TensorFlow gehört zu den verbreitetsten Werkzeugen, um neuronale Netze zu bauen und in der Fertigung einzusetzen. Der Umfang reicht von der Entwicklung über das Training bis zum Betrieb auf Geräten mit begrenzter Rechenleistung.
Warum TensorFlow im industriellen Umfeld
Auf den Betrieb ausgelegt
Anders als rein forschungsorientierte Werkzeuge war TensorFlow von Beginn an auf den produktiven Einsatz ausgerichtet. Für den Betrieb auf Geräten mit wenig Ressourcen gibt es eine eigene, schlanke Laufzeitumgebung.
Geeignet für Geräte an der Anlage
Modelle lassen sich in ein optimiertes Format übersetzen, das auf ARM-Prozessoren und kompakten Rechnern effizient läuft, teilweise bis hinunter auf Mikrocontroller.
Werkzeuge für den gesamten Weg
Für die Beobachtung des Trainings, für vollständige Verarbeitungsketten und für vortrainierte Modelle stehen ausgereifte Werkzeuge bereit.
Ein Modell für die Fertigung aufbauen
Datenaufbereitung
Eine geordnete Verarbeitungskette lädt die Daten, bereitet sie auf und erweitert den Bestand künstlich, etwa durch Drehen und Spiegeln der Aufnahmen. Ohne diesen Schritt bleibt der Datenbestand fast immer zu klein.
Modellaufbau
Für die Sichtprüfung beginnt man sinnvollerweise nicht bei null, sondern passt ein vortrainiertes Netz an die eigene Aufgabe an. Dieses Transferlernen senkt den Bedarf an eigenen Aufnahmen erheblich.
Training
Das Training lässt sich auf mehrere Grafikeinheiten verteilen. Der Verlauf sollte beobachtet und rechtzeitig abgebrochen werden, damit sich das Modell nicht auf die Trainingsdaten einschießt.
Verkleinerung
Vor dem Einsatz auf Geräten an der Anlage wird das Modell verkleinert. Durch Quantisierung schrumpft es erheblich, ohne dass die Treffsicherheit spürbar leidet. Das Entfernen unnötiger Parameter bringt zusätzlich Tempo.
Betrieb
Auf Geräten an der Linie
Das übersetzte Modell läuft auf dem Auswerterechner, bekommt die Bilder von der Kamera und gibt das Ergebnis über die üblichen industriellen Protokolle an die Steuerung weiter.
Auf einem Server im Haus
Wo es nicht auf Millisekunden ankommt, kann das Modell zentral betrieben und über Schnittstellen angesprochen werden.
In Containern
Container sorgen dafür, dass in Entwicklung und Betrieb dieselbe Umgebung läuft. Das erspart die typischen Überraschungen beim Übergang in den Produktivbetrieb.
Was sich im Betrieb bewährt
Versionsstände festhalten
Zu jedem Modell gehören die Daten und der Code, mit denen es entstanden ist. Ohne diese Zuordnung ist ein Modell nach einem halben Jahr nicht mehr nachvollziehbar.
Beobachten
Die Güte im laufenden Betrieb verfolgen und mit den Werten aus der Erprobung vergleichen. Weichen sie ab, ist es Zeit für neues Training.
Abläufe automatisieren
Training, Prüfung und Auslieferung so weit wie möglich automatisieren, damit Aktualisierungen verlässlich und nachvollziehbar erfolgen.
Die Kurse von ED WARTENS Deutschland behandeln diesen Weg vollständig, vom Aufbau des Modells bis zum Betrieb auf Geräten an der Fertigungslinie.