merkezi, her cihazdan kullanılabilir Ölçeklenebilir dağıtım: Birden fazla hat, konum ya da bölgede YZ modellerinin yayımı |
Yerel olarak ya da ağ içinde kullanılabilir | Merkezi olmayan, yerel donanımda ya da ağda kullanılabilir (çevrimdışı) |
| Veri güvenliği, erişim kontrolü ve yedeklemeler | Bulut sağlayıcısına bağlı olarak, kullanıcı rolleri ve yedeklemelerle merkezi | Kuruluma bağlı, kullanıcının sorumluluğunda | Yerel veri depolama güvenlidir ama merkezi kullanıcı yönetimi ya da otomatik yedeklemeler yoktur |
|
Özellikler
|
||
|
Bulut (örneğin AI Lab)
Harici hostlu bulut
|
On-Premise
Şirket bulutu, sunucu, yerel bilgisayar
|
Edge
Yerel, doğrudan üretimdeki cihazda
|
|
Uygulama karmaşıklığı
|
||
|
Bulut (örneğin AI Lab)
Basitten karmaşığa
|
On-Premise
Bireysel
|
Edge
Basit
|
|
Maliyet kontrolü
|
||
|
Bulut (örneğin AI Lab)
Kullanım başına ödeme, eğitim donanımı için satın alma maliyeti yok
|
On-Premise
Donanım yatırımları ve işletme maliyetleri
|
Edge
Ek ücret yok (akıllı cihazda çalışır)
|
|
Kurulum ve erişim
|
||
|
Bulut (örneğin AI Lab)
Özel kurulum gerekmez, internet bağlantısıyla, tarayıcı üzerinden erişilebilir
|
On-Premise
Uygun eğitim donanımının kurulur ve düzenlenir
|
Edge
Doğrudan donanım üzerinde (örn. Smart Camera) çalışır, tarayıcı/3. taraf yazılımı gerekir
|
|
Eğitim esnekliği
|
||
|
Bulut (örneğin AI Lab)
Basitten karmaşık YZ modellerine ve küçükten büyük veri setlerine kadar yüksek esneklik
|
On-Premise
Sorumluluk işletciye aittir
|
Edge
Eğitim esnekliği çoğu zaman sınırlıdır
|
|
Doğrulanabilirlik ve anlaşılabilirlik
|
||
|
Bulut (örneğin AI Lab)
Merkezi olarak depolanan, büyük veri miktarlarına dayanan, istatistiksel açıdan sağlam doğrulama
|
On-Premise
Büyük veri miktarlarına dayanan, istatistiksel açıdan sağlam doğrulama, depolama kullanıcının sorumluluğundadır
|
Edge
Ayrı parçalar kullanarak kolay manuel fonksiyon testi
|
|
İşbirliği ve veri seti yönetimi
|
||
|
Bulut (örneğin AI Lab)
Merkezi olarak yönetilebilir ve ekip çalışmasına uygun
|
On-Premise
Kuruluma bağlı
|
Edge
Yalnızca tek kişilik çözüm, gerçek işbirliği ya da rol tabanlı kontrol yok
|
|
Ölçeklenebilirlik
|
||
|
Bulut (örneğin AI Lab)
Bulut sunucusu üzerinden otomatik olarak ölçeklenebilir
|
On-Premise
Operatöre bağlı (bellek, işlem gücü, yazılım çözümü)
|
Edge
Yalnızca daha fazla uç cihaz temin edilerek ölçeklenebilir
|
|
Kullanılabilirlik ve Dağıtım
|
||
|
Bulut (örneğin AI Lab)
Merkezi, her cihazdan kullanılabilir
Ölçeklenebilir dağıtım: Birden fazla hat, konum ya da bölgede YZ modellerinin yayımı |
On-Premise
Yerel olarak ya da ağ içinde kullanılabilir
|
Edge
Merkezi olmayan, yerel donanımda ya da ağda kullanılabilir (çevrimdışı)
|
|
Veri güvenliği, erişim kontrolü ve yedeklemeler
|
||
|
Bulut (örneğin AI Lab)
Bulut sağlayıcısına bağlı olarak, kullanıcı rolleri ve yedeklemelerle merkezi
|
On-Premise
Kuruluma bağlı, kullanıcının sorumluluğunda
|
Edge
Yerel veri depolama güvenlidir ama merkezi kullanıcı yönetimi ya da otomatik yedeklemeler yoktur
|
