前處理和後處理

附註: 從 Maximo® Visual Inspection 8.7開始，不支援自訂模型，且無法上傳自訂 Script。在 Maximo Visual Inspection 8.6 及更舊版本中仍然支援自訂模型。 REST API 仍然支援擷取您上傳至 Maximo Visual Inspection 8.6 及更舊版本的任何現有自訂 Script。

您可以上傳自訂作業，以在每一個推理作業之前和之後執行作業，而不需要人為介入。

custom.py 範本
選用 requirements.txt 檔案
部署具有前處理及/或後處理的模型

附註：動作偵測模型不受支援。

custom.py 範本

使用 custom.py 範本來產生一個名為 custom.py的 Python 檔案。檔案可以包含前置處理及/或後置處理的指示。版本取決於機型：

Python 2 適用於高解析度、異常最佳化及自訂模型。
Python 3 for Faster R-CNN、 GoogLeNet、SSD、YOLO v3、小型 YOLO v3及 Detectron2 模型。

附註: 從 Maximo Visual Inspection 8.7開始，不支援自訂模型。在 Maximo Visual Inspection 8.6 及更舊版本中仍然支援自訂模型。

重要事項：此檔案必須包裝在 .zip 檔中，該檔案在 .zip 檔的最高層級目錄中有 custom.py 檔案。

.zip 檔案中還可能存在其他檔案（例如，額外的 Python 檔案、Shell Script 及影像）。如果自訂作業 Script 需要 Python 模組，除了 Python 中的那些內建模組之外，您可以建立一個 requirements.txt 檔案，其中包含要使用 pip 來安裝的模組清單。範本包含下列資訊：

class CustomInference - 檔案中唯一的 Python 類別。它必須命名為 CustomInference，並保留 "pre" 和 " post" 圖說文字。
onPreProcessing - 如果已定義，則此函數必須位於 CustomInference 中。對影像執行推理之前，會呼叫此函數。
onPostProcessing - 如果已定義，則此函數必須位於 CustomInference 中。對影像執行推理之後，會呼叫此函數。

class CustomInference:
# Callout for inference pre-processing.  Will be called before the
# actual inference on the “image”
#
# Input:
#    image:    Image represented as a NumPy array that inference is to be
#              performed on.
#
# params:  To be used for additional parameters.  This will be
#             a listof key/value pairs.
#
# Output:
#    image:    Return the image represented as a NumPy array that is to
#              be used for inference.  This array may been manipulated
#              in this function, or it may be the same exact NumPy array.
#
def onPreProcessing(self, image, params):

     return image
# Callout for the inference post-processing.  Will be called
# after the image has been inferred.
#
# Input:
#    Image:    Image represented as a NumPy array that inference is to be
#              performed on.
#
# results:  JSON of the inference results.  The JSON will be
#              dependent on thetype of inference.
#
# params: To be used for additional parameters.  This will
#              be a list of key/value pairs
#
# Output:
#    results:  A json object that is a copy of the original
#              inference results.  However, if the callout
#              intends to return additional information, that
#              information can bereturnedin the json results
#              under the key “user”.
#                   
def onPostProcessing(self, image, results, params):

     return results

選用 requirements.txt 檔案

下列範例檔顯示 requirements.txt 檔案的內容：

sseclient==0.0.19
tflearn==0.3.2
keras==2.2.4

部署使用前處理和/或後處理的模型

若要部署使用額外處理的模型，請上傳自訂 .zip 檔案，然後在部署上指定該文件。

移至自訂構件頁面，並上傳包含 custom.py 的 .zip 檔。針對構件類型，選取自訂推理 Script。
移至您要部署的模型，然後按一下部署模型。
開啟進階部署。
若為自訂推論 Script，請選取您要使用的推斷 Script，指定您要對推論結果執行的作業，然後按一下部署。
附註：
- 即使您沒有選擇自訂推理 Script，也可以儲存推理結果。
- 不儲存影片的推理結果。