EasyLocate
Libreria di localizzazione e classificazione con deep learning
- Localizzazione e identificazione di oggetti/prodotti/difetti
- Conteggio di oggetti
- Riquadri di delimitazione allineati agli assi
- Punti di interesse
- Supporta l'aumento dei dati e le maschere
- Compatibile con l'elaborazione CPU e GPU
- Deep Learning Studio incluso per la creazione, l'addestramento e la valutazione dei set di dati
- Disponibile come parte del pacchetto Deep Learning
- Disponibile anche come licenza solo per inferenza a costo contenuto
Descrizione
-
EasyLocate è la libreria di localizzazione e identificazione di Deep Learning Bundle. Viene utilizzata per localizzare e identificare oggetti, prodotti o difetti nell'immagine. È in grado di distinguere oggetti sovrapposti e, pertanto, EasyLocate è adatta per contare il numero di istanze di oggetti. Sono disponibili due metodi:
-
"EasyLocate Axis Aligned Bounding Box" prevede il riquadro di delimitazione che circonda ogni oggetto (o difetto) che ha trovato nell'immagine e assegna un'etichetta di classe a ciascuno di essi. Deve essere addestrato con immagini in cui gli oggetti (o difetti) che devono essere trovati sono stati annotati con un riquadro di delimitazione e un'etichetta di classe.
-
"EasyLocate Interest Point" prevede la posizione (come un punto, in genere il centro, ma può essere definita anche in altro modo) di ciascun oggetto (o difetto) che ha trovato nell'immagine e assegna un'etichetta di classe a ciascuno di essi. Tutti gli oggetti (o difetti) nell'immagine devono avere le stesse dimensioni approssimative. Deve essere addestrato con immagini in cui gli oggetti (o difetti) che devono essere trovati sono stati semplicemente annotati con un punto di interesse e un'etichetta di classe. Il processo di annotazione è più veloce con EasyLocate Interest Point, poiché è sufficiente un solo clic per annotare un oggetto.
-
Che cos'è il deep learning?
Le reti neurali sono sistemi informatici ispirati alle reti neurali biologiche che costituiscono il cervello umano. Le reti neurali convoluzionali (CNN) sono una classe di reti neurali artificiali profonde e feed-forward, applicate più comunemente all'analisi delle immagini. Il deep learning utilizza grandi CNN per risolvere problemi complessi difficili o impossibili da risolvere con i cosiddetti algoritmi convenzionali di visione artificiale. Gli algoritmi di deep learning possono essere più facili da usare in quanto tipicamente apprendono dall'esempio. Non richiedono all'utente di capire come classificare o effettuare l'ispezione delle parti. Al contrario, in una fase iniziale di addestramento, apprendono semplicemente guardando molte immagini delle parti da ispezionare. Dopo un addestramento riuscito, possono essere utilizzati per classificare le parti o rilevare e segmentare i difetti.
Licenza di inferenza conveniente
Di solito, l'implementazione del Deep Learning in produzione richiede solo l'elaborazione dell'inferenza. L'inferenza è il processo che consiste nell'utilizzare un modello precedentemente addestrato per effettuare l'ispezione e l'analisi di immagini appena acquisite. L'addestramento è, nella maggior parte dei casi, un processo offline. L'addestramento può essere eseguito utilizzando l'API Open eVision e richiede una licenza del Deep Learning Bundle. In alternativa, l'addestramento può essere eseguito gratuitamente con l'applicazione Deep Learning Studio. Le licenze solo per l'inferenza sono un'alternativa alla licenza Deep Learning Bundle e consentono al cliente di implementare soluzioni di deep learning ottimizzate in termini di costi.
Aumento dei dati
Il Deep Learning funziona addestrando una rete neurale, insegnandole come classificare una serie di immagini di riferimento. Le prestazioni del processo dipendono in larga misura dalla rappresentatività e dall'ampiezza della serie di immagini di riferimento. Deep Learning Bundle implementa il "data augmentation", che crea immagini di riferimento aggiuntive modificando (ad esempio spostando, ruotando, ridimensionando) le immagini di riferimento esistenti entro limiti programmabili. Ciò consente a Deep Learning Bundle di funzionare con un minimo di cento immagini di addestramento per classe.
Prestazioni
Il Deep Learning richiede generalmente una notevole potenza di elaborazione, specialmente durante la fase di apprendimento. Deep Learning Bundle supporta le CPU standard e rileva automaticamente le GPU compatibili con Nvidia CUDA presenti nel PC. L'utilizzo di una singola GPU accelera in genere le fasi di apprendimento ed elaborazione di un fattore 100.
Set di dati campione: Componenti elettronici
Il nostro set di dati "Componenti elettronici" mostra come EasyLocate Bounding Box sia in grado di rilevare e contare in modo affidabile diversi tipi di componenti elettronici standard conservati alla rinfusa in sacchetti di plastica, nonostante le scarse condizioni di illuminazione.
Set di dati campione: condensatore ceramico
Il nostro set di dati "Condensatori ceramici" mostra come EasyLocate Interest Point sia in grado di rilevare e contare in modo affidabile un gran numero di condensatori ceramici sovrapposti o a contatto tra loro.
Altri vantaggi
Sistema di licenze Neo
Neo è il nuovo sistema di licenze. È affidabile, all'avanguardia e ora è disponibile per memorizzare le licenze Open eVision ed eGrabber. Neo consente di scegliere dove attivare le licenze, su un Neo Dongle o in un Neo Software Container. Si acquista una licenza e si decide in un secondo momento.
I Neo Dongle offrono un hardware robusto e la flessibilità di poter essere trasferiti da un computer all'altro. I Neo Software Container non necessitano di hardware dedicato, ma sono collegati al computer su cui sono stati attivati.
Neo viene fornito con il proprio Neo License Manager dedicato, disponibile in due versioni: un'interfaccia grafica intuitiva e facile da usare e un'interfaccia a riga di comando che consente una facile automazione delle procedure di licenza Neo.
Tutte le librerie eVision per Windows e Linux
- Microsoft Windows 11, 10 per architettura processore x86-64 (64 bit)
- Microsoft Windows 11, 10 IoT Enterprise su sistemi x86_64
- Linux per architetture di processori x86-64 (64 bit) e ARMv8-A (64 bit) con versione glibc superiore o uguale a 2.18
Open eVision Deep Learning Studio
Open eVision Deep Learning Studio include l'applicazione gratuita Deep Learning Studio. Questa applicazione assiste l'utente durante la creazione del set di dati, nonché durante l'addestramento e il collaudo dello strumento di deep learning. Per EasySegment, Deep Learning Studio integra uno strumento di annotazione e può trasformare la previsione in annotazione ground truth. Consente inoltre di configurare graficamente lo strumento per adattarlo ai requisiti di prestazione. Ad esempio, dopo l'addestramento, è possibile scegliere un compromesso tra un tasso di rilevamento dei difetti migliore o un tasso di rilevamento dei prodotti conformi migliore.
Software
- Host PC Operating System
-
Open eVision is a set of 64-bit libraries that require an Intel compatible processor with the SSE4 instruction set or an ARMv8-A compatible processor.
Open eVision can be used on the following operating systems:
Microsoft Windows 11, 10 for x86-64 (64-bit) processor architecture
Microsoft Windows 11, 10 IoT Enterprise for x86-64 systems
Linux for x86-64 (64-bit) and ARMv8-A (64-bit) processor architectures with a glibc version greater or equal to 2.18
Remote connections
Remote connections are allowed using remote desktop, TeamViewer or any other similar software.
Virtual machines
Virtual machines are supported. Microsoft Hyper-V, Oracle VirtualBox and libvirt hypervisors have been successfully tested.
Only the Neo Licensing System is compatible with virtualization.
Minimum requirements:
2 GB RAM to run an Open eVision application
8 GB RAM to compile an Open eVision application
Between 100 MB and 2 GB free hard disk space for libraries, depending on selected options.
- APIs
-
Supported programming languages :
The Open eVision libraries and tools support C++, Python and the programming languages compatible with the .NET (C#, VB.NET)
C++ requirements: A compiler compatible with the C++ 11 standard is required to use Open eVision
Python requirements: Python 3.11 or later is required to use the Python bindings for Open eVision
.NET requirements: .NET framework 4.8 (or later) or the .NET platform 6.0 (or later) are supported
Supported Integrated Development Environments:
Microsoft Visual Studio 2017 (C++, C#, VB .NET, C++/CLI)
Microsoft Visual Studio 2019 (C++, C#, VB .NET, C++/CLI)
Microsoft Visual Studio 2022 (C++, C#, VB .NET, C++/CLI)
QtCreator 4.15 with Qt 5.12
Ordering Information
- Product status
-
Released
- Product code - Description
-
PC4189 Open EasyLocate for USB dongle
PC4339 Open eVision EasyLocate
PC4194 Open EasyLocate Inference for USB dongle
PC4344 Open eVision EasyLocate Inference
- Related products
-
PC4182 Open Deep Learning Bundle for USB dongle
PC4332 Open eVision Deep Learning Bundle