কম্পিউটার ভিশন, এডব্লিউএস প্যানোরামা এবং অ্যামাজন সেজমেকার সহ টাইসনে শিল্প অটোমেশন

Tyson Foods, Inc., কিভাবে কৃত্রিম বুদ্ধিমত্তা প্রয়োগের সুবিধাগুলি প্রান্তে এনে তাদের মাংস প্যাকিং প্ল্যান্টে শিল্প প্রক্রিয়াগুলিকে স্বয়ংক্রিয় করতে Amazon SageMaker এবং AWS Panorama ব্যবহার করছে তা নিয়ে একটি দুই-অংশের ব্লগ সিরিজে এটি প্রথম। প্রথম অংশে, আমরা প্যাকেজিং লাইনের জন্য একটি তালিকা গণনা অ্যাপ্লিকেশন নিয়ে আলোচনা করি। দ্বিতীয় অংশে, আমরা শিল্প সরঞ্জামগুলির পূর্বাভাসমূলক রক্ষণাবেক্ষণের জন্য প্রান্তে একটি দৃষ্টি-ভিত্তিক অসঙ্গতি সনাক্তকরণ সমাধান নিয়ে আলোচনা করি।

বিশ্বের অন্যতম বৃহত্তম প্রসেসর এবং মুরগির মাংস, গরুর মাংস এবং শুয়োরের মাংসের বিপণনকারী হিসাবে, টাইসন ফুডস, ইনক।, তাদের উৎপাদন এবং প্যাকিং প্ল্যান্টে উদ্ভাবনী সমাধান আনার জন্য পরিচিত। 2020 সালের ফেব্রুয়ারিতে, টাইসন ঘোষিত তার মুরগির গাছগুলিতে কম্পিউটার ভিশন (সিভি) আনার পরিকল্পনা এবং ইনভেন্টরি ব্যবস্থাপনায় অগ্রগামী প্রচেষ্টার জন্য AWS-এর সাথে একটি পাইলট চালু করেছে। টাইসন সহযোগিতা করেছেন অ্যামাজন এমএল সলিউশন ল্যাব একটি অত্যাধুনিক চিকেন ট্রে কাউন্টিং সিভি সলিউশন তৈরি করতে যা প্যাকড ইনভেন্টরি লেভেলের রিয়েল-টাইম অন্তর্দৃষ্টি প্রদান করে। এই পোস্টে, আমরা AWS আর্কিটেকচারের একটি ওভারভিউ এবং টাইসনের প্ল্যান্টে সেট আপ করা ট্রে কাউন্টিং পাইপলাইনের মূল উপাদানগুলি প্রদর্শন করার জন্য সমাধানের একটি সম্পূর্ণ ওয়াকথ্রু প্রদান করি। আমরা ডেটা সংগ্রহ এবং লেবেলিং, প্রশিক্ষণ এবং প্রান্তে সিভি মডেল স্থাপনের উপর ফোকাস করব আমাজন সেজমেকার, Apache MXNet Gluon, এবং AWS প্যানোরামা.

টাইসন ফুডস-এ অপারেশনাল এক্সিলেন্স একটি মূল অগ্রাধিকার। Tyson তাদের প্যাকেজিং লাইনে কঠোর মানের নিশ্চয়তা (QA) ব্যবস্থা নিযুক্ত করে, এটি নিশ্চিত করে যে শুধুমাত্র প্যাকেজ করা পণ্যগুলি যেগুলি তাদের মান নিয়ন্ত্রণ প্রোটোকল পাস করে তার গ্রাহকদের কাছে পাঠানো হয়। গ্রাহকের চাহিদা মেটাতে এবং যেকোন উৎপাদন সমস্যায় এগিয়ে থাকার জন্য, টাইসন প্যাক করা মুরগির ট্রে সংখ্যা নিবিড়ভাবে পর্যবেক্ষণ করে। যাইহোক, QA পাস করে এমন মুরগির ট্রে গণনা করার বর্তমান ম্যানুয়াল কৌশলগুলি সঠিক নয় এবং উৎপাদন স্তরের বেশি/কমটির একটি স্পষ্ট চিত্র উপস্থাপন করে না। বিকল্প কৌশল যেমন প্রতি ঘণ্টায় প্রতি র্যাকে উৎপাদনের মোট ওজন পর্যবেক্ষণ করা প্ল্যান্টের কর্মীদের তাৎক্ষণিক প্রতিক্রিয়া প্রদান করে না। প্রতি সপ্তাহে 45,000,000 মাথার মুরগির প্রক্রিয়াকরণ ক্ষমতা সহ, উৎপাদন নির্ভুলতা এবং দক্ষতা টাইসনের ব্যবসার জন্য গুরুত্বপূর্ণ। বাস্তব সময়ে প্রক্রিয়াকৃত মুরগির পরিমাণ নির্ভুলভাবে অনুমান করার জন্য এই ধরনের পরিস্থিতিতে সিভি কার্যকরভাবে ব্যবহার করা যেতে পারে, কর্মীদের ক্ষমতায়ন করে প্যাকেজিং এবং উৎপাদন লাইনে সম্ভাব্য বাধাগুলি শনাক্ত করার জন্য। এটি সংশোধনমূলক ব্যবস্থা বাস্তবায়ন করতে সক্ষম করে এবং উত্পাদন দক্ষতা উন্নত করে।

CV অ্যাপ্লিকেশনের জন্য ক্লাউডে অন-প্রিমিস ভিডিও স্ট্রিম স্ট্রিমিং এবং প্রক্রিয়াকরণের জন্য উচ্চ নেটওয়ার্ক ব্যান্ডউইথ এবং প্রাসঙ্গিক পরিকাঠামোর বিধান প্রয়োজন। এটি একটি খরচ নিষিদ্ধ কাজ হতে পারে. AWS প্যানোরামা এই প্রয়োজনীয়তাগুলি সরিয়ে দেয় এবং টাইসনকে AWS প্যানোরামা অ্যাপ্লায়েন্সের প্রান্তে ভিডিও স্ট্রিমগুলি প্রক্রিয়া করতে সক্ষম করে৷ এটি ক্লাউড এবং ব্যান্ডউইথ খরচ থেকে/থেকে লেটেন্সি কমায়, যখন প্রান্তে ডিভাইস এবং অ্যাপ্লিকেশন পরিচালনার জন্য একটি সহজে ব্যবহারযোগ্য ইন্টারফেস প্রদান করে।

অবজেক্ট ডিটেকশন হল সর্বাধিক ব্যবহৃত সিভি অ্যালগরিদমগুলির মধ্যে একটি যা ছবি এবং ভিডিওতে বস্তুর অবস্থান স্থানীয়করণ করতে পারে। এই প্রযুক্তিটি বর্তমানে বিভিন্ন বাস্তব-জীবনের অ্যাপ্লিকেশনে ব্যবহার করা হচ্ছে যেমন স্বায়ত্তশাসিত যানবাহনে পথচারীদের স্পটিং, মেডিকেল স্ক্যানে টিউমার সনাক্ত করা, খুচরা স্থানগুলিতে মানুষের পদচারণা নিরীক্ষণ করার জন্য লোক গণনা সিস্টেম ইত্যাদি। এটি ইনভেন্টরি ম্যানেজমেন্ট ব্যবহারের ক্ষেত্রেও গুরুত্বপূর্ণ, যেমন টাইসনের জন্য মাংসের ট্রে গণনা, উত্পাদন প্রক্রিয়া, খরচ সঞ্চয় এবং সময়মতো গ্রাহকের চালান সরবরাহের সাথে একটি প্রতিক্রিয়া লুপ তৈরি করে বর্জ্য হ্রাস করা।

এই ব্লগ পোস্টের নিম্নলিখিত বিভাগগুলি আমাজন সেজমেকার ব্যবহার করে একটি অবজেক্ট সনাক্তকরণ মডেলকে প্রশিক্ষণ দেওয়ার জন্য টাইসন ফুডস প্ল্যান্টের একটি থেকে লাইভ-স্ট্রিম ভিডিওগুলি কীভাবে ব্যবহার করি তার রূপরেখা দেয়৷ তারপরে আমরা এটিকে AWS প্যানোরামা ডিভাইসের সাথে প্রান্তে স্থাপন করি।

AWS প্যানোরামা

AWS প্যানোরামা হল একটি মেশিন লার্নিং (ML) অ্যাপ্লায়েন্স যা সংস্থাগুলিকে উচ্চ নির্ভুলতা এবং কম বিলম্বের সাথে স্থানীয়ভাবে ভবিষ্যদ্বাণী করতে অন-প্রিমাইজ ক্যামেরায় CV আনতে দেয়। AWS প্যানোরামা অ্যাপ্লায়েন্স হল একটি হার্ডওয়্যার ডিভাইস যা আপনাকে ML ব্যবহার করে ভিডিও স্ট্রীম থেকে ডেটা সংগ্রহ করতে, পাঠ্য এবং গ্রাফিকাল ওভারলে সহ ভিডিও আউটপুট করতে এবং অন্যান্য AWS পরিষেবাগুলির সাথে ইন্টারঅ্যাক্ট করতে দেয়। অ্যাপ্লায়েন্সটি সমান্তরালভাবে একাধিক ভিডিও স্ট্রিমের বিপরীতে একাধিক সিভি মডেল চালাতে পারে এবং রিয়েল টাইমে ফলাফল আউটপুট করতে পারে। এটি বাণিজ্যিক এবং শিল্প সেটিংসে ব্যবহারের জন্য ডিজাইন করা হয়েছে।

AWS প্যানোরামা অ্যাপ্লায়েন্স আপনাকে AWS ক্লাউডে ছবি না পাঠিয়ে প্রান্তে স্বয়ংসম্পূর্ণ সিভি অ্যাপ্লিকেশন চালাতে সক্ষম করে। আপনি অন্যান্য AWS পরিষেবাগুলির সাথে একীভূত করতে এবং সময়ের সাথে অ্যাপ্লিকেশন থেকে ডেটা ট্র্যাক করতে সেগুলি ব্যবহার করতে AWS প্যানোরামা অ্যাপ্লায়েন্সে AWS SDK ব্যবহার করতে পারেন৷ অ্যাপ্লিকেশনগুলি তৈরি এবং স্থাপন করতে, আপনি AWS প্যানোরামা অ্যাপ্লিকেশন CLI ব্যবহার করেন৷ CLI হল একটি কমান্ড লাইন টুল যা ডিফল্ট অ্যাপ্লিকেশন ফোল্ডার এবং কনফিগারেশন ফাইল তৈরি করে, ডকার দিয়ে কন্টেইনার তৈরি করে এবং সম্পদ আপলোড করে।

AWS প্যানোরামা দ্বারা নির্মিত মডেল সমর্থন করে অ্যাপাচি এমএক্সনেট, অন্ধকার জাল, GluonCV, Keras, ওএনএনএক্স, পাইটর্চ, TensorFlow, এবং টেন্সরফ্লো লাইট। নির্দেশ করে এই ব্লগ পোস্ট AWS প্যানোরামায় অ্যাপ্লিকেশন তৈরির বিষয়ে আরও জানতে। স্থাপনা প্রক্রিয়া চলাকালীন এডব্লিউএস প্যানোরামা প্রান্ত প্ল্যাটফর্মের জন্য নির্দিষ্ট মডেলটি কম্পাইল করার যত্ন নেয় আমাজন সেজমেকার নিও সংকলন. অনুমান ফলাফলগুলি AWS পরিষেবাগুলিতে যেমন Amazon S3, Amazon CloudWatch বা অন-প্রিমিস লাইন-অফ-বিজনেস অ্যাপ্লিকেশনগুলির সাথে একত্রিত করা যেতে পারে। স্থাপনার লগগুলি অ্যামাজন ক্লাউডওয়াচে সংরক্ষণ করা হয়।

অনুমান স্ক্রিপ্ট লজিক বা প্রশিক্ষিত মডেলের কোনো পরিবর্তন ট্র্যাক করতে, কেউ অ্যাপ্লিকেশনটির একটি নতুন সংস্করণ তৈরি করতে পারে। অ্যাপ্লিকেশন সংস্করণ একটি অ্যাপ্লিকেশনের কনফিগারেশনের অপরিবর্তনীয় স্ন্যাপশট। AWS প্যানোরামা আপনার অ্যাপ্লিকেশনগুলির পূর্ববর্তী সংস্করণগুলি সংরক্ষণ করে যাতে আপনি সফল নয় এমন আপডেটগুলি রোল ব্যাক করতে পারেন বা বিভিন্ন যন্ত্রপাতিগুলিতে বিভিন্ন সংস্করণ চালাতে পারেন৷

আরও তথ্যের জন্য, দেখুন AWS প্যানোরামা পৃষ্ঠা. নমুনা অ্যাপ্লিকেশন নির্মাণ সম্পর্কে আরো জানতে, পড়ুন AWS প্যানোরামা নমুনা.

অভিগমন

একজন প্ল্যান্টের কর্মচারী ক্রমাগত প্যাক করা মুরগির ট্রেগুলি প্লাস্টিকের বিনে ভরে রাখে এবং সময়ের সাথে সাথে স্তুপ করে রাখে, যেমনটি আগের চিত্রে দেখানো হয়েছে। আমরা উল্লম্বভাবে স্ট্যাক করা সমস্ত বিন জুড়ে ট্রেগুলির মোট সংখ্যা সনাক্ত করতে এবং গণনা করতে সক্ষম হতে চাই।

একটি প্রশিক্ষিত বস্তু সনাক্তকরণ মডেল প্রতিটি ভিডিও ফ্রেমে একটি বিনের মধ্যে রাখা সমস্ত ট্রেগুলির বাউন্ডিং বাক্সের পূর্বাভাস দিতে পারে। এটি একটি প্রদত্ত দৃষ্টান্তে একটি বিনে ট্রে সংখ্যা গেজ করতে ব্যবহার করা যেতে পারে। আমরা এটাও জানি যে যেকোন সময়ে, শুধুমাত্র একটি বিন প্যাক করা ট্রে দিয়ে ভরা হচ্ছে; ট্রেটি ক্রমাগত উচ্চ (ভরনের সময়) থেকে নিচু পর্যন্ত দোদুল্যমান হয় (যখন একটি নতুন বিন ভরা বিন দেখতে বাধা দেয়)।

এই জ্ঞানের সাথে, আমরা মুরগির ট্রেগুলির মোট সংখ্যা গণনা করার জন্য নিম্নলিখিত কৌশল অবলম্বন করি:

1. দুটি ভিন্ন কাউন্টার বজায় রাখুন - স্থানীয় এবং বিশ্বব্যাপী। গ্লোবাল কাউন্টার রক্ষণাবেক্ষণ করে মোট ট্রে বিনযুক্ত এবং স্থানীয় কাউন্টার একটি নতুন বিনে রাখা সর্বাধিক সংখ্যক ট্রে সংরক্ষণ করে।
2. নতুন ট্রে বিনে স্থাপন করা হলে স্থানীয় কাউন্টার আপডেট করুন।
3. নিম্নলিখিত উপায়ে একটি নতুন বিন ইভেন্ট সনাক্ত করুন:
   1. একটি প্রদত্ত ফ্রেমে ট্রে সংখ্যা শূন্যে চলে যায়৷ (বা)
   2. শেষ ট্রে নম্বর স্ট্রীম n ফ্রেম ক্রমাগত ড্রপ.
4. একবার নতুন বিন ইভেন্ট সনাক্ত করা হলে, গ্লোবাল কাউন্টারে স্থানীয় কাউন্টার মান যোগ করুন।
5. স্থানীয় কাউন্টার শূন্যে রিসেট করুন।

আমরা কয়েক ঘন্টার ভিডিওতে এই অ্যালগরিদমটি পরীক্ষা করেছি এবং ধারাবাহিক ফলাফল পেয়েছি।

Amazon SageMaker এর সাথে একটি বস্তু সনাক্তকরণ মডেল প্রশিক্ষণ

ডেটাসেট তৈরি:

আমরা AWS প্যানোরামা অ্যাপ্লায়েন্স ব্যবহার করে প্যাকেজিং লাইন থেকে ছবির নমুনা সংগ্রহ করেছি। চিত্রগুলি প্রক্রিয়া করার এবং সেগুলি সংরক্ষণ করার স্ক্রিপ্টটি একটি অ্যাপ্লিকেশন হিসাবে প্যাকেজ করা হয়েছিল এবং AWS প্যানোরামাতে স্থাপন করা হয়েছিল। অ্যাপ্লিকেশনটি প্যাকেজিং জোনের কাছে সেট আপ করা একটি অন-প্রিমাইজ ক্যামেরা থেকে ভিডিও ফ্রেম সংগ্রহ করে এবং 60 সেকেন্ডের ব্যবধানে সেগুলি সংরক্ষণ করে আমাজন S3 বালতি; এটি কয়েক সেকেন্ডের ব্যবধানে থাকা ভিডিও সিকোয়েন্সে অনুরূপ ছবি ক্যাপচার করতে বাধা দেয়। আমরা ইমেজে সংলগ্ন অঞ্চলগুলিকেও মাস্ক আউট করি যা ব্যবহারের ক্ষেত্রে প্রাসঙ্গিক নয়।

আমরা বাউন্ডিং বক্স ব্যবহার করে মুরগির ট্রেতে লেবেল লাগিয়েছি আমাজন সেজমেকার গ্রাউন্ড ট্রুথস স্ট্রিমিং লেবেলিং কাজ. আমরা একটি Amazon S3 ইভেন্ট বিজ্ঞপ্তিও সেট আপ করেছি যা প্রকাশ করে বস্তু দ্বারা তৈরি ঘটনা একটিতে অ্যামাজন সাধারণ বিজ্ঞপ্তি পরিষেবা (SNS) বিষয়, যা লেবেলিং কাজের জন্য ইনপুট উৎস হিসেবে কাজ করে। যখন AWS প্যানোরামা অ্যাপ্লিকেশন স্ক্রিপ্ট একটি S3 বালতিতে একটি চিত্র সংরক্ষণ করে, তখন SNS বিষয়ে একটি ইভেন্ট বিজ্ঞপ্তি প্রকাশ করা হয়, যা এই ছবিটিকে লেবেলিংয়ের কাজে পাঠায়। যেহেতু টীকাকাররা প্রতিটি আগত ছবিকে লেবেল করে, গ্রাউন্ড ট্রুথ লেবেলগুলিকে একটি ম্যানিফেস্ট ফাইলে সংরক্ষণ করে, যাতে চিত্রের S3 পাথের পাশাপাশি চিকেন ট্রে বাউন্ডিং বাক্সগুলির স্থানাঙ্ক রয়েছে৷

আমরা লেবেলযুক্ত চিত্রগুলিতে বেশ কয়েকটি ডেটা অগমেন্টেশন (উদাহরণস্বরূপ: এলোমেলো শব্দ, এলোমেলো বৈসাদৃশ্য এবং উজ্জ্বলতা, চ্যানেল শাফেল) সঞ্চালন করি যাতে মডেলটিকে বাস্তব-জীবনে বৈচিত্র্যের জন্য শক্তিশালী করে তোলা যায়। মূল এবং বর্ধিত চিত্রগুলিকে একত্রিত করে একটি ইউনিফাইড ডেটাসেট তৈরি করা হয়েছিল।

মডেল প্রশিক্ষণ:

একবার লেবেলিং কাজ সম্পন্ন হলে, আমরা ম্যানুয়ালি একটি ট্রিগার করি এডাব্লুএস ল্যাম্বদা ফাংশন এই Lambda ফাংশনটি আউটপুট থেকে ইমেজ এবং তাদের সংশ্লিষ্ট লেবেলগুলিকে বান্ডেল করে LST ফাইল. মূল্যায়নে কোনো তথ্য ফাঁস প্রতিরোধ করার জন্য আমাদের প্রশিক্ষণ এবং পরীক্ষার ফাইলগুলিতে বিভিন্ন প্যাকেজিং লাইন থেকে সংগৃহীত ছবি ছিল। Lambda ফাংশন তারপর একটি Amazon SageMaker প্রশিক্ষণ কাজ ট্রিগার.

আমরা ব্যাবহার করি সেজমেকার স্ক্রিপ্ট মোড, যা আপনাকে Amazon SageMaker-এর ব্যবহারকারী-বান্ধব সীমার মধ্যে থাকার সময় আপনার নিজস্ব প্রশিক্ষণ অ্যালগরিদম আনতে এবং মডেলগুলিকে সরাসরি প্রশিক্ষণ দেওয়ার অনুমতি দেয়৷ আমরা SSD, Yolo-v3 (রিয়েল-টাইম ইনফারেন্স লেটেন্সির জন্য) এর মতো মডেলগুলিকে বিভিন্ন ব্যাকবোন নেটওয়ার্ক কম্বিনেশন সহ প্রশিক্ষণ দিই বস্তু সনাক্তকরণের জন্য GluonCV মডেল চিড়িয়াখানা স্ক্রিপ্ট-মোডে। নিউরাল নেটওয়ার্কগুলিতে প্রশিক্ষণের ডেটা ওভারফিট করার প্রবণতা রয়েছে, যার ফলে নমুনার বাইরের ফলাফল খারাপ হয়। GluonCV প্রশিক্ষণের সময় ওভারফিটিং কমাতে সাহায্য করার জন্য ইমেজ স্বাভাবিককরণ এবং ইমেজ অগমেন্টেশন প্রদান করে, যেমন এলোমেলো ছবি ফ্লিপিং এবং ক্রপিং। দ্য মডেল প্রশিক্ষণ কোড কন্টেইনারাইজড এবং আমাদের AWS ইলাস্টিক কন্টেইনার রেজিস্ট্রিতে ডকার ইমেজ ব্যবহার করে। প্রশিক্ষণের কাজটি S3 ইমেজ ফোল্ডার এবং LST ফাইল পাথগুলিকে ইনপুট হিসাবে নেয় এবং সেরা মডেল আর্টিফ্যাক্ট সংরক্ষণ করে (.পরম এবং .জসন) শেষ হলে S3 থেকে।

আমাদের পরীক্ষার সেটের উপর ভিত্তি করে শীর্ষ-2 মডেল ছিল SSD-resnet50 এবং Yolov3-darketnet53, প্রতিটির 0.91 এমএপি স্কোর সহ। আমরা প্রশিক্ষিত মডেলের সাথে AWS প্যানোরামা ডিভাইসে একটি অনুমান অ্যাপ্লিকেশন স্থাপন করে বাস্তব-বিশ্বের পরীক্ষাও করেছি। অনুমান স্ক্রিপ্ট একটি Amazon S3 বালতিতে ভবিষ্যদ্বাণী এবং ভিডিও ফ্রেম সংরক্ষণ করে। আমরা গ্রাউন্ড ট্রুথ টীকা করার জন্য আরেকটি সেজমেকার গ্রাউন্ড ট্রুথ কাজ তৈরি করেছি এবং তারপরে অতিরিক্ত পরিমাণগত মডেল মূল্যায়ন করেছি। গ্রাউন্ড ট্রুথ এবং ইমেজগুলিতে ভবিষ্যদ্বাণী করা বাউন্ডিং বক্স লেবেলগুলি গুণগত মূল্যায়নের জন্য S3 তে সংরক্ষিত হয়েছিল৷ মডেলগুলি বাস্তব-বিশ্বের ডেটাতে সাধারণীকরণ করতে সক্ষম হয়েছিল এবং আমাদের পরীক্ষা-সেটের মতো সামঞ্জস্যপূর্ণ কর্মক্ষমতা প্রদান করেছিল।

আপনি কাস্টম প্রশিক্ষণের কাজ তৈরি, অত্যাধুনিক অবজেক্ট ডিটেকশন মডেলের প্রশিক্ষণ, হাইপারপ্যারামিটার অপ্টিমাইজেশান (HPO) বাস্তবায়ন এবং Amazon SageMaker-এ মডেল স্থাপনের সম্পূর্ণ, এন্ড-টু-এন্ড উদাহরণ পেতে পারেন AWS Labs GitHub রেপো.

মাংস-ট্রে গণনা অ্যাপ্লিকেশন স্থাপন করা হচ্ছে

স্থাপনার আগে, আমরা আমাদের সমস্ত সম্পদ প্যাকেজ করি - মডেল, অনুমান স্ক্রিপ্ট, ক্যামেরা এবং গ্লোবাল ভেরিয়েবল কনফিগারেশন একটি একক পাত্রে যেমন উল্লেখ করা হয়েছে এই ব্লগ পোস্ট. আমাদের ক্রমাগত একীকরণ এবং ক্রমাগত স্থাপনা (CI/CD) পাইপলাইন একটি নতুন অ্যাপ্লিকেশন সংস্করণ হিসাবে অনুমান স্ক্রিপ্টের যেকোনো পরিবর্তন আপডেট করে। নতুন অ্যাপ্লিকেশন সংস্করণ প্রকাশিত হলে, আমরা পাইথনে boto3 SDK ব্যবহার করে প্রোগ্রাম্যাটিকভাবে এটি স্থাপন করি।

অ্যাপ্লিকেশন স্থাপনের পরে, AWS প্যানোরামা AWS প্যানোরামা ডিভাইসের মডেল কম্পাইল করার জন্য প্রথমে একটি AWS SageMaker নিও কম্পাইলেশন কাজ তৈরি করে। অনুমান অ্যাপ্লিকেশন স্ক্রিপ্ট ডিভাইসে সংকলিত-মডেল আমদানি করে এবং প্রতিটি ফ্রেমে চিকেন-ট্রে সনাক্তকরণ সম্পাদন করে। সেজমেকার নিও-কম্পাইলেশন ছাড়াও, আমরা একটি যোগ করে প্রশিক্ষণ-পরবর্তী পরিমাপকরণ সক্ষম করেছি os.environ['TVM_TENSORRT_USE_FP16'] = '1' স্ক্রিপ্টে পতাকা। এটি ফ্লোট 32 থেকে ফ্লোট 16-এ মডেল ওজনের আকার হ্রাস করে, মডেলের আকার অর্ধেক হ্রাস করে এবং কর্মক্ষমতা হ্রাস না করে লেটেন্সি উন্নত করে। অনুমান ফলাফল ক্যাপচার করা হয় AWS সাইটওয়াইজ মনিটর AWS প্যানোরামা ডিভাইস থেকে MQTT বার্তার মাধ্যমে AWS IoT কোর. ফলাফলগুলি তারপরে Amazon S3 এ পুশ করা হয় এবং ভিজ্যুয়ালাইজ করা হয়৷ অ্যামাজন কুইকসাইট ড্যাশবোর্ড প্ল্যান্ট ম্যানেজার এবং কর্মচারীরা রিয়েল-টাইমে প্রতিটি প্যাকেজিং লাইনের থ্রুপুট বুঝতে এই ড্যাশবোর্ডগুলি সরাসরি দেখতে পারেন।

উপসংহার

Amazon SageMaker, Amazon S3-এর মতো AWS ক্লাউড পরিষেবা এবং AWS Panorama, Tyson Foods Inc.-এর মতো এজ পরিষেবা একত্রিত করে, তার উত্পাদন প্ল্যান্টগুলিতে ইনভেন্টরি গণনার মতো মানব-নিবিড় শিল্প প্রক্রিয়াগুলিকে স্বয়ংক্রিয় করতে কৃত্রিম বুদ্ধিমত্তার যোগান দিচ্ছে৷ রিয়েল-টাইম এজ ইনফরেন্স ক্ষমতাগুলি টাইসনকে বেশি/আন্ডার প্রোডাকশন শনাক্ত করতে এবং দক্ষতা বাড়াতে তাদের উৎপাদন প্রবাহকে গতিশীলভাবে সামঞ্জস্য করতে সক্ষম করে। তদ্ব্যতীত, প্রান্তে AWS প্যানোরামা ডিভাইসের মালিকানার মাধ্যমে, টাইসন ক্লাউডে ভিডিও ফাইল স্থানান্তর করতে ব্যয়বহুল নেটওয়ার্ক ব্যান্ডউইথের সাথে যুক্ত খরচ বাঁচাতেও সক্ষম এবং এখন তাদের নেটওয়ার্কে স্থানীয়ভাবে তাদের সমস্ত ভিডিও/চিত্র সম্পদ প্রক্রিয়া করতে পারে।

এই ব্লগ পোস্টটি আপনাকে AWS প্যানোরামার সাথে একটি CV অ্যাপ্লিকেশন তৈরি করার জন্য একটি শেষ প্রান্তের অ্যাপ্লিকেশন ওভারভিউ এবং রেফারেন্স আর্কিটেকচার সরবরাহ করে। আমরা একটি প্রান্ত সিভি অ্যাপ্লিকেশন তৈরির 3 টি ভিন্ন দিক নিয়ে আলোচনা করেছি।

1. উপাত্ত: AWS প্যানোরামা এবং Amazon SageMaker Ground Truth ব্যবহার করে ডেটা সংগ্রহ, প্রক্রিয়াকরণ এবং লেবেলিং।
2. মডেল: Amazon SageMaker এবং AWS Lambda ব্যবহার করে মডেল প্রশিক্ষণ এবং মূল্যায়ন
3. অ্যাপ্লিকেশন প্যাকেজ: AWS প্যানোরামার জন্য প্রশিক্ষিত মডেল, স্ক্রিপ্ট এবং কনফিগারেশন ফাইল বান্ডলিং।

টাইসন কীভাবে শিল্প মেশিনের সিভি ভিত্তিক ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণের জন্য AWS প্যানোরামা ব্যবহার করছেন সে সম্পর্কে এই সিরিজের দ্বিতীয় পর্বের জন্য আমাদের সাথে থাকুন।

ক্লিক এখানে AWS প্যানোরামা দিয়ে আপনার যাত্রা শুরু করতে। এমএল সলিউশন ল্যাবের সাথে সহযোগিতা করার বিষয়ে আরও জানতে, দেখুন আমাজন মেশিন লার্নিং সলিউশন ল্যাব.

---

লেখক সম্পর্কে

দিব্যা ভার্গবী এর একজন তথ্য বিজ্ঞানী অ্যামাজন এমএল সলিউশন ল্যাব যেখানে তিনি বিভিন্ন উল্লম্ব জুড়ে গ্রাহকদের সাথে কাজ করেন এবং অত্যাধুনিক ML/AI সমাধান সহ গ্রাহকদের জন্য মূল্য তৈরি করতে সৃজনশীল সমস্যা সমাধান প্রয়োগ করেন।

দিলীপ সুব্রামানিয়াম টাইসন ফুডস-এ উদীয়মান প্রযুক্তি দলের একজন সিনিয়র ডেভেলপার। তিনি সফটওয়্যার ডেভেলপমেন্ট, মেশিন লার্নিং এবং বিগ ডেটাতে তার জ্ঞান ব্যবহার করে ব্যবসায়িক সমস্যা সমাধানের জন্য এবং প্রক্রিয়াগুলিকে সহজ করার জন্য বৃহৎ মাপের বিতরণ করা অ্যাপ্লিকেশন তৈরি করার বিষয়ে উত্সাহী।

সূত্র: https://aws.amazon.com/blogs/machine-learning/industrial-automation-at-tyson-with-computer-vision-aws-panorama-and-amazon-sagemaker/