Classification d'images - Deep Learning pour la détection de défauts

Être capable d'analyser les défauts d'usine en temps réel est une tâche critique pour augmenter la qualité de la ligne de production et réduire les défauts. La mise en œuvre d'un tel cas d'utilisation avec l'apprentissage profond pour la vision par ordinateur peut être difficile à grande échelle, surtout lorsqu'il s'agit de prétraitement des données et de construction de chaînes de production de qualité industrielle. Databricks simplifie ce processus de bout en bout, rendant toutes les tâches opérationnelles simples afin que vous puissiez vous concentrer sur l'amélioration des performances du modèle. Dans cette démo, nous allons expliquer comment mettre en œuvre une chaîne complète d'apprentissage profond pour détecter les défauts des cartes de circuits imprimés (PCB), de l'ingestion d'images aux inférences en temps réel (via REST API) :

• Simplifiez l'ingestion de données et d'images en utilisant Databricks Auto Loader et Delta Lake
• Apprenez à effectuer un prétraitement d'image à grande échelle
• Formez et déployez un pipeline de vision par ordinateur avec Hugging Face et le nouveau jeu de données Spark DataFrame pour les transformateurs
• Déployez le pipeline pour les inférences par lots ou en continu et la diffusion en temps réel avec les points de terminaison de modèle Databricks Serverless
• Comprenez quels pixels sont signalés comme des PCB endommagés pour mettre en évidence les défauts potentiels.
• Un exemple complet de formation et d'inférence en utilisant PyTorch Lightning si la bibliothèque Hugging Face ne suffit pas à vos besoins, y compris deltatorch et la formation distribuée avec TorchDistributor

Pour installer la démo, obtenez un espace de travail Databricks gratuit et exécutez les deux commandes suivantes dans un carnet Python

%pip installez dbdemos

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

Dbdemos est une bibliothèque Python qui installe des démonstrations Databricks complètes dans vos espaces de travail. Dbemos chargera et démarrera des carnets de notes, des pipelines Delta Live Tables, des clusters, des tableaux de bord Databricks SQL, des modèles d'entrepôt ... Voir comment utiliser dbdemos

Dbdemos est distribué en tant que projet GitHub.

Pour plus de détails, veuillez consulter le GitHub fichier README.md et suivre la documentation.
Dbdemos est fourni tel quel. Voir le Licence et Avis pour plus d'informations.
Databricks n'offre pas de support officiel pour dbdemos et les ressources associées.
Pour tout problème, veuillez ouvrir un ticket et l'équipe de démonstration examinera sur une base de meilleurs efforts.