DAY26 Aidea专案实作-AOI瑕疵检测(1/4)

经过一系列的学习，我们从了解概念、程序练习到昨天的论文导读，我们似乎已经把深度学习的基础概念完整的Round过一遍，如今就是我们正式上战场，检视自己的学习状况，我挑选的案例是Aidea上的议题，虽然这个竞赛已经截止了，但Aidea也有将它放在练习场让大家去练习，所以大家还是可以下载到资料集，网址我放在下面(规则会跟已下架的比赛不同，练习场的评分标准为准确度)
Aidea人工智慧共创平台-AOI瑕疵检测(练习场)
Aidea人工智慧共创平台-AOI瑕疵检测(原比赛网址)

主题介绍

自动光学检查（Automated Optical Inspection，简称 AOI），为高速高精度光学影像检测系统，运用机器视觉做为检测标准技术，可改良传统上以人力使用光学仪器进行检测的缺点，应用层面包括从高科技产业之研发、制造品管，以至国防、民生、医疗、环保、电力…等领域。工研院电光所投入软性电子显示器之研发多年，在试量产过程中，希望藉由 AOI 技术提升生产品质。本次邀请各界资料科学家共襄盛举，针对所提供的 AOI 影像资料，来判读瑕疵的分类，藉以提升透过数据科学来加强 AOI 判读之效能。

竞赛环境

此议题主要是要测试对嵌入式开发平台 (NVIDIA Jetson Nano) 的能力，Jetson Nano 是一台边缘运算机，内含CPU与GPU的微型电脑，可同时执行多个神经网路工作，适合应用於图像辨识(ImageClassification)、物件侦测(Object Detection)、语意分割(Instance Segmentation)…。

评分标准

模型准确度(60%)、推论速度(30%)、模型载入速度(10%)

资料集介绍

竞赛平台提供了2528影像，包含了六种类别(正常类别+5种瑕疵类别)，我们的任务为在指定的环境中(有一些套件的使用限制)，训练出一个快、小、准的模型来预测图片。

使用工具

这边我们要介绍一个新的使用工具，因为在进行神经网路的训练时，其实是非常消耗记忆体的，若我们的电脑没有GPU，或是CPU不够强，训练时就会花上非常久的时间，因此我们需要借助别的工具来帮我们完成这个任务。
Colaboratory是Google提供的一种云计算平台，我们可以在浏览器上使用它来撰写Python，且具备了以下优点：

• 不必进行任何设定
• 免费使用 GPU
• 轻松共用

更详细介绍的连结我放在这边：Google Colaboratory

使用Google Colaboratory

至我们的云端硬碟中-右键新增-更多-开启Google Colaboratory

可以看到它其实长得跟Jupyter Notebook蛮像的，运作方式也雷同，可以一行一行的Key程序同时察看结果，我们在这边也可以import许多套件且不用下载，省去很多版本的问题。

取得权限来汇入资料

在训练时我们需要汇入一些图片资料或汇出模型，需要先执行一些程序码来挂载我们的云端硬碟。

输入以下程序码

# 云端执行须执行这行，取得权限
from google.colab import drive
drive.mount('/content/drive')

执行後会看到一段连结跟输入格

点入连结并选取欲使用的云端硬碟帐户，会看到一段验证码

将这段乱码复制後贴上输入格中，即完成挂载

接着再输入以下程序变更环境路径

# 云端执行须执行这行，变更环境路径
os.chdir("//content/drive/MyDrive/AOI") #这边输入欲使用的资料夹路径
os.getcwd()

这样一来我们就可以开始使用Colab了，接着教大家如何使用Google的GPU资源。

至上方工具栏位中点选"执行阶段"-"变更执行阶段类型"，将硬体加速器由"None"改为"GPU"并储存

最後我们做个检查，输入以下程序：

import tensorflow as tf
tf.config.list_physical_devices('GPU')

看到这边代表我们成功启动了GPU的功能，在训练网路的时候就会自动使用GPU来加速，这边要特别注意的是，Google有限制使用者每天的使用量，所以没在用的时候记得要Kill掉，才不会浪费。

以上就是我们专案实作的第一部分的内容啦！先大概把主题还有使用工具介绍了一下，下一篇就会开始实做了，大家再会罗！