FoundAD
Roboflow में सामान्य छवियों पर FoundAD विसंगति पहचान मॉडल प्रशिक्षित करें और उन्हें Serverless Cloud API के माध्यम से चलाएँ
FoundAD बिना उनकी तस्वीरों की आवश्यकता के दोषों का पता लगाता है। यह केवल सामान्य छवियों से सीखता है कि एक सामान्य भाग कैसा दिखता है, फिर उससे अलग किसी भी छवि को चिह्नित करता है। यह एक स्थिर DINOv3 एन्कोडर को एक छोटे predictor के साथ जोड़ता है, जिसे सामान्य छवियों की विशेषताओं को पुनर्निर्मित करने के लिए प्रशिक्षित किया गया है। जिन छवि पैचों को predictor पुनर्निर्मित नहीं कर पाता, वे anomalous होते हैं। प्रत्येक भविष्यवाणी एक "normal" या "anomalous" निर्णय, एक कच्चा anomaly score, और यह heatmap लौटाती है कि छवि कहाँ अलग है। एन्कोडर ViT-B है, इसलिए FoundAD GPU पर सबसे अच्छा चलता है। इसका inference time किसी भी training set size पर समान रहता है।

आज़माएँ PatchCore यदि आपको CPU पर तेज़ scoring चाहिए और 224×224 छवियाँ आपके दोष दिखाती हैं, तो इसका उपयोग करें। FoundAD अधिक सटीक है, खासकर जब आपके पास केवल कुछ ही सामान्य छवियाँ हों। देखें एक anomaly detection मॉडल चुनना दोनों की तुलना करने के लिए।
FoundAD को प्रशिक्षित करें
सामान्य और anomalous छवियों को लेबल करें
एक anomaly detection प्रोजेक्टको, छवियाँ अपलोड करें, और प्रत्येक को "normal" या "anomalous" के रूप में लेबल करें। आपकी अधिकतर छवियाँ सामान्य होनी चाहिए। मॉडल केवल सामान्य छवियों पर प्रशिक्षित होता है। anomalous छवियाँ निर्णय threshold तय करती हैं और सटीकता मापती हैं, इसलिए वे केवल valid और test splits में जाती हैं।
प्रशिक्षण शुरू करें
एक मॉडल प्रशिक्षित करें और FoundAD चुनें। प्रशिक्षण PatchCore से अधिक समय लेता है, बड़े डेटासेट पर कई घंटों तक। प्रशिक्षण पूरा होने पर, Roboflow परीक्षण सेट पर precision, recall, और F1 रिपोर्ट करता है, उस threshold का उपयोग करके जिसे उसने प्रशिक्षण के दौरान सहेजा था।
FoundAD API
अपनी API कुंजी प्राप्त करें
अपनी कुंजी यहाँ खोजें Roboflow API settings पृष्ठ और इसे अपने shell के लिए उपलब्ध कराएँ:
निर्भरताएँ इंस्टॉल करें
इंस्टॉल करें Inference SDK:
मॉडल चलाएँ
अपने प्रशिक्षित मॉडल को उसके ID से कॉल करें (देखें संस्करण, प्रशिक्षण, और मॉडल).
प्रतिक्रिया में ये फ़ील्ड हैं:
top: निर्णय, "normal" या "anomalous"।anomaly_score: कच्चा स्कोर। बड़ा होने का मतलब अधिक anomalous होना है। स्कोर की कोई निश्चित सीमा नहीं है।anomaly_threshold: वह स्कोर जिस पर छवि anomalous बन जाती है, प्रशिक्षण के दौरान सहेजा गया।confidenceऔरpredictions: निर्णय और प्रत्येक वर्ग का confidence। "anomalous" confidence स्कोर के साथ बढ़ता है और threshold पर बिल्कुल 0.5 होता है, इसलिए यह दोष की संभावना नहीं है।anomaly_map: heatmap, केवल तब लौटाई जाती है जब आप सेट करते हैंinclude_anomaly_map=True. यह मॉडल के input size पर एक वर्गाकार array है, इसलिए इसे overlay करने के लिए अपनी छवि की चौड़ाई और ऊँचाई तक stretch करें।
Workflow में FoundAD का उपयोग करें
को जोड़ें Anomaly Detection Model ब्लॉक को एक Workflow में छवियों को स्कोर करने के लिए, फिर इसके anomaly_map आउटपुट को Anomaly Heatmap Visualization ब्लॉक से heatmap बनाने के लिए। Self-hosted Workflows को इन ब्लॉकों के लिए Inference 1.8.2 या बाद का संस्करण चाहिए। ब्लॉक की confidence पुनःप्रशिक्षण के बिना, छूटे हुए दोषों के बदले false alarms का संतुलन बनाने के लिए: अधिक छवियों को anomalous के रूप में चिह्नित करने हेतु इसे कम करें।
लाइसेंस
FoundAD अनुसरण करता है ymxlzgy/FoundAD और MIT के अंतर्गत लाइसेंस प्राप्त है। इसके DINOv3 एन्कोडर वज़न इस DINOv3 लाइसेंस. देखें मॉडल लाइसेंस.
अंतिम अपडेट
क्या यह उपयोगी था?