【手把手教學】快速利用 AutoML Vision 提升 PCB 瑕疵檢測精準度

自 2018 年 Google 在 Google Cloud Next 年會重磅推出 Cloud AutoML 技術，資料科學與 AI 普及化應用的時代已正式來臨。暨上篇工廠製程革新：AutoML Vision 如何優化製造業的目視檢測，改善品管？，本篇文章將進一步實際教學如何快速利用 AutoML Vision 提升 PCB 的瑕疵檢測精準度。以下教學，將以兩個 PCB 資料集，示範兩種不同模型的操作步驟：單一標籤分類模型（判斷是否有瑕疵）、物件偵測模型（判斷是否有瑕疵、偵測瑕疵處、判斷瑕疵類型）。

如果看完本篇教學文，有興趣實作練習的朋友，也歡迎造訪 Google Cloud Qwiklab，自費報名 2 小時的線上課程： Classify Images of Clouds in the Cloud with AutoML Vision。

文章目錄

• • 什麼是 AutoML、AutoML Vision？
  • 情境一：單一標籤分類模型（黑白 PCB 圖片 dataset）
  • 情境二：物件偵測模型（彩色 PCB 圖片 dataset）

AutoML 是一種 AI 自動化建模的技術，相較於仰賴專業的 AI 資料科學家自行建模，過程需反覆挑選、測試、訓練、優化，才能順利上線一版模型，有了 AutoML，企業不需要撰寫程式碼，也不需擁有太深的 AI 技術，即可透過點擊簡潔、明瞭的 UI 介面快速導入 AI。

相較一般自行建模的機器學習開發流程：目標設定、準備資料、資料處理、建立模型、優化模型、模型上線，AutoML 僅需專注於前三個資料前處理的步驟：目標設定、準備資料、資料處理。

透過 AutoML，您僅需匯入充足數量（建議每個 label 的圖片各 1,000 張）的高品質圖片（步驟 1），AutoML 即可針對上傳的 dataset 自動建立專屬的機器學習模型供測試預測結果（步驟 2-4），最後 AutoML 提供 REST API、Phython 兩種選擇（步驟 5），供使用者可以快速後續利用模型於產品服務中。

目前 Google Cloud 提供以下 6 種 AutoML 服務，而本次文章分享的 AutoML Vision 即是針對圖片資料進行分析預測。

1. Vertex AI：整合客製化建模、AutoML 的一站式 AI 平台服務
2. AutoML Vision：圖像資料分析預測（例如：PCB 瑕疵檢測）
3. AutoML Video Intelligence：影像、鏡頭資料分析預測（例如：影片內容分類）
4. AutoML Natural Language：文字結構、語意分析預測（例如：Chatbot 客戶評價分析）
5. AutoML Translation：文字翻譯模型，支援 50 種語言（例如：領域專業術語翻譯）
6. AutoML Tables：結構化資料分析預測，可處理多種表格資料（例如：銷量預測）

步驟一：匯入

1. 準備好 CSV 檔資料集：A 欄為圖片用途（TRAIN）、B 欄為圖片連結、C 欄為標籤（good、ng）
   

   A 欄	B 欄	C 欄
   TRAIN	gs://cloud-ai-workshop-us/…/PCB Data1/img0001.jpg	good
   TRAIN	gs://cloud-ai-workshop-us/…/PCB Data1/img0002.jpg	ng
   …	…	…

   
   （參考 AutoML Vision 文件，了解需準備的圖片張數、圖片檔型、圖片大小、資料集 CSV 檔格式）

2. 新建資料集：
   1. 從左邊 Menu 選單的 ARTIFICIAL INTELLIGENCE，點選 Vision，進到 Datasets頁面
   2. 填寫資料集名稱、選取模型目標（單一標籤分類模型）
      
      
3. 從 Cloud Storage 選取您的資料集 CSV 檔案
   

 步驟二：映像檔

1. 匯入後，可快速檢視圖片集
   
   
2. 針對標記錯誤的圖片，也可以手動個別修改標記（good、ng）
   
   

步驟三：訓練

1. 填寫模型名稱，並指定將模型放在雲端（Cloud hosted）或地端（Edge）（備註：選擇 Cloud hosted 將無法輸出到地端使用）
   
2. 輸入訓練模型的機器時數預算（建議 16 小時）
   

步驟四：評估

1. 訓練好的模型，可在評估分頁，查詢模型的精準度（precision）、喚回度（recall）、混淆矩陣（confusion matrix），以判斷模型是否有符合產品可上線的指標
   

步驟五：測試及使用

1. 部署模型，選擇部署至於雲端的機器台數
   
   
2. 從電腦上傳幾張照片，測試模型預測結果，上傳後將顯示每張圖片瑕疵處、預測信心度（以下為示意圖，非情境一實際結果），並選擇以 REST API 或 Phython 將模型應用在您的產品中
   
   

步驟一：匯入

1. 準備好資料集：A 欄為圖片用途（TRAIN）、B 欄為圖片連結、C 欄為標籤（missing_hole、spur、spurious_copper、mouse_bite、short、open_circuit 6 種瑕疵）
   

   A 欄	B 欄	C 欄
   TRAIN	gs://cloud-ai-workshop-us/…/PCB Data2/img0001.jpg	missing_hole
   TRAIN	gs://cloud-ai-workshop-us/…/PCB Data2/img0002.jpg	spur
   …	…	…

   （參考 AutoML Vision 文件，了解需準備的圖片張數、圖片檔型、圖片大小、資料集 CSV 檔格式）
   

2. 新建資料集：
   1. 從左邊 Menu 選單的 ARTIFICIAL INTELLIGENCE，點選 Vision，進到 Datasets頁面
   2. 填寫資料集名稱、選取模型目標（物件偵測模型）
      
3. 從 Cloud Storage 選取您的資料集 CSV 檔案
   

步驟二：映像檔

1. 匯入後，可快速檢視圖片集
   
   
2. 針對標記錯誤的圖片，也可以手動個別修改標記、直接補標註新的瑕疵處
   
   

步驟三：訓練

1. 填寫模型名稱，並指定將模型放在雲端（Cloud hosted）或地端（Edge）（備註：選擇 Cloud hosted 將無法輸出到地端使用）
   
2. 輸入訓練模型的機器時數預算（建議 16 小時）
   
   

步驟四：評估

1. 訓練好的模型，可在評估分頁，查詢模型的精準度（precision）、喚回度（recall），以判斷模型是否有符合產品可上線的指標
   
   

步驟五：測試及使用

1. 部署模型，選擇部署至於雲端的機器台數
   
   
2. 從電腦上傳幾張照片，測試模型預測結果，上傳後將顯示每張圖片瑕疵處、預測信心度（以下為示意圖，非情境二實際結果），並選擇以 REST API 或 Phython 將模型應用在您的產品中
   

想立即啟用 AutoML Vision 嗎？歡迎立即與 iKala Cloud 聯繫！

閱讀更多：

• 技術應用 – 產線良率預測：AutoML 瑕疵檢測 Demo
• [手把手教學] 快速啟用 Cloud AutoML Vision：Google 最新機器學習產品！
• 一秒辨識屈中恆、宋少卿、鈕承澤：就用 Cloud AutoML Vision！

參考資訊：