با برچسب های سفارشی شناسایی آمازون، شما می توانید داشته شناسایی آمازون یک مدل سفارشی برای تشخیص اشیا یا طبقهبندی تصویر مخصوص نیازهای کسبوکارتان آموزش دهید. به عنوان مثال، Rekognition Custom Labels میتواند لوگوی شما را در پستهای رسانههای اجتماعی پیدا کند، محصولات شما را در قفسههای فروشگاه شناسایی کند، قطعات ماشین را در خط مونتاژ طبقهبندی کند، گیاهان سالم و آلوده را تشخیص دهد، یا شخصیتهای متحرک را در ویدیوها شناسایی کند.
توسعه یک مدل برچسبهای سفارشی شناسایی برای تجزیه و تحلیل تصاویر، کار مهمی است که به زمان، تخصص و منابع نیاز دارد و اغلب ماهها طول میکشد تا تکمیل شود. علاوه بر این، اغلب به هزاران یا دهها هزار تصویر با برچسب دستی نیاز دارد تا دادههای کافی برای تصمیمگیری دقیق به مدل ارائه شود. جمعآوری این دادهها ممکن است ماهها طول بکشد و به تیمهای بزرگی از برچسبگذاران نیاز دارد تا آنها را برای استفاده در یادگیری ماشین (ML) آماده کنند.
با برچسبهای سفارشی Rekognition، ما کارهای سنگین را برای شما انجام میدهیم. Rekognition Custom Labels از قابلیتهای موجود Amazon Rekognition که قبلاً روی دهها میلیون تصویر در بسیاری از دستهها آموزش داده شده است، ایجاد میکند. به جای هزاران تصویر، شما به سادگی باید مجموعه کوچکی از تصاویر آموزشی (معمولاً چند صد تصویر یا کمتر) را که مخصوص مورد استفاده شما هستند، از طریق کنسول با استفاده آسان ما آپلود کنید. اگر تصاویر شما قبلاً برچسب گذاری شده اند، آمازون Rekognition می تواند آموزش را تنها با چند کلیک آغاز کند. اگر نه، می توانید آنها را مستقیماً در رابط برچسب زدن آمازون Rekognition برچسب بزنید یا از آنها استفاده کنید Amazon SageMaker Ground Truth برای شما برچسب زدن به آنها پس از اینکه آمازون Rekognition آموزش را از مجموعه تصویر شما آغاز کرد، تنها در چند ساعت یک مدل تجزیه و تحلیل تصویر سفارشی را برای شما تولید می کند. در پشت صحنه، Rekognition Custom Labels به طور خودکار داده های آموزشی را بارگیری و بررسی می کند، الگوریتم های ML مناسب را انتخاب می کند، یک مدل را آموزش می دهد و معیارهای عملکرد مدل را ارائه می دهد. سپس می توانید از مدل سفارشی خود از طریق Rekognition Custom Labels API استفاده کرده و آن را در برنامه های خود ادغام کنید.
با این حال، ساخت یک مدل برچسبهای سفارشی شناسایی و میزبانی آن برای پیشبینیهای بلادرنگ شامل چندین مرحله است: ایجاد یک پروژه، ایجاد مجموعه دادههای آموزشی و اعتبارسنجی، آموزش مدل، ارزیابی مدل، و سپس ایجاد نقطه پایانی. پس از استقرار مدل برای استنتاج، ممکن است مجبور شوید زمانی که دادههای جدید در دسترس قرار میگیرد یا بازخوردی از استنتاج دنیای واقعی دریافت میشود، مدل را دوباره آموزش دهید. خودکار کردن کل گردش کار می تواند به کاهش کار دستی کمک کند.
در این پست نشان می دهیم که چگونه می توانید از آن استفاده کنید توابع مرحله AWS برای ساخت و خودکار کردن گردش کار. Step Functions یک سرویس گردش کار بصری است که به توسعه دهندگان کمک می کند تا از خدمات AWS برای ساخت برنامه های کاربردی توزیع شده، خودکارسازی فرآیندها، هماهنگ کردن ریزسرویس ها و ایجاد خطوط لوله داده و ML استفاده کنند.
بررسی اجمالی راه حل
گردش کار توابع Step به شرح زیر است:
- ما ابتدا یک پروژه شناسایی آمازون ایجاد می کنیم.
- به طور موازی، ما مجموعه داده های آموزشی و اعتبارسنجی را با استفاده از مجموعه داده های موجود ایجاد می کنیم. می توانیم از روش های زیر استفاده کنیم:
- وارد کردن یک ساختار پوشه از سرویس ذخیره سازی ساده آمازون (Amazon S3) با پوشه های نشان دهنده برچسب ها.
- از یک کامپیوتر محلی استفاده کنید.
- از حقیقت زمینی استفاده کنید.
- یک مجموعه داده با استفاده از مجموعه داده های موجود با AWS SDK ایجاد کنید.
- یک مجموعه داده با یک فایل مانیفست با AWS SDK ایجاد کنید.
- پس از ایجاد مجموعه داده ها، ما یک مدل برچسب های سفارشی را با استفاده از آموزش آموزش می دهیم CreateProjectVersion API. این ممکن است از چند دقیقه تا چند ساعت طول بکشد.
- پس از آموزش مدل، مدل را با استفاده از خروجی امتیاز F1 از مرحله قبل ارزیابی می کنیم. ما از امتیاز F1 به عنوان معیار ارزیابی خود استفاده می کنیم زیرا تعادلی بین دقت و یادآوری ایجاد می کند. همچنین می توانید از دقت یا فراخوانی به عنوان معیارهای ارزیابی مدل خود استفاده کنید. برای اطلاعات بیشتر در مورد معیارهای ارزیابی برچسب سفارشی، مراجعه کنید معیارهایی برای ارزیابی مدل شما.
- سپس اگر از امتیاز F1 راضی باشیم، شروع به استفاده از مدل برای پیش بینی می کنیم.
نمودار زیر گردش کار توابع مرحله را نشان می دهد.
پیش نیازها
قبل از استقرار گردش کار، باید مجموعه دادههای آموزشی و اعتبارسنجی موجود را ایجاد کنیم. مراحل زیر را کامل کنید:
- اول، یک پروژه شناسایی آمازون ایجاد کنید.
- سپس، مجموعه داده های آموزشی و اعتبار سنجی را ایجاد کنید.
- در نهایت، AWS SAM CLI را نصب کنید.
گردش کار را مستقر کنید
برای استقرار گردش کار، آن را شبیه سازی کنید مخزن GitHub:
این دستورات برنامه شما را با مجموعه ای از دستورات همانطور که در مخزن توضیح داده شده است، می سازند، بسته بندی می کنند و در AWS مستقر می کنند.
گردش کار را اجرا کنید
برای آزمایش گردش کار، به گردش کار مستقر در کنسول Step Functions بروید، سپس انتخاب کنید شروع به اجرا کنید.
گردش کار ممکن است چند دقیقه تا چند ساعت طول بکشد تا کامل شود. اگر مدل از معیارهای ارزیابی عبور کند، یک نقطه پایانی برای مدل در آمازون Rekognition ایجاد می شود. اگر مدل معیارهای ارزیابی را قبول نکند یا آموزش شکست بخورد، گردش کار با شکست مواجه می شود. می توانید وضعیت گردش کار را در کنسول Step Functions بررسی کنید. برای اطلاعات بیشتر مراجعه کنید مشاهده و اشکال زدایی اجراها در کنسول Step Functions.
پیش بینی مدل را انجام دهید
برای انجام پیش بینی در برابر مدل، می توانید با شماره تماس بگیرید Amazon Rekognition DetectCustomLabels API. برای فراخوانی این API، تماس گیرنده باید موارد لازم را داشته باشد هویت AWS و مدیریت دسترسی مجوزهای (IAM). برای جزئیات بیشتر در مورد انجام پیش بینی ها با استفاده از این API، مراجعه کنید تجزیه و تحلیل یک تصویر با یک مدل آموزش دیده.
با این حال، اگر نیاز دارید که DetectCustomLabels API را به صورت عمومی نشان دهید، می توانید DetectCustomLabels API را با دروازه API آمازون. API Gateway یک سرویس کاملاً مدیریت شده است که ایجاد، انتشار، نگهداری، نظارت و ایمن کردن API ها را در هر مقیاسی برای توسعه دهندگان آسان می کند. همانطور که در نمودار معماری زیر نشان داده شده است، API Gateway به عنوان درب ورودی DetectCustomLabels API شما عمل می کند.
API Gateway درخواست استنتاج کاربر را به آن فوروارد می کند AWS لامبدا. Lambda یک سرویس محاسباتی بدون سرور و رویداد محور است که به شما امکان میدهد کد تقریباً برای هر نوع برنامه کاربردی یا سرویس پشتیبان را بدون تهیه یا مدیریت سرورها اجرا کنید. Lambda درخواست API را دریافت می کند و با مجوزهای لازم IAM با Amazon Rekognition DetectCustomLabels API تماس می گیرد. برای اطلاعات بیشتر در مورد نحوه راه اندازی API Gateway با ادغام لامبدا، به مراجعه کنید ادغام های پراکسی Lambda را در API Gateway راه اندازی کنید.
در زیر یک نمونه کد تابع Lambda برای فراخوانی DetectCustomLabels API آمده است:
پاک کردن
برای حذف گردش کار، از AWS SAM CLI استفاده کنید:
برای حذف مدل Rekognition Custom Labels، میتوانید از کنسول شناسایی آمازون یا AWS SDK استفاده کنید. برای اطلاعات بیشتر مراجعه کنید حذف مدل برچسبهای سفارشی شناسایی آمازون.
نتیجه
در این پست، ما از طریق یک گردش کار توابع مرحله ای برای ایجاد یک مجموعه داده و سپس آموزش، ارزیابی و استفاده از مدل برچسب های سفارشی تشخیص شناسایی، قدم زدیم. گردش کار به توسعه دهندگان برنامه و مهندسان ML اجازه می دهد تا مراحل طبقه بندی برچسب سفارشی را برای هر مورد استفاده از بینایی کامپیوتری خودکار کنند. کد گردش کار منبع باز است.
برای منابع آموزشی بدون سرور بیشتر، به سایت مراجعه کنید سرزمین بدون سرور. برای کسب اطلاعات بیشتر در مورد برچسبهای سفارشی Rekognition، مراجعه کنید برچسب های سفارشی شناسایی آمازون.
درباره نویسنده
ودا رامان یک معمار ارشد راه حل متخصص برای یادگیری ماشین مستقر در مریلند است. ودا با مشتریان همکاری می کند تا به آنها کمک کند تا برنامه های یادگیری ماشینی کارآمد، ایمن و مقیاس پذیر را طراحی کنند. ودا علاقه مند است به مشتریان در استفاده از فناوری های بدون سرور برای یادگیری ماشین کمک کند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :است
- $UP
- 100
- 7
- 8
- a
- درباره ما
- دسترسی
- به درستی
- در میان
- اعمال
- علاوه بر این
- پس از
- در برابر
- الگوریتم
- اجازه می دهد تا
- قبلا
- آمازون
- شناسایی آمازون
- تحلیل
- تحلیل
- و
- API
- رابط های برنامه کاربردی
- کاربرد
- برنامه های کاربردی
- معماری
- هستند
- AS
- مجلس
- At
- خودکار بودن
- بطور خودکار
- اتوماسیون
- در دسترس
- AWS
- توابع مرحله AWS
- بخش مدیریت
- برج میزان
- مستقر
- زیرا
- شود
- شروع
- پشت سر
- پشت صحنه
- میان
- بدن
- ساختن
- بنا
- می سازد
- کسب و کار
- صدا
- دعوت کننده
- تماس ها
- CAN
- قابلیت های
- اهميت دادن
- مورد
- دسته
- CD
- کاراکتر
- بررسی
- را انتخاب کنید
- طبقه بندی
- طبقه بندی کنید
- مشتری
- رمز
- کامل
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- کنسول
- زمینه
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- ضوابط
- سفارشی
- مشتریان
- داده ها
- مجموعه داده ها
- تصمیم گیری
- گسترش
- مستقر
- استقرار
- گسترش
- جزئیات
- کشف
- توسعه دهندگان
- مستقیما
- تمیز دادن
- توزیع شده
- نمی کند
- توسط
- ساده
- آسان برای استفاده
- موثر
- هر دو
- نقطه پایانی
- مورد تأیید
- کافی
- اتر (ETH)
- ارزیابی
- ارزیابی
- ارزیابی
- واقعه
- مثال
- موجود
- تخصص
- توضیح داده شده
- f1
- ناموفق
- نتواند
- باز خورد
- کمی از
- پرونده
- پیدا کردن
- نام خانوادگی
- پیروی
- به دنبال آن است
- برای
- از جانب
- جلو
- کاملا
- تابع
- توابع
- دروازه
- مولد
- رفتن
- زمین
- آیا
- سالم
- سنگین
- بلند کردن سنگین
- کمک
- کمک
- کمک می کند
- میزبانی وب
- ساعت ها
- چگونه
- چگونه
- HTML
- HTTPS
- IAM
- شناسایی
- هویت
- تصویر
- تجزیه و تحلیل تصویر
- طبقه بندی تصویر
- تصاویر
- in
- اطلاعات
- در عوض
- ادغام
- ادغام
- یکپارچگی
- علاقه مند
- رابط
- شامل
- IT
- json
- برچسب
- برچسب
- برچسب ها
- بزرگ
- یاد گرفتن
- یادگیری
- اجازه می دهد تا
- قدرت نفوذ
- بلند کردن اجسام
- لاین
- بارهای
- محلی
- آرم
- دستگاه
- فراگیری ماشین
- حفظ
- ساخت
- باعث می شود
- اداره می شود
- مدیریت
- کتابچه راهنمای
- کار دستی
- بسیاری
- مریلند
- رسانه ها
- روش
- متری
- متریک
- خدمات میکرو
- قدرت
- میلیون ها نفر
- دقیقه
- ML
- الگوریتم های ML
- مدل
- مانیتور
- ماه
- بیش
- هدایت
- لازم
- نیاز
- نیازهای
- جدید
- هدف
- تشخیص شی
- of
- on
- OS
- تولید
- بسته
- موازی
- بخش
- عبور می کند
- انجام دادن
- کارایی
- انجام
- مجوز
- گیاهان
- افلاطون
- هوش داده افلاطون
- PlatoData
- پست
- پست ها
- دقت
- پیش بینی
- آماده
- قبلی
- فرآیندهای
- محصولات
- پروژه
- ارائه
- فراهم می کند
- پروکسی
- عمومی
- منتشر کردن
- دنیای واقعی
- زمان واقعی
- اخذ شده
- دریافت
- كاهش دادن
- مخزن
- نمایندگی
- درخواست
- نیاز
- نیاز
- منابع
- پاسخ
- برگشت
- دویدن
- s
- حکیم ساز
- سام
- راضی
- راضی با
- مقیاس پذیر
- مقیاس
- صحنه های
- نمره
- sdk
- امن
- ارشد
- سلسله
- بدون سرور
- سرور
- سرویس
- خدمات
- تنظیم
- چند
- قفسه
- نشان
- نشان داده شده
- قابل توجه
- ساده
- به سادگی
- پس از
- کوچک
- آگاهی
- رسانه های اجتماعی
- پیام های رسانه های اجتماعی
- مزایا
- متخصص
- خاص
- شروع
- وضعیت
- گام
- مراحل
- ذخیره سازی
- opbevare
- ساختار
- گرفتن
- مصرف
- تیم ها
- فن آوری
- آزمون
- که
- La
- آنها
- هزاران نفر
- از طریق
- زمان
- به
- قطار
- آموزش دیده
- آموزش
- قطار
- به طور معمول
- استفاده کنید
- مورد استفاده
- اعتبار سنجی
- از طريق
- فیلم های
- عملا
- دید
- بازدید
- راه می رفت
- که
- با
- در داخل
- بدون
- مهاجرت کاری
- گردش کار
- با این نسخهها کار
- شما
- زفیرنت