Leo Yeh's Blog

SAS 深度學習 (8)

教學目標

初步了解如何透過 SAS Viya 分析平台整合影像串流分析的完整生命週期。

重點概念

首先電腦視覺用於許多產業的使用者案例,像是醫院、工廠、購物中心、城市、海洋、博物館、體育場、… 等,根據官方文件所提供的資訊,其中提到在美國每年醫院會產生 6 億張影像,並且有 90% 的衛生保健資料是由影像所產生,以及放射科醫生每天手動檢查 1,000 張影像,此時我們若能夠電腦視覺的技術將能夠大量減少醫院人員的工作負擔。在工廠則是承受著不斷提高品質,並且同時降低成本和提高生產率的壓力,以及在生產線上使用攝影機簡化監視產品品質和整體設備效率的過程。在購物中心則是將電腦視覺應用於零售解決方案中,以利解決貨架圖合規性問題和貨架上庫存的即時追踪。在城市則是透過閉路電視 (CCTV) 對公共場所進行監視,以利確保正常的工作條件,此時使用電腦視覺將能夠檢查大量鏡頭,以利檢測交通擁堵的情況。在海洋則是透過自動分析海洋衛星圖像,以利推斷出船舶的航行路線,並且報告污染海洋的船舶,以及追踪海岸附近可疑的的行為,以利防止非法捕魚。在博物館則是使用攝影機可自動追踪畫廊內的人數,尤其是對於只有一種進出方式的博物館領域,確保有關人員遵守安全的法規,並且加強藝術品保護,以利改善客戶體驗。在體育場則能夠使用新興技術在球場上進行創新,主要使用來自現場的串流影像,並且應用機器學習,深度學習和人工智慧來擷取和分析此資料,更進一步為從粉絲招募到虛擬現實的一切創新應用。

接著電腦視覺處理主要有三個步驟,分別為:

  1. 獲取影像:主要透過視頻、照片或 3D 技術即時獲取大量的影像進行分析。
  2. 處理影像:主要透過機器學習模型自動完成此過程。
  3. 理解影像:主要針對物件進行識別或分類。

其中電腦視覺的工作模型,主要是從伺服器端進行模型訓練,當產生模型之後,將會進行模型部署在伺服器,從伺服器端進行模型訓練主要會讀取影像、處理影像、訓練深度學習模型和產生模型,在邊緣運算環境進行模型部署主要會擷取模型、串流影像評分和後續處理運算,此外有關串流影像也會在邊緣運算環境載入影像、前處理影像、串流影像評分和後續處理運算。至於所有回饋資訊皆會寫回控制系統,以利進行優化和觸發警示資訊。

再來我們將能夠透過 SAS Event Streaming Process 中在邊緣上整合和執行機器學習模型,並且透過單個儲存庫進行儲存和管理,因此有一個事實版本,並且將來自儲存庫的分析整合至串流專案中追踪使用情況,以及透過自動化和可重複性將分析部署到邊緣。其中主要透過 SAS Visual Data Mining and Machine Learning 建立已驗證的機器學習模型,並且透過 SAS Model Manager 提供模型治理和註冊模型的關聯,以及透過 SAS Event Streaming Process 將能夠啟用模型輸出的處理程序驅動可進行行動的資訊,更進一步透過 Event Stream Manager 提供部署和監控的功能,這是一個持續性的循環包括任何時間的模型需求至績效評分,循環過主要有六個步驟,分別為:

  1. 透過 SAS Visual Data Mining and Machine Learning 建立機器學習模型。
  2. 透過 SAS Model Manager 註冊機器學習模型。
  3. 透過 SAS Event Stream Processing Studio 擷取已註冊機器學習模型至串流分析中。
  4. 透過 SAS Event Stream Processing Studio 發行機器學習模型和進行版本追蹤。
  5. 透過 SAS Event Stream Manager 將機器學習模型的串流分析至邊緣裝置中。
  6. 透過 SAS Model Manager 監控機器學習模型的績效評估。

最後我們能夠透過 DLPy 的 Python 套件以開放語言 Python 在 SAS Viya 分析平台上撰寫影像辨識的機器學習或深度學習模型,因此我們能夠透過熟悉的 Python 程式語言訓練和驗證機器學習和深度學習模型,並且透過 SAS Viya 分析平台中的 SAS Visual Data Mining and Machine Learning、SAS Model Manager 、SAS Event Stream Processing Studio、SAS Event Stream Manager 等產品整合影像串流分析的完整生命週期。

相關資源

⬅️ Go back