Classificazione delle immagini - Deep Learning per il rilevamento dei default

Essere in grado di analizzare i difetti di fabbrica in tempo reale è un compito critico per aumentare la qualità della linea di produzione e ridurre i difetti. Implementare un caso d'uso del genere con l'apprendimento profondo per la visione artificiale può essere impegnativo su larga scala, specialmente quando si tratta di pre-elaborazione dei dati e costruzione di pipeline di produzione di grado industriale. Databricks semplifica questo processo da capo a piedi, rendendo tutte le attività operative semplici in modo che tu possa concentrarti sul miglioramento delle prestazioni del modello. In questa demo, copriremo come implementare un intero pipeline di deep learning per rilevare difetti nelle schede di circuito stampato (PCB), dall'ingestione dell'immagine alle inferenze in tempo reale (tramite REST API):

• Semplifica l'ingestione di dati e immagini utilizzando Databricks Auto Loader e Delta Lake
• Impara come fare la pre-elaborazione delle immagini su larga scala
• Addestra e implementa un pipeline di computer vision con Hugging Face e il nuovo set di dati Spark DataFrame per i trasformatori
• Distribuisci il pipeline per inferenze batch o streaming e servizio in tempo reale con i punti di terminazione del modello Databricks Serverless
• Comprendi quali pixel sono contrassegnati come PCB danneggiati per evidenziare possibili difetti
• Un esempio completo di formazione e inferenza utilizzando PyTorch Lightning se la libreria Hugging Face non è sufficiente per le tue esigenze, incluso deltatorch e formazione distribuita con TorchDistributor

Per installare la demo, ottieni un workspace Databricks gratuito ed esegui i seguenti due comandi in un notebook Python.

%pip installa dbdemos

importa dbdemos
dbdemos.installa('computer-vision-pcb')

Dbdemos è una libreria Python che installa demo complete di Databricks nei tuoi spazi di lavoro. Dbemos caricherà e avvierà quaderni, pipeline di Delta Live Tables, cluster, cruscotti Databricks SQL, modelli di magazzino... Vedi come usare dbdemos

Dbdemos è distribuito come un progetto GitHub.

Per ulteriori dettagli, si prega di consultare il GitHub file README.md e seguire la documentazione.
Dbdemos è fornito così com'è. Consulta la Licenza e Avviso per ulteriori informazioni.
Databricks non offre supporto ufficiale per dbdemos e gli asset associati.
Per qualsiasi problema, si prega di aprire un ticket e il team di demo esaminerà la situazione nel miglior modo possibile.