Bildklassifizierung - Deep Learning für Standarderkennung

Die Fähigkeit, Fabrikfehler in Echtzeit zu analysieren, ist eine entscheidende Aufgabe, um die Qualität der Produktionslinie zu erhöhen und Fehler zu reduzieren. Die Implementierung eines solchen Anwendungsfalls mit Deep Learning für Computer Vision kann im großen Maßstab herausfordernd sein, insbesondere wenn es um die Vorverarbeitung von Daten und den Aufbau von produktionsreifen Pipelines geht. Databricks vereinfacht diesen Prozess von Anfang bis Ende und macht alle betrieblichen Aufgaben einfach, damit Sie sich auf die Verbesserung der Modellleistung konzentrieren können. In dieser Demo zeigen wir, wie man eine vollständige Deep-Learning-Pipeline implementiert, um Fehler auf gedruckten Schaltkreisen (PCB) zu erkennen, von der Bildaufnahme bis zu Echtzeit-Inferenzen (über REST API):

• Vereinfachen Sie die Aufnahme von Daten und Bildern mit Databricks Auto Loader und Delta Lake
• Lernen Sie, wie Sie die Bildvorverarbeitung im großen Maßstab durchführen
• Trainieren und implementieren Sie eine Computer Vision Pipeline mit Hugging Face und dem neuen Spark DataFrame Datensatz für Transformatoren
• Implementieren Sie die Pipeline für Batch- oder Streaming-Inferenzen und Echtzeit-Bereitstellung mit Databricks Serverless Modell-Endpunkten
• Verstehen Sie, welche Pixel als beschädigte PCBs markiert sind, um potenzielle Standardwerte hervorzuheben
• Ein vollständiges Trainings- und Inferenzbeispiel mit PyTorch Lightning, falls die Hugging Face-Bibliothek nicht ausreicht für Ihre Anforderungen, einschließlich deltatorch und verteiltem Training mit TorchDistributor

Um die Demo zu installieren, besorgen Sie sich eine kostenlose Databricks-Arbeitsumgebung und führen Sie die folgenden zwei Befehle in einem Python-Notebook aus.

%pip installieren Sie dbdemos

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

Dbdemos ist eine Python-Bibliothek, die vollständige Databricks-Demos in Ihren Arbeitsbereichen installiert. Dbemos lädt und startet Notebooks, Delta Live Tables Pipelines, Cluster, Databricks SQL Dashboards, Warehouse-Modelle ... Siehe wie man dbdemos verwendet

Dbdemos wird als GitHub-Projekt bereitgestellt.

Für weitere Details, sehen Sie bitte das GitHub README.md-Datei an und folgen Sie der Dokumentation.
Dbdemos wird so bereitgestellt, wie es ist. Siehe die Lizenz und Hinweis für weitere Informationen.
Databricks bietet keine offizielle Unterstützung für dbdemos und die zugehörigen Assets.
Bei Problemen öffnen Sie bitte ein Ticket und das Demo-Team wird sich nach bestem Bemühen darum kümmern.