Azure IoT Edge ile Vision
Ürün, kaynak ve ortamların görsel olarak incelenmesi pek çok kurum için temel uygulamalardan biri olmanın yanı sıra, yakın zamana kadar tamamen el ile yürütülen bir süreçti. Bir kişi veya birkaç kişilik bir ekip, varlıkları ya da ortamı el ile incelemekten sorumlu oluyordu. Koşullara bağlı olarak, insan hatası veya sınırlamalardan dolayı bu işlem verimsiz ya da hatalı olabiliyordu.
Görsel incelemenin etkinliğini artırmak amacıyla kuruluşlar, görüntü ve videoların analizi için insan görüşüne öykünmek için evrişimsel sinir ağları (veya CNN’ler) olarak bilinen derin öğrenme yapay sinir ağlarına dönmeye başladı. Günümüzde bu yaygın olarak görüntü işleme veya basitçe Görüntü Yapay Zekası olarak adlandırılır. Üretim, perakende, sağlık hizmetleri, kamu sektörü gibi çok sayıda sektörün yanı sıra aynı düzeyde geniş bir yelpazedeki farklı kullanım örneklerinde de görüntü analizine yönelik yapay zekadan faydalanılmaktadır.
Kalite güvencesi Için Vizyon: Üretim ortamlarında, Vision AI, yüksek düzeyde doğruluk ve hız ile parçalar ve süreçler için kalite incelemesi konusunda çok faydalı olabilir. Bu yolu izleyen bir kuruluş, aşağıdaki soruları yanıtlamak için bir ürünün kusurlarını inceleme sürecini otomatikleştirir:
- Üretim süreci tutarlı sonuçlar üretiyor mu?
- Ürün doğru bir şekilde takılmış mı?
- Atık miktarını azaltmak için bir kusurun erkenden bildirilmesi mümkün mü?
- Tahmine dayalı bakımı belirlemek için görüntü işleme modelindeki kaymadan nasıl yararlanılabilir?
Güvenlik Için Vizyon: Her türlü ortamda güvenlik, her kuruluş için temel bir konudur ve risk azaltma, Vision AI benimseme için bir zorlama zorsunuyorsa. Olası güvenlik sorunlarını taramak amacıyla video akışlarının otomatik izlenmesi olaylara yanıt vermek için kritik bir süre sağlamanın yanı sıra, riske maruz kalma durumunu azaltmaya yönelik fırsatlar sunar. Bu kullanım örneği için Görüntü Yapay Zekasından yararlanan kurumlar genellikle aşağıdaki soruları yanıtlamaya çalışır:
- Ekipler kişisel koruma ekipmanı kullanma kurallarına ne sıklıkta uyuyor?
- Çalışanlar, yetkili olmadıkları çalışma alanlarına ne sıklıkta giriyor?
- Ürünler güvenli bir şekilde mi depolanıyor?
- Bir tesiste yakın kapatma çağrısı yok ya da kaI/ekipman "dolmak üzere" mi?
Neden Edge’de görüntü işleme kullanılmalıdır?
Geçtiğimiz on yılda görüntü işleme teknolojisi kurumlar için hızla gelişen alanlardan birisi haline geldi. Kapsayıcıya alma gibi buluta özel teknolojiler, bu teknolojinin ağ ucuna taşınıp geçirilebilmesine olanak sağladı. Örneğin, bulutta eğitilen özel görüntü çıkarım modelleri, bir Azure IoT Edge çalışma zamanı özellikli cihazda kullanılmak üzere kolayca kapsayıcıya alınabilir.
Görüntü Yapay Zekası için iş yüklerini buluttan uca geçirmenin arkasındaki mantık genellikle iki kategoriye ayrılır: performans ve maliyet.
Denklemin performans tarafında, büyük miktarlarda verilerin çekilmesi mevcut ağ yapısı üzerinde istenmeyen performans zorlamalarına yol açabilir. Ayrıca, sonuçları almak üzere görüntülerin ve/veya video akışlarının buluta gönderilmesindeki gecikme, kullanım örneğinin ihtiyaçlarını karşılamayabilir. Örneğin, kendini yetkisi olmayan bir alanda bulan bir kişiye anında müdahale edilmesi gerekebilir ve bu senaryodaki her saniye gecikmeden etkilenebilir. Çıkarım modelini alma noktasının yakınına konumlandırmak, görüntünün gerçek zamanlıya yakın bir şekilde puanlanmasına imkan tanır. Ayrıca, ağ topolojisine bağlı olarak uyarıların yerel olarak veya bulut aracılığıyla gerçekleştirilmesini sağlar.
Maliyet açısından düşündüğümüzde, analiz için tüm verilerin buluta gönderilmesi bir Görüntü Yapay Zekası girişiminin yatırım getirisini (ROI) önemli ölçüde etkileyebilir. Azure IoT Edge sayesinde bir Görüntü Yapay Zekası modülü, yalnızca ilgili görüntüleri puanlamaya göre mantıklı bir güven düzeyiyle yakalayacak şekilde tasarlanabilir. Bu, gönderilen veri miktarını önemli ölçüde sınırlar.
Kamera ile ilgili dikkat edilmesi gerekenler
Kamera, bir Azure IoT Edge Vision çözümünün çok önemli bileşenlerinden biridir. Bu bileşen konusunda dikkat edilmesi gereken konular hakkında bilgi edinmek için Azure IoT Edge Vision’da kamera seçimi sayfasına gidin.
Donanım hızlandırma
Yapay zekayı uca getirmek için, yapay zeka donanımının güçlü yapay zeka algoritmalarını çalıştırabilmesi gerekir. IoT Edge Vision için gereken donanım özelliklerini öğrenmek üzere Azure IoT Edge Vision’da donanım hızlandırma sayfasına gidin.
Makine öğrenimi
Uç cihazların kaynak kısıtlamaları, sınırlı enerji bütçesi ve düşük işlem özellikleri nedeniyle makine öğrenmesi, uçtaki veriler için zorlu olabilir. IoT Edge Vision çözümünüzün makine öğrenmesi özelliklerini tasarlarken dikkat edilmesi gereken başlıca konuları anlamak için Azure IoT Edge Vision’da makine öğrenmesi ve veri bilimi sayfasına gidin.
Resim depolama
Görüntülerin depolanma yöntemi ve yerini özenli bir şekilde ele almadığınız sürece IoT Edge Vision çözümünüz eksik kalacaktır. Kapsamlı bir açıklama için Azure IoT Edge Vision’da görüntü depolama ve yönetimi sayfasını okuyun.
Uyarılar
IoT Edge cihazınızın ortamındaki çeşitli uyarılara yanıt vermesi gerekebilir. Bu uyarıları yönetme konusundaki en iyi deneyimleri anlamak için Azure IoT Edge Vision’da uyarı kalıcılığı sayfasına gidin.
Kullanıcı arabirimi
IoT Edge Vision çözümünüzün kullanıcı arabirimi (UI) hedef kullanıcılara göre değişiklik gösterir. Azure IoT Edge Vision’da kullanıcı arabirimi başlıklı makalede başlıca kullanıcı arabirimi konuları ele alınmaktadır.
Sonraki adımlar
Bu makale serisinde, Azure IoT Edge cihazlarını kullanarak eksiksiz bir görüntü iş yükü çözümü oluşturma konusu anlatılmaktadır. Daha fazla bilgi için aşağıdaki ürün belgelerine başvurabilirsiniz: