Con Etiquetas personalizadas de Amazon Rekognition, tu puedes tener Reconocimiento de amazonas entrene un modelo personalizado para la detección de objetos o la clasificación de imágenes específicas para sus necesidades comerciales. Por ejemplo, las etiquetas personalizadas de Rekognition pueden encontrar su logotipo en las publicaciones de las redes sociales, identificar sus productos en los estantes de las tiendas, clasificar las piezas de una máquina en una línea de ensamblaje, distinguir plantas sanas e infectadas o detectar personajes animados en videos.
Desarrollar un modelo de etiquetas personalizadas de Rekognition para analizar imágenes es una tarea importante que requiere tiempo, experiencia y recursos, y a menudo lleva meses completarla. Además, a menudo requiere miles o decenas de miles de imágenes etiquetadas a mano para proporcionar al modelo datos suficientes para tomar decisiones con precisión. La generación de estos datos puede tardar meses en recopilarse y requiere grandes equipos de etiquetadores para prepararlos para su uso en el aprendizaje automático (ML).
Con las etiquetas personalizadas de Rekognition, nos encargamos del trabajo pesado por usted. Las etiquetas personalizadas de Rekognition se basan en las capacidades existentes de Amazon Rekognition, que ya está capacitado en decenas de millones de imágenes en muchas categorías. En lugar de miles de imágenes, simplemente necesita cargar un pequeño conjunto de imágenes de capacitación (generalmente unos cientos de imágenes o menos) que son específicas para su caso de uso a través de nuestra consola fácil de usar. Si sus imágenes ya están etiquetadas, Amazon Rekognition puede comenzar a entrenar con solo unos pocos clics. De lo contrario, puede etiquetarlos directamente en la interfaz de etiquetado de Amazon Rekognition o utilizar Verdad fundamental de Amazon SageMaker para etiquetarlos por ti. Una vez que Amazon Rekognition comienza a entrenar a partir de su conjunto de imágenes, produce un modelo de análisis de imágenes personalizado para usted en solo unas pocas horas. Detrás de escena, las etiquetas personalizadas de Rekognition cargan e inspeccionan automáticamente los datos de entrenamiento, seleccionan los algoritmos de ML correctos, entrenan un modelo y proporcionan métricas de rendimiento del modelo. Luego puede usar su modelo personalizado a través de la API de etiquetas personalizadas de Rekognition e integrarlo en sus aplicaciones.
Sin embargo, crear un modelo de etiquetas personalizadas de Rekognition y alojarlo para predicciones en tiempo real implica varios pasos: crear un proyecto, crear los conjuntos de datos de entrenamiento y validación, entrenar el modelo, evaluar el modelo y luego crear un punto final. Después de implementar el modelo para la inferencia, es posible que deba volver a entrenar el modelo cuando haya nuevos datos disponibles o si se reciben comentarios de la inferencia del mundo real. La automatización de todo el flujo de trabajo puede ayudar a reducir el trabajo manual.
En esta publicación, mostramos cómo puede usar Funciones de paso de AWS para construir y automatizar el flujo de trabajo. Step Functions es un servicio de flujo de trabajo visual que ayuda a los desarrolladores a utilizar los servicios de AWS para crear aplicaciones distribuidas, automatizar procesos, orquestar microservicios y crear canalizaciones de datos y aprendizaje automático.
Resumen de la solución
El flujo de trabajo de Step Functions es el siguiente:
- Primero creamos un proyecto de Amazon Rekognition.
- Paralelamente, creamos los conjuntos de datos de entrenamiento y validación utilizando conjuntos de datos existentes. Podemos utilizar los siguientes métodos:
- Importar una estructura de carpetas desde Servicio de almacenamiento simple de Amazon (Amazon S3) con las carpetas que representan las etiquetas.
- Utilice una computadora local.
- Usa la verdad básica.
- Cree un conjunto de datos utilizando un conjunto de datos existente con el SDK de AWS.
- Cree un conjunto de datos con un archivo de manifiesto con el SDK de AWS.
- Después de crear los conjuntos de datos, entrenamos un modelo de etiquetas personalizadas usando el Crear versión del proyecto API. Esto podría tomar de minutos a horas en completarse.
- Una vez que se entrena el modelo, lo evaluamos utilizando el resultado de la puntuación F1 del paso anterior. Usamos el puntaje F1 como nuestra métrica de evaluación porque proporciona un equilibrio entre precisión y recuperación. También puede utilizar la precisión o la recuperación como métricas de evaluación de su modelo. Para obtener más información sobre las métricas de evaluación de etiquetas personalizadas, consulte Métricas para evaluar su modelo.
- Luego comenzamos a usar el modelo para predicciones si estamos satisfechos con el puntaje F1.
El siguiente diagrama ilustra el flujo de trabajo de Step Functions.
Requisitos previos
Antes de implementar el flujo de trabajo, debemos crear los conjuntos de datos de capacitación y validación existentes. Complete los siguientes pasos:
- En primer lugar, crear un proyecto de Amazon Rekognition.
- Entonces, crear los conjuntos de datos de entrenamiento y validación.
- Finalmente, instalar la CLI de AWS SAM.
Implementar el flujo de trabajo
Para implementar el flujo de trabajo, clone el Repositorio GitHub:
Estos comandos compilan, empaquetan e implementan su aplicación en AWS, con una serie de indicaciones, como se explica en el repositorio.
Ejecute el flujo de trabajo
Para probar el flujo de trabajo, navegue hasta el flujo de trabajo implementado en la consola de Step Functions, luego elija Iniciar ejecución.
El flujo de trabajo puede tardar entre unos minutos y unas horas en completarse. Si el modelo pasa los criterios de evaluación, se crea un punto de enlace para el modelo en Amazon Rekognition. Si el modelo no pasa los criterios de evaluación o el entrenamiento falla, el flujo de trabajo falla. Puede comprobar el estado del flujo de trabajo en la consola de Step Functions. Para obtener más información, consulte Visualización y depuración de ejecuciones en la consola de Step Functions.
Realizar predicciones de modelos
Para realizar predicciones contra el modelo, puede llamar al API de detección de etiquetas personalizadas de Amazon Rekognition. Para invocar esta API, la persona que llama debe tener la necesaria Gestión de identidades y accesos de AWS (IAM) permisos. Para obtener más detalles sobre cómo realizar predicciones con esta API, consulte Analizar una imagen con un modelo entrenado.
Sin embargo, si necesita exponer públicamente la API de DetectCustomLabels, puede presentar la API de DetectCustomLabels con Puerta de enlace API de Amazon. API Gateway es un servicio totalmente administrado que facilita a los desarrolladores la creación, publicación, mantenimiento, supervisión y protección de las API a cualquier escala. API Gateway actúa como la puerta de entrada para su API DetectCustomLabels, como se muestra en el siguiente diagrama de arquitectura.
API Gateway reenvía la solicitud de inferencia del usuario a AWS Lambda. Lambda es un servicio informático basado en eventos y sin servidor que le permite ejecutar código para prácticamente cualquier tipo de aplicación o servicio de back-end sin aprovisionar ni administrar servidores. Lambda recibe la solicitud de la API y llama a la API DetectCustomLabels de Amazon Rekognition con los permisos de IAM necesarios. Para obtener más información sobre cómo configurar API Gateway con la integración de Lambda, consulte Configurar integraciones de proxy de Lambda en API Gateway.
El siguiente es un código de función Lambda de ejemplo para llamar a la API DetectCustomLabels:
Limpiar
Para eliminar el flujo de trabajo, utilice la CLI de AWS SAM:
Para eliminar el modelo de etiquetas personalizadas de Rekognition, puede utilizar la consola de Amazon Rekognition o el SDK de AWS. Para obtener más información, consulte Eliminación de un modelo de etiquetas personalizadas de Amazon Rekognition.
Conclusión
En esta publicación, analizamos un flujo de trabajo de Step Functions para crear un conjunto de datos y luego entrenar, evaluar y usar un modelo de etiquetas personalizadas de Rekognition. El flujo de trabajo permite a los desarrolladores de aplicaciones y a los ingenieros de ML automatizar los pasos de clasificación de etiquetas personalizadas para cualquier caso de uso de visión artificial. El código para el flujo de trabajo es de código abierto.
Para obtener más recursos de aprendizaje sin servidor, visite Tierra sin servidor. Para obtener más información sobre las etiquetas personalizadas de Rekognition, visite Etiquetas personalizadas de Amazon Rekognition.
Sobre la autora
veda raman es un arquitecto de soluciones especializado sénior para el aprendizaje automático con sede en Maryland. Veda trabaja con los clientes para ayudarlos a diseñar aplicaciones de aprendizaje automático eficientes, seguras y escalables. Veda está interesado en ayudar a los clientes a aprovechar las tecnologías sin servidor para el aprendizaje automático.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :es
- $ UP
- 100
- 7
- 8
- a
- Sobre
- de la máquina
- precisamente
- a través de
- hechos
- Adicionalmente
- Después
- en contra
- algoritmos
- permite
- ya haya utilizado
- Amazon
- Reconocimiento de amazonas
- análisis
- analizar
- y
- abejas
- API
- Aplicación
- aplicaciones
- arquitectura
- somos
- AS
- Asamblea
- At
- automatizado
- automáticamente
- automatizar
- Hoy Disponibles
- AWS
- Funciones de paso de AWS
- Backend
- Balance
- basado
- porque
- se convierte en
- comenzar
- detrás de
- entre bastidores
- entre
- cuerpo
- build
- Construir la
- construye
- llamar al
- Llamador
- Calls
- PUEDEN
- capacidades
- servicios sociales
- case
- categoría
- CD
- personajes
- comprobar
- Elige
- clasificación
- clasificar
- cliente
- código
- completar
- Calcular
- computadora
- Visión por computador
- Consola
- contexto
- podría
- Para crear
- creado
- Creamos
- criterios
- personalizado
- Clientes
- datos
- conjuntos de datos
- decisiones
- desplegar
- desplegado
- Desplegando
- despliegue
- detalles
- Detección
- desarrolladores
- directamente
- distinguir
- distribuidos
- No
- Puerta
- de forma sencilla
- fácil de usar
- eficiente
- ya sea
- Punto final
- certificados
- suficientes
- Éter (ETH)
- evaluar
- evaluación
- evaluación
- Evento
- ejemplo
- existente
- Experiencia
- explicado
- f1
- Fallidos
- falla
- realimentación
- pocos
- Archive
- Encuentre
- Nombre
- siguiendo
- siguiente
- en
- frontal o trasero
- completamente
- función
- funciones
- puerta
- la generación de
- Git
- Polo a Tierra
- Tienen
- saludable
- pesado
- levantar objetos pesados
- ayuda
- ayudando
- ayuda
- hosting
- HORAS
- Cómo
- Como Hacer
- HTML
- HTTPS
- AMI
- Identifique
- Identidad
- imagen
- análisis de imagen
- Clasificación de la imagen
- imágenes
- in
- información
- integrar
- integración
- integraciones
- interesado
- Interfaz
- implica
- IT
- json
- Label
- etiquetado
- Etiquetas
- large
- APRENDE:
- aprendizaje
- Permíteme
- Apalancamiento
- cirugía estética
- línea
- cargas
- local
- logo
- máquina
- máquina de aprendizaje
- mantener
- para lograr
- HACE
- gestionado
- administrar
- manual
- trabajo manual
- muchos
- Maryland
- Medios
- métodos
- métrico
- Métrica
- microservicios
- podría
- millones
- minutos
- ML
- Algoritmos ML
- modelo
- Monitorear
- meses
- más,
- Navegar
- necesario
- ¿ Necesita ayuda
- Nuevo
- objeto
- Detección de objetos
- of
- on
- OS
- salida
- paquete
- Paralelo
- partes
- pasa
- realizar
- actuación
- realizar
- permisos
- plantas
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- Publicación
- Artículos
- Precisión
- Predicciones
- Preparar
- anterior
- en costes
- Productos
- proyecto
- proporcionar
- proporciona un
- apoderado
- en público
- publicar
- mundo real
- en tiempo real
- recibido
- recibe
- reducir
- repositorio
- que representa
- solicita
- exigir
- requiere
- Recursos
- respuesta
- volvemos
- Ejecutar
- s
- sabio
- Diana
- satisfecho
- Satisfecho con
- escalable
- Escala
- Escenas
- Puntuación
- Sdk
- seguro
- mayor
- Serie
- Sin servidor
- Servidores
- de coches
- Servicios
- set
- Varios
- estantes
- Mostrar
- mostrado
- importante
- sencillos
- simplemente
- desde
- chica
- Social
- redes sociales
- Publicaciones en redes sociales
- Soluciones
- especialista
- soluciones y
- comienzo
- Estado
- paso
- pasos
- STORAGE
- tienda
- estructura
- ¡Prepárate!
- toma
- equipos
- Tecnologías
- test
- esa
- El
- Les
- miles
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- a
- Entrenar
- entrenado
- Formación
- trenes
- típicamente
- utilizan el
- caso de uso
- validación
- vía
- Videos
- virtualmente
- visión
- Visite
- caminado
- que
- dentro de
- sin
- Actividades:
- flujo de trabajo
- funciona
- tú
- zephyrnet