Das Bereitstellen von TensorFlow-Modellen in realen, industriellen Umgebungen und das Ausl\u00f6sen geeigneter Aktionen ist ein komplexer, mehrstufiger Prozess. Nachdem Sie Ihr Modell entwickelt haben, m\u00fcssen Sie:<\/p>\n\n\n\n
- Trainiere es<\/li>
- Bereitstellen<\/li>
- Videostreaming aktivieren<\/li>
- Entwickeln Sie eine Anwendung, die Inferenzdaten verwendet, um eine gew\u00fcnschte Ausgabe zu erzeugen<\/li>
- Erstellen Sie eine geeignete Benutzeroberfl\u00e4che<\/li>
- SPS-Konnektivit\u00e4t aktivieren<\/li><\/ul>\n\n\n\n
Zu den h\u00e4ufigsten H\u00fcrden in diesem Prozess geh\u00f6ren:<\/p>\n\n\n\n
1. Zugriff auf Trainingsdaten<\/strong><\/p>\n\n\n\n
Ein Fertigungsbetrieb kann IT- und OT-L\u00f6sungen verschiedener Anbieter verwenden, die mehrere Datenstr\u00f6me erzeugen, oft mit unterschiedlich formatierten Daten. Um ein TensorFlow-Modell zu trainieren und zu testen, ben\u00f6tigen Sie jedoch Zugriff auf alle Arten von Daten, die Ihr System verwendet, damit Ihr Modell im realen Betrieb effektiv funktioniert. Um diese Herausforderung noch weiter zu verst\u00e4rken, kann ein Betrieb Legacy-Ger\u00e4te verwenden, die wichtige Daten produzieren, aber keine einfache M\u00f6glichkeit bieten, sich mit dem Netzwerk zu verbinden. Sie ben\u00f6tigen eine M\u00f6glichkeit, alle Datenstr\u00f6me einzubinden und den Datenfluss w\u00e4hrend des Modelltrainings und -tests sowie im laufenden Betrieb zu erm\u00f6glichen.<\/p>\n\n\n\n
2. Bereitstellen von TensorFlow-Modellen am Edge<\/strong><\/p>\n\n\n\n
In einer realen Anwendung besteht die beste Strategie m\u00f6glicherweise darin, Ihr TensorFlow-Modell \u00fcber TensorFlow Lite in eingebetteten, Internet of Things (IoT) oder anderen Edge-Ger\u00e4ten bereitzustellen. Machine Learning-Funktionen am Edge k\u00f6nnen die Latenz reduzieren und die Zuverl\u00e4ssigkeit erh\u00f6hen, aber Sie m\u00fcssen Komponenten f\u00fcr Ihr System ausw\u00e4hlen, die rauen Industrieumgebungen standhalten und gleichzeitig alle erforderlichen Verarbeitungs- und Leistungsanforderungen erf\u00fcllen.<\/p>\n\n\n\n
3. Konvertieren von Inferenzdaten in Automatisierungs- und Kontrollger\u00e4te<\/strong><\/p>\n\n\n\n
Sobald Ihr TensorFlow-Modell erfolgreich trainiert wurde, m\u00fcssen Sie auch eine effiziente M\u00f6glichkeit entwickeln, Ger\u00e4tefunktionen basierend auf Inferenzdaten zu automatisieren, z. Ihr Modell muss mit Industrieanlagen \u201esprechen\u201c.<\/p>\n\n\n\n
<\/p>\n\n\n\n
<\/p>\n\n\n\n
Der beste Weg, TensorFlow in der Fabrik auszuf\u00fchren<\/strong><\/h3>\n\n\n\n
Wenn Ihr Fachgebiet TensorFlow ist, liegt Ihr Fachwissen wahrscheinlich nicht im Bereich Computer Numerical Control (CNC)-Maschinen. Jedes Mal, wenn ein Entwickler Fachwissen erwerben muss, damit ein System funktioniert, gibt es zwei M\u00f6glichkeiten: Suchen Sie nach neuen Ressourcen oder arbeiten Sie mit Experten zusammen. Wenn Sie ein System erstellen, um TensorFlow f\u00fcr industrielle Anwendungsf\u00e4lle zu nutzen, ist eine Partnerschaft wahrscheinlich der zweckm\u00e4\u00dfigere Weg, insbesondere wenn Sie die M\u00f6glichkeit haben, mit Unternehmen zusammenzuarbeiten, die Maschinen und eingebettete KI leben und atmen. Bei ADLINK ist es sogar in unserem Namen \u2013 Autonomous Devices LINKed. Wir stellen Ihnen die Tools zur Verf\u00fcgung, die Sie zum schnelleren Erstellen, Testen und Bereitstellen von TensorFlow-L\u00f6sungen ben\u00f6tigen.<\/p>\n\n\n\n
Wir haben Edge-L\u00f6sungen, die h\u00e4ufig auftretende Probleme beheben, auf die Entwickler sto\u00dfen, wenn ein TensorFlow-Modell f\u00fcr Hersteller funktioniert. Unsere L\u00f6sungen erm\u00f6glichen Ihnen:<\/p>\n\n\n\n
- Nehmen Sie Bilder von Industriekameras auf, erfassen und streamen Sie sie, um Ihr Modell zu trainieren und zu testen.<\/li>
- Schlie\u00dfen Sie eine beliebige Kamera eines beliebigen Herstellers an, um Bilddaten aus mehreren Quellen zu verwenden.<\/li>
- Stellen Sie Ihre Modelle am Edge in der N\u00e4he von Datenquellen mit One-Touch-Bereitstellung bereit.<\/li>
- Verbinden Sie \u2013 sofort einsatzbereit \u2013 eines von \u00fcber 150 OT-Steuerungssystemen.<\/li>
- Erstellen Sie Ihre eigene App mit JavaScript oder C++.<\/li><\/ul>\n\n\n\n
Sie haben au\u00dferdem den Vorteil, mit einem Partner zusammenzuarbeiten, der mit der Implementierung von TensorFlow-Modellen f\u00fcr die Fertigung vertraut ist. Wir haben beispielsweise gesehen, dass Partner erfolgreich Systeme beschleunigt haben, indem sie ein TensorFlow-Modell erstellten, es jedoch auf Intels OpenVINO ausf\u00fchren.<\/p>\n\n\n\n
Der ADLINK Data River\u2122 verbindet und integriert eine Machine-Learning-Plattform, ein neuronales Netz, ein Machine-Vision-System, das Cloud-Neural, Industriekameras und Fertigungsausr\u00fcstung \u2013 und streamt Daten \u00fcberall dort, wo sie ben\u00f6tigt werden, in Echtzeit. <\/p>\n\n\n\n
Unser schl\u00fcsselfertiges ADLINK Edge\u2122<\/a> Die KI-L\u00f6sung f\u00fcr maschinelles Sehen umfasst die gesamte Hardware und Software, die erforderlich ist, um Kameras anzuschlie\u00dfen, TensorFlow oder andere ML-Modelle zu unterst\u00fctzen und Inferenzdaten in Echtzeit zu streamen. Diese Edge-L\u00f6sung erm\u00f6glicht schnellere Verarbeitungszeiten, geringere Latenzzeiten und Kontrolle am Edge bei gleichzeitig geringerem Energiebedarf, einschlie\u00dflich vorkonfigurierter L\u00f6sungen \u2013 es ist also keine Codierung erforderlich.<\/p>\n\n\n\n
<\/p>\n\n\n\n
<\/p>\n\n\n\n
Hardware, die Sie zum Ausf\u00fchren Ihres TensorFlow-Modells ben\u00f6tigen<\/strong><\/h3>\n\n\n\n
Industrielle Edge-Hardware ist eine Schl\u00fcsselkomponente f\u00fcr den Betrieb von TensorFlow in der Fabrik. Nat\u00fcrlich wir haben dich abgedeckt<\/a> mit einsatzbereiten Vision-Systemen, Framegrabbern und Smart-Kameras f\u00fcr Edge-Computing unter rauen Bedingungen. Sie sollten sicherstellen, dass Sie zwischen Intel, NVIDIA, Camera Link, GiGE oder Unterst\u00fctzung analoger Standards flexibel sind.<\/p>\n\n\n\n
Das in TensorFlow erstellte Bildverarbeitungsmodell hat das Potenzial, Herstellern Vorteile wie Automatisierung, Effizienz, Transparenz und mehr Wettbewerbsf\u00e4higkeit zu bieten. Um einen maximalen Nutzen zu erzielen, muss das Modell jedoch Teil eines Gesamtsystems sein, das f\u00fcr den Betrieb und seine Umgebung ausgelegt ist und mit Fertigungsanlagen, einschlie\u00dflich Altmaschinen, arbeiten kann.<\/p>\n\n\n\n
![\"Daniel](\"https:\/\/i0.wp.com\/blog.adlinktech.com\/wp-content\/uploads\/2020\/08\/0-4.jpg?w=723&ssl=1\"\/)
<\/figure>