Управление жизненным циклом компьютерного зрения для всего парка на периферии с помощью SageMaker SDK v3
aws ·
В данной статье представлена эталонная архитектура для управления жизненным циклом моделей компьютерного зрения на больших флотах периферийных устройств с использованием Amazon SageMaker Python SDK v3. Решение решает проблему развертывания тысяч специализированных моделей за счет автоматизации процессов обучения, оценки и развертывания без необходимости ручного вмешательства для каждой камеры. Система использует двухвходовой конвейер, который обучает детектор аномалий и классификатор дефектов для каждой камеры, обеспечивая контроль качества с помощью пороговых значений на основе метрик сбалансированной точности (balanced accuracy) и полноты (recall). Модели оптимизируются для устройств с помощью компиляции в Amazon SageMaker Neo, после чего регистрируются в реестре моделей SageMaker. Оркестрационный слой, построенный на AWS Step Functions и DynamoDB, управляет параллельными запросами на обучение, чтобы оставаться в пределах квот сервисов аккаунта. Вся система разворачивается с помощью AWS Cloud Development Kit (CDK) и может быть проверена от начала до конца с использованием синтетических данных при стоимости вычислений около семи центов. Этот подход позволяет эффективно обновлять модели во всем флоте, сохраняя высокие стандарты качества для задач промышленного визуального контроля.
aws