論文の概要: Productive Reproducible Workflows for DNNs: A Case Study for Industrial Defect Detection

• arxiv url: http://arxiv.org/abs/2206.09359v1
• Date: Sun, 19 Jun 2022 09:10:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 15:30:04.133798
• Title: Productive Reproducible Workflows for DNNs: A Case Study for Industrial Defect Detection
• Title（参考訳）: dnnのための生産的再現性ワークフロー:産業的欠陥検出のための事例研究
• Authors: Perry Gibson, Jos\'e Cano
• Abstract要約: 本稿では,産業欠陥検出のためのエンド・ツー・エンドの人工知能アプリケーションを開発した最近の経験について論じる。 私たちは、高レベルのディープラーニングライブラリ、コンテナ化、継続的インテグレーション/デプロイパイプライン、そして競合する結果を生み出すために利用したオープンソースのコードテンプレートについて詳しく説明します。 このようなシステムを活用することで、研究においても得られる価値を強調し、精度と推測時間の観点から最良の結果を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As Deep Neural Networks (DNNs) have become an increasingly ubiquitous workload, the range of libraries and tooling available to aid in their development and deployment has grown significantly. Scalable, production quality tools are freely available under permissive licenses, and are accessible enough to enable even small teams to be very productive. However within the research community, awareness and usage of said tools is not necessarily widespread, and researchers may be missing out on potential productivity gains from exploiting the latest tools and workflows. This paper presents a case study where we discuss our recent experience producing an end-to-end artificial intelligence application for industrial defect detection. We detail the high level deep learning libraries, containerized workflows, continuous integration/deployment pipelines, and open source code templates we leveraged to produce a competitive result, matching the performance of other ranked solutions to our three target datasets. We highlight the value that exploiting such systems can bring, even for research, and detail our solution and present our best results in terms of accuracy and inference time on a server class GPU, as well as inference times on a server class CPU, and a Raspberry Pi 4.
• Abstract（参考訳）: Deep Neural Networks(DNN)はますますユビキタスなワークロードになりつつあるため、開発やデプロイメントを支援するためのライブラリやツーリングの範囲は大幅に拡大している。 スケーラブルでプロダクション品質の高いツールは許容ライセンス下で自由に利用でき、小さなチームでも非常に生産的になるのに十分アクセスできます。 しかし、研究コミュニティ内では、これらのツールの認識と使用が必ずしも広まっていないため、研究者は最新のツールやワークフローを活用することで生産性が向上する可能性を欠いている可能性がある。 本稿では,産業欠陥検出のためのエンドツーエンド人工知能アプリケーションを開発した最近の経験について論じる。 私たちは、高レベルのディープラーニングライブラリ、コンテナ化されたワークフロー、継続的インテグレーション/デプロイパイプライン、競合する結果を生み出すために利用したオープンソースのコードテンプレートについて詳しく説明します。 サーバクラスのGPU上での精度と推論時間,サーバクラスのCPU上での推論時間,Raspberry Pi 4上での推論時間といった観点から,このようなシステムを活用することで,私たちのソリューションを研究,詳細化することが可能な価値を強調します。

関連論文リスト

• DataDreamer: A Tool for Synthetic Data Generation and Reproducible LLM Workflows [72.40917624485822]
  我々は、研究者が強力な大規模言語モデルを実装することができるオープンソースのPythonライブラリであるDataDreamerを紹介した。 DataDreamerはまた、オープンサイエンスを促進するために提案するベストプラクティスに研究者が従うのを助ける。
  論文  参考訳（メタデータ） (2024-02-16T00:10:26Z)
• SERL: A Software Suite for Sample-Efficient Robotic Reinforcement Learning [85.21378553454672]
  筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。 我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。 これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
  論文  参考訳（メタデータ） (2024-01-29T10:01:10Z)
• A Survey of Serverless Machine Learning Model Inference [0.0]
  ジェネレーティブAI、コンピュータビジョン、自然言語処理は、AIモデルをさまざまな製品に統合するきっかけとなった。 本調査は,大規模ディープラーニングサービスシステムにおける新たな課題と最適化の機会を要約し,分類することを目的としている。
  論文  参考訳（メタデータ） (2023-11-22T18:46:05Z)
• Multi-Fidelity Active Learning with GFlowNets [65.91555804996203]
  本稿では,GFlowNetsをサンプルとして多要素能動学習アルゴリズムを提案する。 分子探索タスクの評価は,GFlowNetsを用いた多要素能動学習が,その単要素の予算のごく一部で高い評価の候補を発見できることを示す。
  論文  参考訳（メタデータ） (2023-06-20T17:43:42Z)
• Katakomba: Tools and Benchmarks for Data-Driven NetHack [52.0035089982277]
  NetHackは強化学習研究のフロンティアとして知られている。 採用には、リソースワイド、実装ワイド、ベンチマークワイドの3つの大きな障害がある、と私たちは主張しています。 オフラインの強化学習コミュニティに慣れ親しんだワークフローの基礎を提供するオープンソースライブラリを開発した。
  論文  参考訳（メタデータ） (2023-06-14T22:50:25Z)
• The MIT Supercloud Workload Classification Challenge [10.458111248130944]
  本稿では,MIT Supercloudデータセットに基づくワークロード分類の課題について述べる。 この課題の目標は、計算ワークロードの分析におけるアルゴリズムのイノベーションを促進することである。
  論文  参考訳（メタデータ） (2022-04-12T14:28:04Z)
• Toward Fault Detection in Industrial Welding Processes with Deep Learning and Data Augmentation [0.0]
  本稿では,AIツールの産業的実現における課題について述べる。 我々はオブジェクト検出APIからオブジェクト検出アルゴリズムを使用し、転送学習を用いてユースケースに適応する。 画像拡張によるデータセットの適度なスケーリングは、結合(IoU)とリコールの交差点の改善につながる。
  論文  参考訳（メタデータ） (2021-06-18T14:52:49Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Building Robust Industrial Applicable Object Detection Models Using Transfer Learning and Single Pass Deep Learning Architectures [1.1816942730023883]
  我々は、オブジェクト検出のタスク専用の深層畳み込みニューラルネットワークが、産業指向のオブジェクト検出パイプラインをどのように改善するかを探求する。 地域提案や分類,確率推定をひとつの実行で統合したディープラーニングアーキテクチャを用いて,リアルタイムのパフォーマンス向上を目指す。 本稿では,これらのアルゴリズムを2つの産業関連アプリケーションに適用し,その1つはアイトラッキングデータにおけるプロモーションボードの検出と,もう1つは拡張現実広告のための倉庫製品のパッケージの検出と認識である。
  論文  参考訳（メタデータ） (2020-07-09T09:50:45Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。