Classificação de imagem - Aprendizado Profundo para Detecção de Defeitos

Ser capaz de analisar defeitos de fábrica em tempo real é uma tarefa crítica para aumentar a qualidade da linha de produção e reduzir defeitos. Implementar um caso de uso como esse com deep learning para visão computacional pode ser desafiador em grande escala, especialmente quando se trata de pré-processamento de dados e construção de pipelines de produção. Databricks simplifica esse processo de ponta a ponta, tornando todas as tarefas operacionais simples para que você possa se concentrar em melhorar o desempenho do modelo. Nesta demonstração, vamos abordar como implementar um pipeline completo de aprendizado profundo para detectar defeitos em placas de circuito impresso (PCB), desde a ingestão de imagens até inferências em tempo real (via REST API):

• Simplifique a ingestão de dados e imagens usando o Databricks Auto Loader e o Delta Lake
• Aprenda como fazer o pré-processamento de imagens em grande escala
• Treine e implante um pipeline de visão computacional com Hugging Face e o novo conjunto de dados DataFrame do Spark para transformadores
• Implemente o pipeline para inferências em lote ou streaming e serviço em tempo real com pontos finais de modelo Databricks Serverless
• Entenda quais pixels são marcados como PCBs danificados para destacar possíveis defeitos
• Um exemplo completo de treinamento e inferência usando PyTorch Lightning se a biblioteca Hugging Face não for suficiente para suas necessidades, incluindo deltatorch e treinamento distribuído com TorchDistributor

Para instalar a demonstração, obtenha uma área de trabalho Databricks gratuita e execute os dois comandos seguintes em um notebook Python.

%pip instale dbdemos

importar dbdemos
dbdemos.install('computer-vision-pcb')

Dbdemos é uma biblioteca Python que instala demonstrações completas do Databricks em seus espaços de trabalho. Dbemos carregará e iniciará notebooks, pipelines do Delta Live Tables, clusters, painéis do Databricks SQL, modelos de armazém... Veja como usar dbdemos

Dbdemos é distribuído como um projeto do GitHub.

Para mais detalhes, por favor, veja o GitHub arquivo README.md e siga a documentação.
Dbdemos é fornecido como está. Veja a Licença e Aviso para mais informações.
Databricks não oferece suporte oficial para dbdemos e os ativos associados.
Para qualquer problema, por favor, abra um ticket e a equipe de demonstração dará uma olhada com o melhor esforço possível.