Mit der Benutzerdefinierte Etiketten von Amazon Rekognition, du kannst haben Amazon-Anerkennung Trainieren Sie ein benutzerdefiniertes Modell für die Objekterkennung oder Bildklassifizierung speziell für Ihre Geschäftsanforderungen. Rekognition Custom Labels können beispielsweise Ihr Logo in Social-Media-Beiträgen finden, Ihre Produkte in Verkaufsregalen identifizieren, Maschinenteile in einem Fließband klassifizieren, gesunde und infizierte Pflanzen unterscheiden oder animierte Charaktere in Videos erkennen.
Die Entwicklung eines Rekognition Custom Labels-Modells zur Analyse von Bildern ist ein bedeutendes Unterfangen, das Zeit, Fachwissen und Ressourcen erfordert und oft Monate in Anspruch nimmt. Darüber hinaus sind oft Tausende oder Zehntausende von handbeschrifteten Bildern erforderlich, um das Modell mit genügend Daten zu versorgen, um genaue Entscheidungen treffen zu können. Die Generierung dieser Daten kann Monate dauern und große Teams von Etikettierern erfordern, um sie für die Verwendung im maschinellen Lernen (ML) vorzubereiten.
Mit Rekognition Custom Labels nehmen wir Ihnen die schwere Arbeit ab. Rekognition Custom Labels baut auf den bestehenden Funktionen von Amazon Rekognition auf, das bereits mit zig Millionen Bildern in vielen Kategorien trainiert wurde. Anstelle von Tausenden von Bildern müssen Sie einfach einen kleinen Satz von Schulungsbildern (normalerweise einige hundert Bilder oder weniger) hochladen, die für Ihren Anwendungsfall spezifisch sind, über unsere benutzerfreundliche Konsole. Wenn Ihre Bilder bereits beschriftet sind, kann Amazon Rekognition mit nur wenigen Klicks mit dem Training beginnen. Wenn nicht, können Sie sie direkt in der Amazon Rekognition-Kennzeichnungsschnittstelle kennzeichnen oder verwenden Amazon Sagemaker Ground Truth um sie für Sie zu beschriften. Nachdem Amazon Rekognition mit dem Training aus Ihrem Bildsatz begonnen hat, erstellt es in nur wenigen Stunden ein benutzerdefiniertes Bildanalysemodell für Sie. Hinter den Kulissen lädt und überprüft Rekognition Custom Labels automatisch die Trainingsdaten, wählt die richtigen ML-Algorithmen aus, trainiert ein Modell und stellt Modellleistungsmetriken bereit. Anschließend können Sie Ihr benutzerdefiniertes Modell über die Rekognition Custom Labels API verwenden und es in Ihre Anwendungen integrieren.
Das Erstellen eines Rekognition Custom Labels-Modells und dessen Hosting für Echtzeitvorhersagen umfasst jedoch mehrere Schritte: Erstellen eines Projekts, Erstellen der Trainings- und Validierungsdatensätze, Trainieren des Modells, Evaluieren des Modells und Erstellen eines Endpunkts. Nachdem das Modell für die Inferenz bereitgestellt wurde, müssen Sie das Modell möglicherweise neu trainieren, wenn neue Daten verfügbar werden oder wenn Feedback von der realen Inferenz empfangen wird. Durch die Automatisierung des gesamten Workflows kann die manuelle Arbeit reduziert werden.
In diesem Beitrag zeigen wir, wie Sie es nutzen können AWS Step-Funktionen um den Workflow zu erstellen und zu automatisieren. Step Functions ist ein visueller Workflow-Service, der Entwicklern hilft, AWS-Services zu nutzen, um verteilte Anwendungen zu erstellen, Prozesse zu automatisieren, Microservices zu orchestrieren und Daten- und ML-Pipelines zu erstellen.
Lösungsüberblick
Der Step Functions-Workflow sieht wie folgt aus:
- Wir erstellen zuerst ein Amazon Rekognition-Projekt.
- Parallel dazu erstellen wir die Trainings- und die Validierungsdatensätze unter Verwendung bestehender Datensätze. Wir können die folgenden Methoden verwenden:
- Importieren Sie eine Ordnerstruktur aus Amazon Simple Storage-Service (Amazon S3) mit den Ordnern, die die Etiketten darstellen.
- Verwenden Sie einen lokalen Computer.
- Verwenden Sie die Grundwahrheit.
- Erstellen Sie einen Datensatz mithilfe eines vorhandenen Datensatzes mit dem AWS SDK.
- Erstellen Sie mit dem AWS SDK einen Datensatz mit einer Manifestdatei.
- Nachdem die Datasets erstellt wurden, trainieren wir ein Custom Labels-Modell mit der CreateProjectVersion API. Dies kann Minuten bis Stunden dauern.
- Nachdem das Modell trainiert wurde, evaluieren wir das Modell anhand der F1-Score-Ausgabe aus dem vorherigen Schritt. Wir verwenden den F1-Score als unsere Bewertungsmetrik, da er ein Gleichgewicht zwischen Präzision und Erinnerung bietet. Sie können auch Precision oder Recall als Metriken für die Modellbewertung verwenden. Weitere Informationen zu Bewertungsmetriken für benutzerdefinierte Labels finden Sie unter Metriken zur Bewertung Ihres Modells.
- Wir beginnen dann, das Modell für Vorhersagen zu verwenden, wenn wir mit dem F1-Score zufrieden sind.
Das folgende Diagramm veranschaulicht den Step Functions-Workflow.
Voraussetzungen:
Vor der Bereitstellung des Workflows müssen wir die vorhandenen Trainings- und Validierungsdatensätze erstellen. Führen Sie die folgenden Schritte aus:
- Erstens Erstellen Sie ein Amazon Rekognition-Projekt.
- Dann, Erstellen Sie die Trainings- und Validierungsdatensätze.
- Schließlich Installieren Sie die AWS SAM-CLI.
Stellen Sie den Arbeitsablauf bereit
Klonen Sie zum Bereitstellen des Workflows die GitHub-Repository:
Diese Befehle erstellen, packen und stellen Ihre Anwendung in AWS bereit, mit einer Reihe von Eingabeaufforderungen, wie im Repository erläutert.
Führen Sie den Workflow aus
Navigieren Sie zum Testen des Arbeitsablaufs zum bereitgestellten Arbeitsablauf in der Step Functions-Konsole und wählen Sie dann aus Starten Sie die Ausführung.
Der Workflow kann einige Minuten bis einige Stunden dauern. Wenn das Modell die Bewertungskriterien erfüllt, wird ein Endpunkt für das Modell in Amazon Rekognition erstellt. Wenn das Modell die Bewertungskriterien nicht erfüllt oder das Training fehlgeschlagen ist, schlägt der Workflow fehl. Sie können den Status des Workflows in der Step Functions-Konsole überprüfen. Weitere Informationen finden Sie unter Anzeigen und Debuggen von Ausführungen auf der Step Functions-Konsole.
Führen Sie Modellvorhersagen durch
Um Vorhersagen für das Modell durchzuführen, können Sie die aufrufen Amazon Rekognition DetectCustomLabels-API. Um diese API aufzurufen, muss der Aufrufer über die erforderlichen AWS Identity and Access Management and (IAM)-Berechtigungen. Weitere Einzelheiten zur Durchführung von Vorhersagen mit dieser API finden Sie unter Analysieren eines Bildes mit einem trainierten Modell.
Wenn Sie die DetectCustomLabels-API jedoch öffentlich verfügbar machen müssen, können Sie die DetectCustomLabels-API mit voranstellen Amazon API-Gateway. API Gateway ist ein vollständig verwalteter Dienst, der es Entwicklern erleichtert, APIs in jeder Größenordnung zu erstellen, zu veröffentlichen, zu warten, zu überwachen und zu sichern. API Gateway fungiert als Eingangstür für Ihre DetectCustomLabels-API, wie im folgenden Architekturdiagramm gezeigt.
API Gateway leitet die Rückschlussanforderung des Benutzers an weiter AWS Lambda. Lambda ist ein serverloser, ereignisgesteuerter Rechendienst, mit dem Sie Code für praktisch jede Art von Anwendung oder Backend-Dienst ausführen können, ohne Server bereitstellen oder verwalten zu müssen. Lambda empfängt die API-Anforderung und ruft die Amazon Rekognition DetectCustomLabels-API mit den erforderlichen IAM-Berechtigungen auf. Weitere Informationen zum Einrichten von API Gateway mit Lambda-Integration finden Sie unter Richten Sie Lambda-Proxy-Integrationen in API Gateway ein.
Das Folgende ist ein Beispiel für einen Lambda-Funktionscode zum Aufrufen der DetectCustomLabels-API:
Aufräumen
Verwenden Sie zum Löschen des Workflows die AWS SAM CLI:
Um das Rekognition Custom Labels-Modell zu löschen, können Sie entweder die Amazon Rekognition-Konsole oder das AWS SDK verwenden. Weitere Informationen finden Sie unter Löschen eines Amazon Rekognition Custom Labels-Modells.
Zusammenfassung
In diesem Beitrag haben wir einen Step Functions-Workflow durchlaufen, um einen Datensatz zu erstellen und dann ein Rekognition Custom Labels-Modell zu trainieren, zu evaluieren und zu verwenden. Der Workflow ermöglicht es Anwendungsentwicklern und ML-Ingenieuren, die benutzerdefinierten Label-Klassifizierungsschritte für jeden Computer-Vision-Anwendungsfall zu automatisieren. Der Code für den Workflow ist Open Source.
Weitere serverlose Lernressourcen finden Sie unter Serverloses Land. Um mehr über benutzerdefinierte Labels von Rekognition zu erfahren, besuchen Sie Benutzerdefinierte Etiketten von Amazon Rekognition.
Über den Autor
Veda Raman ist ein Senior Specialist Solutions Architect für maschinelles Lernen mit Sitz in Maryland. Veda arbeitet mit Kunden zusammen, um ihnen bei der Entwicklung effizienter, sicherer und skalierbarer Anwendungen für maschinelles Lernen zu helfen. Veda ist daran interessiert, Kunden dabei zu helfen, serverlose Technologien für maschinelles Lernen zu nutzen.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :Ist
- $UP
- 100
- 7
- 8
- a
- Über uns
- Zugang
- genau
- über
- Handlungen
- zusätzlich
- Nach der
- gegen
- Algorithmen
- erlaubt
- bereits
- Amazon
- Amazon-Anerkennung
- Analyse
- analysieren
- und
- Bienen
- APIs
- Anwendung
- Anwendungen
- Architektur
- SIND
- AS
- Versammlung
- At
- automatisieren
- Im Prinzip so, wie Sie es von Google Maps kennen.
- automatisieren
- verfügbar
- AWS
- AWS Step-Funktionen
- Backend
- Balance
- basierend
- weil
- wird
- beginnen
- hinter
- hinter den Kulissen
- zwischen
- Körper
- bauen
- Building
- baut
- Geschäft
- rufen Sie uns an!
- Anrufer
- Aufrufe
- CAN
- Fähigkeiten
- österreichische Unternehmen
- Häuser
- Kategorien
- CD
- Zeichen
- aus der Ferne überprüfen
- Auswählen
- Einstufung
- klassifizieren
- Auftraggeber
- Code
- abschließen
- Berechnen
- Computer
- Computer Vision
- Konsul (Console)
- Kontext
- könnte
- erstellen
- erstellt
- Erstellen
- Kriterien
- Original
- Kunden
- technische Daten
- Datensätze
- Entscheidungen
- einsetzen
- Einsatz
- Bereitstellen
- Einsatz
- Details
- Entdeckung
- Entwickler
- Direkt
- unterscheiden
- verteilt
- Tut nicht
- Von
- Einfache
- einfach zu bedienende
- effizient
- entweder
- Endpunkt
- Ingenieure
- genug
- Äther (ETH)
- bewerten
- Auswerten
- Auswertung
- Event
- Beispiel
- vorhandenen
- Expertise
- erklärt
- f1
- Gescheitert
- scheitert
- Feedback
- wenige
- Reichen Sie das
- Finden Sie
- Vorname
- Folgende
- folgt
- Aussichten für
- für
- Materials des
- voll
- Funktion
- Funktionen
- Tor
- Erzeugung
- Git
- Boden
- Haben
- gesund
- schwer
- schweres Heben
- Hilfe
- Unternehmen
- hilft
- Hosting
- STUNDEN
- Ultraschall
- Hilfe
- HTML
- HTTPS
- IAM
- identifizieren
- Identitätsschutz
- Image
- Bildanalyse
- Bildklassifizierung
- Bilder
- in
- Information
- beantragen müssen
- integrieren
- Integration
- Integrationen
- interessiert
- Schnittstelle
- beinhaltet
- IT
- JSON
- Label
- Beschriftung
- Etiketten
- grosse
- LERNEN
- lernen
- Lasst uns
- Hebelwirkung
- Facelift
- Line
- Belastungen
- aus einer regionalen
- Logo
- Maschine
- Maschinelles Lernen
- halten
- um
- MACHT
- verwaltet
- flächendeckende Gesundheitsprogramme
- manuell
- Handarbeit
- viele
- Maryland
- Medien
- Methoden
- Metrisch
- Metrik
- Microservices
- könnte
- Millionen
- Minuten
- ML
- ML-Algorithmen
- Modell
- Überwachen
- Monat
- mehr
- Navigieren
- notwendig,
- Need
- Bedürfnisse
- Neu
- Objekt
- Objekterkennung
- of
- on
- OS
- Signalausgangsmöglichkeiten:
- Paket
- Parallel
- Teile
- leitet
- ausführen
- Leistung
- Durchführung
- Berechtigungen
- Pflanzen
- Plato
- Datenintelligenz von Plato
- PlatoData
- Post
- BLOG-POSTS
- Präzision
- Prognosen
- Danach
- früher
- anpassen
- Produkte
- Projekt
- die
- bietet
- Stellvertreter
- öffentlich
- veröffentlichen
- realen Welt
- Echtzeit
- Received
- erhält
- Veteran
- Quelle
- Darstellen
- Anforderung
- erfordern
- erfordert
- Downloads
- Antwort
- Rückkehr
- Führen Sie
- s
- sagemaker
- Sam
- zufrieden
- zufrieden
- skalierbaren
- Skalieren
- Szenen
- Ergebnis
- Sdk
- Verbindung
- Senior
- Modellreihe
- Serverlos
- Fertige Server
- Leistungen
- kompensieren
- mehrere
- Regale
- erklären
- gezeigt
- signifikant
- Einfacher
- einfach
- da
- klein
- Social Media
- Social Media
- Social Media Beiträge
- Lösungen
- Spezialist
- spezifisch
- Anfang
- Status
- Schritt
- Shritte
- Lagerung
- speichern
- Struktur
- Nehmen
- Einnahme
- Teams
- Technologies
- Test
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Sie
- Tausende
- Durch
- Zeit
- zu
- Training
- trainiert
- Ausbildung
- schult Ehrenamtliche
- typisch
- -
- Anwendungsfall
- Bestätigung
- Videos
- praktisch
- Seh-
- Besuchen Sie
- ging
- welche
- mit
- .
- ohne
- Arbeiten
- Arbeitsablauf.
- Werk
- Ihr
- Zephyrnet