Using the IBM Maximo Visual Inspection API key (Object Counting)

Cahyati Supriyati Sangaji (My Note)

Ilustrasi-1: Login Page IBM Maximo Visual Insoection

Kembali dibuat artikel edisi “My Note” sebagai catatan pengalaman saya dan juga tempat saya berbagi pengalaman. Artikel kali ini saya akan menjabarkan bagaimana proses menggunakan API key dari IBM Maximo Visual Inspection. Contoh yang diberikan menggunakan bahasa pemprograman python dan mendeteksi objek berupa ayam goreng. Kemudian contoh kasus yang dibuat adalah Object Counting yang dapat di artikan hanya 1 jenis objek yang akan dideteksi.

Ilustrasi2: Home Page IBM Maximo Visual Inspection

Artikel ini akan dimulai dari proses pembuatan model sampai hasil akhir perhitungan jumlah object yang terdeteksi. Langkah awal yang dilakukan adalah create dataset. Kemudian lakukan proses labeling pada data training yang sudah disiapkan. Seperti yang telah dijelaskan sebelumnya contoh objek yang dideteksi adalah ayam.

Ilustrasi-3: Create Dataset

Telah disiapkan 257 image untuk dilakukan proses labeling, yang selanjutnya akan dilakukan proses training. Data yang dikumpulkan bersumber dari data image google search.

Ilustrasi-4: labeling Database

Karena data yang tersedia cukup sedikit, kita perlu melakukan proses augment data yang bertujuan untuk memperkaya data dan dapat menghasilkan akurasi yang cukup baik.

Ilustrasi-5: Augment Data Optional
Ilustrasi-6: Create Augment Data

Maka lakukan proses augment data, select opsi augment data yang dibutuhkan dan tidak akan mengurangi hasil accuracy untuk deteksi objek. Setelah opsi augment data telah dipilih kemudian create dataset untuk dataset dari hasil augment data tersebut.

Ilustrasi-7: Augment Data Result

Setelah proses augment data selesai jumlah dataset yang ada sekarang menjadi 9.766 data. Kemudian lanjutkan proses training model dan menggunakan tipe training object detection, serta opsi untuk optimize model menggunakan Detectron.

Ilustrasi-8: Training Model Option
Ilustrasi-9: Training Model Process

Proses training akan berjalan menggunakan default setting hyperparameter dari IBM Maximo Visual Inspection yang juga menampilkan grafik dari Loss VS Iteration.

Setelah proses training selesai, kita akan mendapatkan hasil training model tersebut. Jika hasil training belum cukup baik, kita dapat melakukan proses training ulang untuk mendapatkan hasil accuracy yang lebih baik.

Ilustrasi-10: Training Model Result

Ketika sudah mendapatkan hasil model yang cukup baik, kita bisa melanjutkan ke langkah selanjutnya yaitu deploy model.

Ilustrasi-11: Deploy Model

Dari dashboard IBM Maximo Visual Inspection disediakan untuk menguji hasil model yang telah dibuat. Ilustrasi-12 menggambarkan hasil dari deteksi objek pada dashboard IBM Maximo Visual Inspection yang dapat dilihat berapa objek yang terdeteksi, dari contoh image yang di import terdeteksi ada 9 objek ayam.

Ilustrasi-12: Test Model Result

Kemudian bagaimana jika ingin menggunakan API key link dari IBM Maximo Visual Inspection tersebut, yang biasanya digunakan oleh tim developer. Link yang akan digunakan adalah link yang berada pada bagian deploy model pada bagian box “Deployed model API endpoint”. Copy link kemudian paste ke variabel URL pada bahasa pemprograman yang digunakan.

Ilustarsi-13: REST API Key Model.

Bahasa pemprograman yang digunakan pada contoh artikel ini adalah bahasa pemprograman python.

Langkah awal yang dilakukan adalah import library dari python yang akan digunakan, yang disini menggunakan requests dan json. Kemudian deklarasikan URL dari API Key IBM Maximo Visual Inspection.

import requests
import json
MAXIMO_URL = "<URL_API_KEY_IBM_Maximo_Visual_Inspection>"

Sintax program di bawah adalah fuction untuk mendapatkan data json dari API Key yang telah kita deklarasikan sebelumnya.

s = requests.Session()def detect_objects(filename):with open(filename, 'rb') as f:
# WARNING! verify=False is here to allow an untrusted cert!
r = s.post(MAXIMO_URL,
files={'files': (filename, f)},
verify=False)
return r.status_code, json.loads(r.text)

Kemudian uji dengan data test yang merupakan data di luar dari data training. Hasil yang ditampilkan adalah data status koneksi ke server yaitu 200 yang artinya dapat terkoneksi dan hasil output dari data json yang berasal dari IBM Maximo Visual Inspection.

rc, jsonresp = detect_objects('C:/Users/LENOVO/Downloads/chiken2.jpg')print("rc = %d" % rc)
print("jsonresp: %s" % jsonresp)
if 'classified' in jsonresp:
print("Got back %d objects" % len(jsonresp['classified']))
print(json.dumps(jsonresp, indent=2))

Output:

rc = 200
jsonresp: {'webAPIId': '5383da7e-07cb-4365-9b12-ae3855985874', 'imageUrl': 'http://dtemas-service:9080/dtemas-api/uploads/temp/5383da7e-07cb-4365-9b12-ae3855985874/8b2cad9d-51f3-4455-bcee-fd34803770d9.jpg', 'imageMd5': '27b8f85d2864f05a6b719dd92607056f', 'classified': [{'confidence': 0.9802093505859375, 'ymax': 794, 'label': 'ayam', 'xmax': 826, 'xmin': 184, 'ymin': 516, 'polygons': [[[277, 546], [242, 576], [242, 642], [184, 693], [184, 728], [230, 754], [230, 769], [289, 794], [663, 794], [686, 784], [698, 754], [756, 703], [756, 657], [803, 617], [780, 586], [721, 561], [651, 561], [593, 546], [534, 546], [464, 531], [370, 541], [312, 566]]]}, {'confidence': 0.9995076656341553, 'ymax': 334, 'label': 'ayam', 'xmax': 1422, 'xmin': 1094, 'ymin': 60, 'polygons': [[[1273, 60], [1273, 79], [1243, 104], [1237, 99], [1189, 119], [1171, 119], [1129, 149], [1105, 219], [1129, 259], [1153, 274], [1255, 314], [1273, 329], [1291, 324], [1303, 334], [1321, 334], [1422, 279], [1422, 134], [1327, 74], [1315, 60]]]}, {'confidence': 0.9991470575332642, 'ymax': 309, 'label': 'ayam', 'xmax': 823, 'xmin': 519, 'ymin': 65, 'polygons': [[[557, 96], [519, 154], [519, 203], [546, 229], [657, 287], [768, 296], [823, 274], [823, 225], [790, 185], [768, 131], [718, 78], [685, 65], [602, 65]]]}, {'confidence': 0.9908936023712158, 'ymax': 505, 'label': 'ayam', 'xmax': 556, 'xmin': 231, 'ymin': 186, 'polygons': [[[231, 244], [231, 308], [296, 360], [390, 395], [426, 424], [420, 430], [479, 488], [521, 488], [556, 465], [556, 395], [479, 331], [462, 273], [390, 186], [302, 186]]]}, {'confidence': 0.9977471232414246, 'ymax': 212, 'label': 'ayam', 'xmax': 1141, 'xmin': 774, 'ymin': 0, 'polygons': [[[787, 19], [780, 61], [840, 112], [914, 154], [914, 166], [941, 181], [974, 181], [1014, 166], [1021, 170], [1054, 158], [1088, 158], [1141, 120], [1141, 65], [1048, 0], [974, 0], [934, 19], [914, 19], [881, 0], [814, 0], [814, 7]]]}, {'confidence': 0.9977855682373047, 'ymax': 531, 'label': 'ayam', 'xmax': 1304, 'xmin': 967, 'ymin': 294, 'polygons': [[[1120, 298], [1077, 306], [1046, 328], [1016, 371], [967, 410], [967, 462], [1016, 497], [1034, 497], [1102, 523], [1151, 531], [1163, 523], [1194, 518], [1243, 488], [1304, 402], [1292, 393], [1280, 358], [1255, 345], [1261, 341], [1249, 332], [1212, 324], [1169, 302], [1163, 306]]]}, {'confidence': 0.9962655901908875, 'ymax': 610, 'label': 'ayam', 'xmax': 306, 'xmin': 6, 'ymin': 286, 'polygons': [[[6, 286], [6, 469], [16, 480], [44, 492], [109, 486], [164, 540], [219, 610], [252, 610], [306, 569], [306, 545], [290, 516], [246, 469], [246, 445], [235, 427], [241, 421], [213, 350], [159, 286]]]}, {'confidence': 0.9960111379623413, 'ymax': 666, 'label': 'ayam', 'xmax': 962, 'xmin': 626, 'ymin': 310, 'polygons': [[[877, 322], [858, 316], [711, 342], [662, 387], [662, 400], [626, 439], [626, 511], [650, 556], [632, 582], [626, 576], [626, 595], [644, 582], [675, 627], [687, 621], [705, 640], [693, 666], [760, 666], [779, 627], [766, 601], [766, 582], [779, 569], [834, 627], [864, 640], [889, 666], [950, 666], [962, 653], [962, 621], [938, 576], [920, 478], [926, 459], [901, 387], [907, 368]]]}], 'result': 'success'}
Got back 8 objects
{
"webAPIId": "5383da7e-07cb-4365-9b12-ae3855985874",
"imageUrl": "http://dtemas-service:9080/dtemas-api/uploads/temp/5383da7e-07cb-4365-9b12-ae3855985874/8b2cad9d-51f3-4455-bcee-fd34803770d9.jpg",
"imageMd5": "27b8f85d2864f05a6b719dd92607056f",
"classified": [
{
"confidence": 0.9802093505859375,
"ymax": 794,
"label": "ayam",
"xmax": 826,
"xmin": 184,
"ymin": 516,
"polygons": [
[
[
277,
546
],
[
242,
576
],
[
242,
642
],
[
184,
693
],
[
184,
728
],
[
230,
754
],
[
230,
769
],
[
289,
794
],
[
663,
794
],
[
686,
784
],
[
698,
754
],
[
756,
703
],
[
756,
657
],
[
803,
617
],
[
780,
586
],
[
721,
561
],
[
651,
561
],
[
593,
546
],
[
534,
546
],
[
464,
531
],
[
370,
541
],
[
312,
566
]
]
]
},
{
"confidence": 0.9995076656341553,
"ymax": 334,
"label": "ayam",
"xmax": 1422,
"xmin": 1094,
"ymin": 60,
"polygons": [
[
[
1273,
60
],
[
1273,
79
],
[
1243,
104
],
[
1237,
99
],
[
1189,
119
],
[
1171,
119
],
[
1129,
149
],
[
1105,
219
],
[
1129,
259
],
[
1153,
274
],
[
1255,
314
],
[
1273,
329
],
[
1291,
324
],
[
1303,
334
],
[
1321,
334
],
[
1422,
279
],
[
1422,
134
],
[
1327,
74
],
[
1315,
60
]
]
]
},
{
"confidence": 0.9991470575332642,
"ymax": 309,
"label": "ayam",
"xmax": 823,
"xmin": 519,
"ymin": 65,
"polygons": [
[
[
557,
96
],
[
519,
154
],
[
519,
203
],
[
546,
229
],
[
657,
287
],
[
768,
296
],
[
823,
274
],
[
823,
225
],
[
790,
185
],
[
768,
131
],
[
718,
78
],
[
685,
65
],
[
602,
65
]
]
]
},
{
"confidence": 0.9908936023712158,
"ymax": 505,
"label": "ayam",
"xmax": 556,
"xmin": 231,
"ymin": 186,
"polygons": [
[
[
231,
244
],
[
231,
308
],
[
296,
360
],
[
390,
395
],
[
426,
424
],
[
420,
430
],
[
479,
488
],
[
521,
488
],
[
556,
465
],
[
556,
395
],
[
479,
331
],
[
462,
273
],
[
390,
186
],
[
302,
186
]
]
]
},
{
"confidence": 0.9977471232414246,
"ymax": 212,
"label": "ayam",
"xmax": 1141,
"xmin": 774,
"ymin": 0,
"polygons": [
[
[
787,
19
],
[
780,
61
],
[
840,
112
],
[
914,
154
],
[
914,
166
],
[
941,
181
],
[
974,
181
],
[
1014,
166
],
[
1021,
170
],
[
1054,
158
],
[
1088,
158
],
[
1141,
120
],
[
1141,
65
],
[
1048,
0
],
[
974,
0
],
[
934,
19
],
[
914,
19
],
[
881,
0
],
[
814,
0
],
[
814,
7
]
]
]
},
{
"confidence": 0.9977855682373047,
"ymax": 531,
"label": "ayam",
"xmax": 1304,
"xmin": 967,
"ymin": 294,
"polygons": [
[
[
1120,
298
],
[
1077,
306
],
[
1046,
328
],
[
1016,
371
],
[
967,
410
],
[
967,
462
],
[
1016,
497
],
[
1034,
497
],
[
1102,
523
],
[
1151,
531
],
[
1163,
523
],
[
1194,
518
],
[
1243,
488
],
[
1304,
402
],
[
1292,
393
],
[
1280,
358
],
[
1255,
345
],
[
1261,
341
],
[
1249,
332
],
[
1212,
324
],
[
1169,
302
],
[
1163,
306
]
]
]
},
{
"confidence": 0.9962655901908875,
"ymax": 610,
"label": "ayam",
"xmax": 306,
"xmin": 6,
"ymin": 286,
"polygons": [
[
[
6,
286
],
[
6,
469
],
[
16,
480
],
[
44,
492
],
[
109,
486
],
[
164,
540
],
[
219,
610
],
[
252,
610
],
[
306,
569
],
[
306,
545
],
[
290,
516
],
[
246,
469
],
[
246,
445
],
[
235,
427
],
[
241,
421
],
[
213,
350
],
[
159,
286
]
]
]
},
{
"confidence": 0.9960111379623413,
"ymax": 666,
"label": "ayam",
"xmax": 962,
"xmin": 626,
"ymin": 310,
"polygons": [
[
[
877,
322
],
[
858,
316
],
[
711,
342
],
[
662,
387
],
[
662,
400
],
[
626,
439
],
[
626,
511
],
[
650,
556
],
[
632,
582
],
[
626,
576
],
[
626,
595
],
[
644,
582
],
[
675,
627
],
[
687,
621
],
[
705,
640
],
[
693,
666
],
[
760,
666
],
[
779,
627
],
[
766,
601
],
[
766,
582
],
[
779,
569
],
[
834,
627
],
[
864,
640
],
[
889,
666
],
[
950,
666
],
[
962,
653
],
[
962,
621
],
[
938,
576
],
[
920,
478
],
[
926,
459
],
[
901,
387
],
[
907,
368
]
]
]
}
],
"result": "success"
}

Terakhir kita buat script yang fokus untuk menampilkan hasil dari jumlah objek yang berhasil terdeteksi yang dianalisa dari output json sebelumnya dan hasil output dari deteksi tersebut.

if 'classified' in jsonresp:
print("Got %d Chiken" % len(jsonresp['classified']))

Output:

Got 8 Chiken

References:

Horea Porutiu, 2020 (Update), “PowerAI Counting Cars”.

Google Image Search, “Fried chiken”.