Με Προσαρμοσμένες ετικέτες αναγνώρισης Amazon, μπορείς να έχεις Αναγνώριση Amazon εκπαιδεύστε ένα προσαρμοσμένο μοντέλο για ανίχνευση αντικειμένων ή ταξινόμηση εικόνων ειδικά για τις ανάγκες της επιχείρησής σας. Για παράδειγμα, οι προσαρμοσμένες ετικέτες αναγνώρισης μπορούν να βρουν το λογότυπό σας σε αναρτήσεις μέσων κοινωνικής δικτύωσης, να αναγνωρίσουν τα προϊόντα σας στα ράφια των καταστημάτων, να ταξινομήσουν εξαρτήματα μηχανής σε μια γραμμή συναρμολόγησης, να διακρίνουν υγιή και μολυσμένα φυτά ή να ανιχνεύσουν κινούμενους χαρακτήρες σε βίντεο.
Η ανάπτυξη ενός μοντέλου προσαρμοσμένων ετικετών αναγνώρισης για την ανάλυση εικόνων είναι ένα σημαντικό εγχείρημα που απαιτεί χρόνο, τεχνογνωσία και πόρους, που συχνά χρειάζονται μήνες για να ολοκληρωθεί. Επιπλέον, συχνά απαιτεί χιλιάδες ή δεκάδες χιλιάδες εικόνες με σήμανση χειρός για να παρέχει στο μοντέλο αρκετά δεδομένα για να λαμβάνει αποφάσεις με ακρίβεια. Η δημιουργία αυτών των δεδομένων μπορεί να διαρκέσει μήνες για να συγκεντρωθεί και να απαιτήσει μεγάλες ομάδες ετικετών να τα προετοιμάσουν για χρήση στη μηχανική εκμάθηση (ML).
Με τις Προσαρμοσμένες Ετικέτες Αναγνώρισης, φροντίζουμε για εσάς την ανύψωση βαρέων βαρών. Το Rekognition Custom Labels βασίζεται στις υπάρχουσες δυνατότητες του Amazon Rekognition, το οποίο έχει ήδη εκπαιδευτεί σε δεκάδες εκατομμύρια εικόνες σε πολλές κατηγορίες. Αντί για χιλιάδες εικόνες, χρειάζεται απλώς να ανεβάσετε ένα μικρό σύνολο εικόνων εκπαίδευσης (συνήθως μερικές εκατοντάδες εικόνες ή λιγότερες) που είναι ειδικά για την περίπτωση χρήσης σας μέσω της εύχρηστης κονσόλας μας. Εάν οι εικόνες σας έχουν ήδη επισημανθεί, το Amazon Rekognition μπορεί να ξεκινήσει την εκπαίδευση με λίγα μόνο κλικ. Εάν όχι, μπορείτε να τα επισημάνετε απευθείας στη διεπαφή ετικετών Amazon Rekognition ή να τα χρησιμοποιήσετε Amazon SageMaker Ground Αλήθεια για να σου τα βάλουν ετικέτες. Αφού το Amazon Rekognition ξεκινήσει την εκπαίδευση από το σύνολο εικόνων σας, παράγει ένα προσαρμοσμένο μοντέλο ανάλυσης εικόνας για εσάς μέσα σε λίγες μόνο ώρες. Στα παρασκήνια, το Rekognition Custom Labels φορτώνει και επιθεωρεί αυτόματα τα δεδομένα εκπαίδευσης, επιλέγει τους σωστούς αλγόριθμους ML, εκπαιδεύει ένα μοντέλο και παρέχει μετρήσεις απόδοσης μοντέλου. Στη συνέχεια, μπορείτε να χρησιμοποιήσετε το προσαρμοσμένο μοντέλο σας μέσω του API προσαρμοσμένων ετικετών αναγνώρισης και να το ενσωματώσετε στις εφαρμογές σας.
Ωστόσο, η δημιουργία ενός μοντέλου προσαρμοσμένων ετικετών αναγνώρισης και η φιλοξενία του για προβλέψεις σε πραγματικό χρόνο περιλαμβάνει πολλά βήματα: δημιουργία έργου, δημιουργία συνόλων δεδομένων εκπαίδευσης και επικύρωσης, εκπαίδευση του μοντέλου, αξιολόγηση του μοντέλου και, στη συνέχεια, δημιουργία ενός τελικού σημείου. Μετά την ανάπτυξη του μοντέλου για εξαγωγή συμπερασμάτων, ίσως χρειαστεί να επανεκπαιδεύσετε το μοντέλο όταν καταστούν διαθέσιμα νέα δεδομένα ή εάν ληφθούν σχόλια από εξαγωγή συμπερασμάτων στον πραγματικό κόσμο. Η αυτοματοποίηση ολόκληρης της ροής εργασίας μπορεί να βοηθήσει στη μείωση της χειρωνακτικής εργασίας.
Σε αυτήν την ανάρτηση, δείχνουμε πώς μπορείτε να χρησιμοποιήσετε Λειτουργίες βημάτων AWS για τη δημιουργία και την αυτοματοποίηση της ροής εργασιών. Το Step Functions είναι μια υπηρεσία οπτικής ροής εργασιών που βοηθά τους προγραμματιστές να χρησιμοποιούν υπηρεσίες AWS για τη δημιουργία κατανεμημένων εφαρμογών, την αυτοματοποίηση διαδικασιών, την ενορχήστρωση μικροϋπηρεσιών και τη δημιουργία αγωγών δεδομένων και ML.
Επισκόπηση λύσεων
Η ροή εργασίας Βήμα Λειτουργίες είναι η εξής:
- Πρώτα δημιουργούμε ένα έργο αναγνώρισης Amazon.
- Παράλληλα, δημιουργούμε τα σύνολα δεδομένων εκπαίδευσης και επικύρωσης χρησιμοποιώντας υπάρχοντα σύνολα δεδομένων. Μπορούμε να χρησιμοποιήσουμε τις ακόλουθες μεθόδους:
- Εισαγάγετε μια δομή φακέλου από Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) με τους φακέλους που αντιπροσωπεύουν τις ετικέτες.
- Χρησιμοποιήστε έναν τοπικό υπολογιστή.
- Χρησιμοποιήστε τη βασική αλήθεια.
- Δημιουργήστε ένα σύνολο δεδομένων χρησιμοποιώντας ένα υπάρχον σύνολο δεδομένων με το AWS SDK.
- Δημιουργήστε ένα σύνολο δεδομένων με ένα αρχείο δήλωσης με το AWS SDK.
- Αφού δημιουργηθούν τα σύνολα δεδομένων, εκπαιδεύουμε ένα μοντέλο προσαρμοσμένων ετικετών χρησιμοποιώντας το CreateProjectVersion API. Αυτό μπορεί να διαρκέσει από λεπτά έως ώρες για να ολοκληρωθεί.
- Αφού εκπαιδευτεί το μοντέλο, αξιολογούμε το μοντέλο χρησιμοποιώντας την έξοδο βαθμολογίας F1 από το προηγούμενο βήμα. Χρησιμοποιούμε τη βαθμολογία F1 ως μέτρηση αξιολόγησης επειδή παρέχει μια ισορροπία μεταξύ ακρίβειας και ανάκλησης. Μπορείτε επίσης να χρησιμοποιήσετε την ακρίβεια ή την ανάκληση ως μετρήσεις αξιολόγησης του μοντέλου σας. Για περισσότερες πληροφορίες σχετικά με τις μετρήσεις αξιολόγησης προσαρμοσμένων ετικετών, ανατρέξτε στο Μετρήσεις για την αξιολόγηση του μοντέλου σας.
- Στη συνέχεια, αρχίζουμε να χρησιμοποιούμε το μοντέλο για προβλέψεις εάν είμαστε ικανοποιημένοι με τη βαθμολογία F1.
Το παρακάτω διάγραμμα απεικονίζει τη ροή εργασίας Βήμα Λειτουργίες.
Προϋποθέσεις
Πριν από την ανάπτυξη της ροής εργασίας, πρέπει να δημιουργήσουμε τα υπάρχοντα σύνολα δεδομένων εκπαίδευσης και επικύρωσης. Ολοκληρώστε τα παρακάτω βήματα:
- Πρώτον, δημιουργήστε ένα έργο αναγνώρισης Amazon.
- Στη συνέχεια, δημιουργήστε τα σύνολα δεδομένων εκπαίδευσης και επικύρωσης.
- Τέλος, εγκαταστήστε το AWS SAM CLI.
Αναπτύξτε τη ροή εργασίας
Για να αναπτύξετε τη ροή εργασίας, κλωνοποιήστε το Αποθετήριο GitHub:
Αυτές οι εντολές δημιουργούν, συσκευάζουν και αναπτύσσουν την εφαρμογή σας στο AWS, με μια σειρά προτροπών όπως εξηγείται στο αποθετήριο.
Εκτελέστε τη ροή εργασίας
Για να δοκιμάσετε τη ροή εργασίας, μεταβείτε στην αναπτυγμένη ροή εργασίας στην κονσόλα Step Functions και, στη συνέχεια, επιλέξτε Ξεκινήστε την εκτέλεση.
Η ροή εργασίας μπορεί να διαρκέσει από μερικά λεπτά έως μερικές ώρες για να ολοκληρωθεί. Εάν το μοντέλο πληροί τα κριτήρια αξιολόγησης, δημιουργείται ένα τελικό σημείο για το μοντέλο στο Amazon Rekognition. Εάν το μοντέλο δεν πληροί τα κριτήρια αξιολόγησης ή η εκπαίδευση απέτυχε, η ροή εργασίας αποτυγχάνει. Μπορείτε να ελέγξετε την κατάσταση της ροής εργασίας στην κονσόλα Step Functions. Για περισσότερες πληροφορίες, ανατρέξτε στο Προβολή και εντοπισμός σφαλμάτων εκτελέσεων στην κονσόλα Step Functions.
Εκτελέστε προβλέψεις μοντέλων
Για να εκτελέσετε προβλέψεις έναντι του μοντέλου, μπορείτε να καλέσετε το Amazon Rekognition DetectCustomLabels API. Για να επικαλεστεί αυτό το API, ο καλών πρέπει να έχει τα απαραίτητα Διαχείριση ταυτότητας και πρόσβασης AWS άδειες (IAM). Για περισσότερες λεπτομέρειες σχετικά με την εκτέλεση προβλέψεων με χρήση αυτού του API, ανατρέξτε στο Ανάλυση εικόνας με εκπαιδευμένο μοντέλο.
Ωστόσο, εάν πρέπει να εκθέσετε δημόσια το DetectCustomLabels API, μπορείτε να εμφανίσετε το DetectCustomLabels API με Amazon API Gateway. Το API Gateway είναι μια πλήρως διαχειριζόμενη υπηρεσία που διευκολύνει τους προγραμματιστές να δημιουργούν, να δημοσιεύουν, να συντηρούν, να παρακολουθούν και να ασφαλίζουν API σε οποιαδήποτε κλίμακα. Το API Gateway λειτουργεί ως η μπροστινή πόρτα για το DetectCustomLabels API, όπως φαίνεται στο παρακάτω διάγραμμα αρχιτεκτονικής.
Το API Gateway προωθεί το αίτημα συμπερασμάτων του χρήστη στο AWS Lambda. Το Lambda είναι μια υπηρεσία υπολογισμού χωρίς διακομιστές, βασισμένη σε συμβάντα, η οποία σας επιτρέπει να εκτελείτε κώδικα για σχεδόν οποιοδήποτε τύπο εφαρμογής ή υπηρεσία υποστήριξης χωρίς παροχή ή διαχείριση διακομιστών. Το Lambda λαμβάνει το αίτημα API και καλεί το Amazon Rekognition DetectCustomLabels API με τα απαραίτητα δικαιώματα IAM. Για περισσότερες πληροφορίες σχετικά με τον τρόπο ρύθμισης του API Gateway με ενσωμάτωση Lambda, ανατρέξτε στο Ρυθμίστε τις ενσωματώσεις διακομιστή μεσολάβησης Lambda στο API Gateway.
Το παρακάτω είναι ένα παράδειγμα κώδικα συνάρτησης Lambda για να καλέσετε το API DetectCustomLabels:
εκκαθάριση
Για να διαγράψετε τη ροή εργασίας, χρησιμοποιήστε το AWS SAM CLI:
Για να διαγράψετε το μοντέλο προσαρμοσμένων ετικετών αναγνώρισης, μπορείτε είτε να χρησιμοποιήσετε την κονσόλα αναγνώρισης Amazon είτε το AWS SDK. Για περισσότερες πληροφορίες, ανατρέξτε στο Διαγραφή μοντέλου προσαρμοσμένων ετικετών αναγνώρισης Amazon.
Συμπέρασμα
Σε αυτήν την ανάρτηση, ακολουθήσαμε μια ροή εργασίας Βήμα Λειτουργίες για να δημιουργήσουμε ένα σύνολο δεδομένων και, στη συνέχεια, να εκπαιδεύσουμε, να αξιολογήσουμε και να χρησιμοποιήσουμε ένα μοντέλο προσαρμοσμένων ετικετών αναγνώρισης. Η ροή εργασίας επιτρέπει στους προγραμματιστές εφαρμογών και στους μηχανικούς ML να αυτοματοποιούν τα βήματα ταξινόμησης προσαρμοσμένων ετικετών για οποιαδήποτε περίπτωση χρήσης όρασης υπολογιστή. Ο κώδικας για τη ροή εργασίας είναι ανοιχτού κώδικα.
Για περισσότερους πόρους εκμάθησης χωρίς διακομιστή, επισκεφθείτε Γη χωρίς διακομιστή. Για να μάθετε περισσότερα σχετικά με τις προσαρμοσμένες ετικέτες Αναγνώρισης, επισκεφτείτε Προσαρμοσμένες ετικέτες αναγνώρισης Amazon.
Σχετικά με το Συγγραφέας
Βέντα Ραμάν είναι Senior Specialist Solutions Architect για μηχανική μάθηση με έδρα το Maryland. Η Veda συνεργάζεται με πελάτες για να τους βοηθήσει να αρχιτεκτονήσουν αποτελεσματικές, ασφαλείς και επεκτάσιμες εφαρμογές μηχανικής εκμάθησης. Η Veda ενδιαφέρεται να βοηθήσει τους πελάτες να αξιοποιήσουν τεχνολογίες χωρίς διακομιστές για Μηχανική Εκμάθηση.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :είναι
- $UP
- 100
- 7
- 8
- a
- Σχετικά
- πρόσβαση
- με ακρίβεια
- απέναντι
- πράξεις
- Επιπλέον
- Μετά το
- κατά
- αλγόριθμοι
- επιτρέπει
- ήδη
- Amazon
- Αναγνώριση Amazon
- ανάλυση
- αναλύσει
- και
- api
- APIs
- Εφαρμογή
- εφαρμογές
- αρχιτεκτονική
- ΕΙΝΑΙ
- AS
- Συνέλευση
- At
- αυτοματοποίηση
- αυτομάτως
- αυτοματοποίηση
- διαθέσιμος
- AWS
- Λειτουργίες βημάτων AWS
- Backend
- Υπόλοιπο
- βασίζονται
- επειδή
- γίνεται
- αρχίζουν
- πίσω
- στα παρασκήνια
- μεταξύ
- σώμα
- χτίζω
- Κτίριο
- Χτίζει
- επιχείρηση
- κλήση
- επισκέπτης
- κλήσεις
- CAN
- δυνατότητες
- ο οποίος
- περίπτωση
- κατηγορίες
- CD
- χαρακτήρες
- έλεγχος
- Επιλέξτε
- ταξινόμηση
- Ταξινόμηση
- πελάτης
- κωδικός
- πλήρης
- Υπολογίστε
- υπολογιστή
- Computer Vision
- πρόξενος
- συμφραζόμενα
- θα μπορούσε να
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- κριτήρια
- έθιμο
- Πελάτες
- ημερομηνία
- σύνολα δεδομένων
- αποφάσεις
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- καθέκαστα
- Ανίχνευση
- προγραμματιστές
- κατευθείαν
- διακρίνω
- διανέμονται
- Όχι
- Θύρα
- εύκολος
- εύκολο στη χρήση
- αποτελεσματικός
- είτε
- Τελικό σημείο
- Μηχανικοί
- αρκετά
- Αιθέρας (ΕΤΗ)
- αξιολογήσει
- αξιολογώντας
- εκτίμηση
- Συμβάν
- παράδειγμα
- υφιστάμενα
- εξειδίκευση
- εξήγησε
- f1
- Απέτυχε
- αποτυγχάνει
- ανατροφοδότηση
- λίγοι
- Αρχεία
- Εύρεση
- Όνομα
- Εξής
- εξής
- Για
- από
- εμπρός
- πλήρως
- λειτουργία
- λειτουργίες
- πύλη
- παραγωγής
- Git
- Έδαφος
- Έχω
- διαιτιτικο
- βαριά
- βαριά ανύψωση
- βοήθεια
- βοήθεια
- βοηθά
- φιλοξενία
- ΩΡΕΣ
- Πως
- Πώς να
- HTML
- HTTPS
- IAM
- προσδιορίσει
- Ταυτότητα
- εικόνα
- ανάλυση εικόνας
- Ταξινόμηση εικόνας
- εικόνες
- in
- πληροφορίες
- αντί
- ενσωματώσει
- ολοκλήρωση
- ολοκληρώσεις
- ενδιαφερόμενος
- περιβάλλον λειτουργίας
- περιλαμβάνει
- IT
- json
- επιγραφή
- τιτλοφόρηση
- Ετικέτες
- large
- ΜΑΘΑΊΝΩ
- μάθηση
- Αφήνει
- Μόχλευση
- ανύψωση
- γραμμή
- φορτία
- τοπικός
- λογότυπο
- μηχανή
- μάθηση μηχανής
- διατηρήσουν
- κάνω
- ΚΑΝΕΙ
- διαχειρίζεται
- διαχείριση
- Ταχύτητες
- χειρωνακτική εργασία
- πολοί
- Μέριλαντ
- Εικόνες / Βίντεο
- μέθοδοι
- μετρικός
- Metrics
- μικροεπιχειρήσεις
- ενδέχεται να
- εκατομμύρια
- πρακτικά
- ML
- Αλγόριθμοι ML
- μοντέλο
- Παρακολούθηση
- μήνες
- περισσότερο
- Πλοηγηθείτε
- απαραίτητος
- Ανάγκη
- ανάγκες
- Νέα
- αντικείμενο
- Ανίχνευση αντικειμένων
- of
- on
- OS
- παραγωγή
- πακέτο
- Παράλληλο
- εξαρτήματα
- περάσματα
- εκτελέσει
- επίδοση
- εκτέλεση
- δικαιώματα
- φυτά
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Θέση
- Δημοσιεύσεις
- Ακρίβεια
- Προβλέψεις
- Προετοιμάστε
- προηγούμενος
- Διεργασίες
- Προϊόντα
- σχέδιο
- παρέχουν
- παρέχει
- πληρεξούσιο
- δημοσίως
- δημοσιεύει
- πραγματικό κόσμο
- σε πραγματικό χρόνο
- έλαβε
- λαμβάνει
- μείωση
- Αποθήκη
- εκπροσωπούν
- ζητήσει
- απαιτούν
- Απαιτεί
- Υποστηρικτικό υλικό
- απάντησης
- απόδοση
- τρέξιμο
- s
- σοφός
- Sam
- ικανοποιημένοι
- ικανοποιημένος με
- επεκτάσιμη
- Κλίμακα
- Σκηνές
- σκορ
- SDK
- προστατευμένο περιβάλλον
- αρχαιότερος
- Σειρές
- Χωρίς διακομιστή
- Διακομιστές
- υπηρεσία
- Υπηρεσίες
- σειρά
- διάφοροι
- ράφια
- δείχνουν
- παρουσιάζεται
- σημαντικός
- Απλούς
- απλά
- αφού
- small
- Μ.Κ.Δ
- social media
- Δημοσιεύσεις κοινωνικών μέσων
- Λύσεις
- ειδικός
- συγκεκριμένες
- Εκκίνηση
- Κατάσταση
- Βήμα
- Βήματα
- χώρος στο δίσκο
- κατάστημα
- δομή
- Πάρτε
- λήψη
- ομάδες
- Τεχνολογίες
- δοκιμή
- ότι
- Η
- Τους
- χιλιάδες
- Μέσω
- ώρα
- προς την
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- τρένα
- συνήθως
- χρήση
- περίπτωση χρήσης
- επικύρωση
- μέσω
- Βίντεο
- πρακτικώς
- όραμα
- Επίσκεψη
- περπάτησε
- Ποιό
- με
- εντός
- χωρίς
- Εργασία
- ροής εργασίας
- λειτουργεί
- Σας
- zephyrnet