Azure IoT Edge를 사용하는 비전 AI 솔루션
이 문서 시리즈에서는 Azure IoT Edge를 사용하는 컴퓨터 비전 워크로드를 계획하고 설계하는 방법을 설명합니다. 디바이스에서 Azure IoT Edge를 실행하고 엔드투엔드 비전 AI 솔루션을 위해 Azure Machine Learning, Azure Storage, Azure App Service 및 Power BI와 통합할 수 있습니다.
제품, 리소스 및 환경을 육안으로 검사하는 것은 많은 노력이 필요합니다. 육안 검사 및 분석은 비효율적이며 정확하지 않을 수 있습니다. 기업들은 이제 합성곱 신경망(CNN)이라는 딥 러닝 인공 신경망을 사용하여 인간의 시각을 에뮬레이트합니다. 자동화된 이미지 입력 및 분석을 위해 CNN을 사용하는 것을 일반적으로 컴퓨터 비전 또는 비전 AI라고 합니다.
컨테이너화와 같은 기술은 비전 AI 모델을 네트워크 에지로 마이그레이션할 수 있는 이식성을 지원합니다. 클라우드에서 비전 유추 모델을 학습시키고, 모델을 컨테이너화하고, 이를 사용하여 Azure IoT Edge 런타임 지원 디바이스에 대한 사용자 지정 모듈을 만들 수 있습니다. 에지에서 비전 AI 솔루션을 배포하면 성능과 비용 이점이 있습니다.
사용 사례
비전 AI의 활용 사례는 제조, 소매, 의료 및 공공 부문에 걸쳐 있습니다. 일반적인 비전 AI 사용 사례에는 품질 보증, 안전 및 보안이 포함됩니다.
품질 보증
제조 환경에서 비전 AI는 부품과 프로세스를 빠르고 정확하게 검사할 수 있습니다. 자동화된 품질 검사는 다음을 수행할 수 있습니다.
- 제조 프로세스 일관성을 모니터링합니다.
- 적절한 제품 어셈블리를 확인합니다.
- 조기 결함 알림을 제공합니다.
이 사용 사례에 대한 예제 시나리오는 사용자 시나리오 1: 품질 관리를 참조하세요.
안전 및 보안
자동화된 시각적 모니터링은 잠재적인 안전 및 보안 문제를 스캔할 수 있습니다. 자동화는 인시던트에 대응할 수 있는 더 많은 시간과 위험을 줄일 수 있는 더 많은 기회를 제공할 수 있습니다. 자동화된 안전 모니터링은 다음을 수행할 수 있습니다.
- 개인 보호 장비 지침 준수를 추적합니다.
- 권한이 없는 영역으로의 진입을 모니터링하고 경고합니다.
- 식별되지 않은 개체에 대해 경고합니다.
- 보고되지 않은 위기일발 또는 보행자 장비 아차사고를 기록합니다.
이 사용 사례에 대한 예제 시나리오는 사용자 시나리오 2: 안전을 참조하세요.
아키텍처
IoT Edge용 비전 AI 솔루션은 몇 가지 구성 요소와 프로세스를 포함합니다. 이 시리즈의 문서는 각 영역에 대한 심층적인 계획 및 설계 지침을 제공합니다.
- 카메라는 IoT Edge 비전 AI 시스템에 입력할 이미지 데이터를 캡처합니다. Azure IoT Edge 비전 AI에 대한 카메라 선택을 참조하세요.
- IoT Edge 디바이스의 하드웨어 가속은 컴퓨터 그래픽 및 AI 알고리즘에 필요한 처리 능력을 제공합니다. Azure IoT Edge 비전 AI의 하드웨어 가속을 참조하세요.
- IoT Edge 모듈로 배포된 ML 모델은 들어오는 이미지 데이터의 점수를 매기고 있습니다. Azure IoT Edge 비전 AI에서 기계 학습을 참조하세요.
- IoT Edge 디바이스는 관련 이미지 데이터와 메타데이터를 클라우드로 전송하여 저장합니다. 저장된 데이터는 ML 재교육, 문제 해결 및 분석에 사용됩니다. Azure IoT Edge 비전 AI에 대한 이미지 스토리지 및 관리를 참조하세요.
- 사용자는 앱, 시각화 및 대시보드와 같은 사용자 인터페이스를 통해 시스템과 상호 작용합니다. Azure IoT Edge 비전 AI의 사용자 인터페이스 및 시나리오를 참조하세요.
고려 사항
컴퓨터 비전 워크로드를 클라우드에서 에지로 마이그레이션하는 이유에는 성능과 비용이 포함됩니다.
성능 고려 사항
- 클라우드로 내보내는 데이터가 적으면 성능 문제를 일으킬 수 있는 네트워크 인프라에 대한 부담이 줄어듭니다.
- 로컬에서 데이터를 채점하면 허용할 수 없는 응답 대기 시간을 방지하는 데 도움이 됩니다.
- 로컬 경고는 지연 및 복잡성을 방지합니다.
예를 들어, 권한이 없는 영역으로 진입하는 사람은 즉각적인 개입이 필요할 수 있습니다. 채점 모델을 데이터 수집 지점 근처에 배치하면 근 실시간 이미지 채점 및 경고가 가능합니다.
비용 고려 사항
로컬에서 데이터를 채점하고 관련 데이터만 클라우드로 전송하면 컴퓨터 비전 이니셔티브의 ROI(투자 수익률)를 개선할 수 있습니다. IoT Edge 사용자 지정 비전 모듈은 ML 모델별로 이미지 데이터에 채점할 수 있으며, 추가 처리를 위해 합리적인 신뢰도와 관련이 있는 것으로 간주되는 이미지만 클라우드로 보낼 수 있습니다. 선택한 이미지만 보내면 클라우드로 이동하는 데이터의 양이 줄어들고 비용이 절감됩니다.
참가자
Microsoft에서 이 문서를 유지 관리합니다. 원래 다음 기여자가 작성했습니다.
보안 주체 작성자:
- Keith Hill | 선임 PM 관리자
비공개 LinkedIn 프로필을 보려면 LinkedIn에 로그인합니다.
다음 단계
IoT Edge 비전 AI에 대한 이 시리즈를 계속 진행하려면 다음 문서를 참조하세요.
CNN, 비전 AI, Azure Machine Learning 및 Azure IoT Edge에 대한 자세한 내용은 다음 설명서를 참조하세요.
- Azure IoT Edge 설명서
- Azure Machine Learning 설명서
- 자습서: Custom Vision Service를 사용하여 에지에서 이미지 분류 수행
- Computer Vision이란?
- Azure Kinect DK 개발자 키트 설명서
- ONNX(Open Neural Network Exchange) ML 프레임워크
- MMdnn(모델 관리 심층 신경망) 도구
관련 리소스
Azure IoT를 사용하는 컴퓨터 비전 아키텍처, 예제 및 아이디어에 대한 자세한 내용은 다음 문서를 참조하세요.
피드백
https://aka.ms/ContentUserFeedback
출시 예정: 2024년 내내 콘텐츠에 대한 피드백 메커니즘으로 GitHub 문제를 단계적으로 폐지하고 이를 새로운 피드백 시스템으로 바꿀 예정입니다. 자세한 내용은 다음을 참조하세요.다음에 대한 사용자 의견 제출 및 보기