<img alt="" src="https://secure.leadforensics.com/11743.png" style="display:none;">

Cinco Aspectos a Considerar al Desarrollar un Sistema de Deep Learning

 

Hasta ahora, en esta serie de posts, hemos desarrollado las ventajas de los sistemas de visión artificial que usan Deep Learning para automatizar aplicaciones industriales, los aspectos esenciales para entrenar un sistema de Deep Learning para visión artificial y las posibles aplicaciones de Deep Learning para la industria de la alimentación.

En este post, cubriremos las cinco consideraciones esenciales a tener en cuenta a la hora de planificar tu proyecto.

Aplicación

El primer aspecto a considerar es la aplicación que se va a realizar.

¿Es capaz de aprovechar los puntos fuertes del Deep Learning? ¿Cómo de complejo sería para una red neuronal tener el mismo desempeño que un humano para una cierta tarea?

Recuerda, el Deep Learning realiza muy bien ciertas tareas como clasificación, reconocimiento, lectura y detección. Si tu aplicación requiere de alguna de estas tareas fundamentales, a priori, usar Deep Learning será una opción adecuada.

Además, el Deep Learning puede manejar aplicaciones más complejas y subjetivas; solo tienes que asegurarte de que el conjunto de datos sea lo suficientemente grande y adecuado para el propósito previsto.

Datos

Como hemos mencionado previamente en esta serie de blogs, la preparación del dataset es una parte crucial de la implementación de un sistema de Deep Learning y debe ser considerada con cuidado.

image-png-Jul-16-2021-09-17-43-69-AM

Organización y etiquetado de un set de datos de entrenamiento usando la herramienta CoPilot, de la librería Matrox Imaging Library (MIL). 

Los conceptos básicos en los que deberás pensar detenidamente son:

  • Decidir entre datasets de código abierto o recopilados por ti mismo;
  • El número de imágenes que formarán el dataset;
  • La repetibilidad de las imágenes del dataset;
  • La similitud de las imágenes del dataset con las imágenes que se verán finalmente en producción;
  • Dividir el dataset en subconjuntos;
  • Preparación y aumento de datos.

Para una exploración más detallada sobre la preparación y recopilación de datos, puedes consultar nuestro post dedicado a ello.

Hardware

El siguiente elemento a tener en cuenta es el Hardware. Además de los componentes básicos de visión artificial que necesitarás (óptica, iluminación y cámara), los sistemas de Deep Learning requieren un PC capaz de realizar un procesado intensivo de los datos.

Picture 2

Las cámaras FLIR Blackfly y Blackfly S tienen una amplia variedad de resoluciones y tamaños de sensor, con interfaces GigE y USB3.1

La complejidad de la aplicación y el tamaño del dataset determinarán el nivel de potencia de procesado requerida por el sistema para soportar el entrenamiento de la red neuronal. En rasgos generales, los sistemas de Deep Learning suelen necesitar PCs de mayor rendimiento que los sistemas de visión artificial tradicionales, por lo que conviene estar equipado con un sistema potente.

 Picture 3

Ofrecemos una amplia gama de sistemas embebidos fanless de Matrox y Neousys, con una amplia variedad de opciones de interfaces, alimentación y montaje adecuadas para cualquier entorno industrial.

Algunas soluciones adoptan un enfoque más “plug and play”, como la Firefly DL de FLIR. Una cámara increíblemente compacta con una VPU Intel Movidius Myriad 2 de alto rendimiento.

Picture 14png
FLIR Firefly DL

Los usuarios aún necesitarán cargar una red neuronal convolucional entrenada en la cámara antes de capturar imágenes y hacer inferencias lógicas. La ventaja de esta cámara es que la inferencia y consecución de resultados finales se puede realizar sin la necesidad de procesamiento adicional en un PC o en un sistema embebido.

Software

Como los proyectos de Deep Learning pueden ser complicados de comenzar, es recomendable utilizar un software potente y fácil de usar, que ayudará en cada paso del proceso, desde el conjunto de datos hasta la implementación de la red neuronal y la aplicación final en producción.

Picture 4

Por ello, recomendamos la librería Matrox Imaging Library (MIL). Con una increíble variedad de funciones y características que se adaptan a prácticamente cualquier aplicación de visión artificial, funciona muy bien para proyectos de Deep Learning.

Si bien existen otras soluciones de software, MIL ofrece el mejor equilibrio entre precio, facilidad de uso, eficiencia y rendimiento.

Tiempo

Vale la pena señalar que, debido a las etapas de preparación de datos requeridas, preparar un sistema de Deep Learning podría necesitar unos días más que implementar un sistema de visión artificial tradicional.

El aspecto positivo es que la automatización de tus procesos con un sistema de visión artificial de Deep Learning te ahorrará tiempo y te mejorará la eficiencia a largo plazo.

Soluciones Deep Learning Innovadoras de ClearView Imaging

Entendemos que prepararse para un proyecto de visión artificial con Deep Learning puede parecer complejo. En ClearView Imaging, no solo suministramos todos los componentes que necesitarás para tu proyecto de visión artificial, sino que también contamos con un gran equipo de ingenieros y expertos en visión con el conocimiento y la experiencia para ayudarte con tu aplicación. Cualquiera que sea tu pregunta o consulta, no dudes en ponerte en contacto

Con esto concluye nuestra serie de blogs sobre Deep Learning para visión artificial. ¡Únete a nosotros la próxima semana para una nueva serie de temas!

Ya seas un OEM, un integrador de sistemas, un ingeniero o incluso un usuario final, asegúrate de consultar nuestra gran variedad de productos de visión artificial.

Comentarios

LA VISIÓN ARTIFICIAL PROPORCIONA A LOS ORDENADORES LA CAPACIDAD DE VER

La visión artificial permite que los ordenadores puedan leer códigos de barra, códigos data matrix, marcado de piezas, reconocimiento óptico de caracteres (OCR) y verificación óptica de caracteres (OCV). – Aprende más sobre la tecnología de visión artificial aquí.

machine-vision-strip-cta-spanish.png