Kanssa Amazon Rekognition mukautetut etiketit, voit saada Amazonin tunnistus kouluttaa mukautettu malli objektien havaitsemiseen tai kuvien luokitteluun yrityksesi tarpeiden mukaan. Rekognition Custom Labels voi esimerkiksi löytää logosi sosiaalisen median postauksista, tunnistaa tuotteesi kauppojen hyllyiltä, luokitella koneenosia kokoonpanolinjalle, erottaa terveet ja tartunnan saaneet kasvit tai havaita animoituja hahmoja videoista.
Rekognition Custom Labels -mallin kehittäminen kuvien analysoimiseksi on merkittävä urakka, joka vaatii aikaa, asiantuntemusta ja resursseja, ja kestää usein kuukausia. Lisäksi se vaatii usein tuhansia tai kymmeniä tuhansia käsin merkittyjä kuvia tarjotakseen mallille tarpeeksi tietoa, jotta se voi tehdä tarkkoja päätöksiä. Näiden tietojen kerääminen voi kestää kuukausia, ja se vaatii suuria merkintätiimejä valmistelemaan sitä käytettäväksi koneoppimisessa (ML).
Rekognition Custom Labels -tarrojen avulla huolehdimme raskaiden nostoista puolestasi. Rekognition Custom Labels rakentuu Amazon Rekognitionin olemassa olevista ominaisuuksista, joka on jo koulutettu kymmeniin miljooniin kuviin useissa eri luokissa. Tuhansien kuvien sijaan sinun tarvitsee vain ladata pieni sarja harjoituskuvia (yleensä muutama sata kuvaa tai vähemmän), jotka ovat omia käyttötapauksiasi helppokäyttöisen konsolimme kautta. Jos kuvasi on jo merkitty, Amazon Rekognition voi aloittaa harjoittelun muutamalla napsautuksella. Jos ei, voit merkitä ne suoraan Amazon Rekognition -merkintäkäyttöliittymässä tai käyttää Amazon SageMaker Ground Totuus merkitä ne puolestasi. Kun Amazon Rekognition alkaa harjoitella kuvasarjastasi, se tuottaa sinulle mukautetun kuva-analyysimallin muutamassa tunnissa. Kulissien takana Rekognition Custom Labels lataa ja tarkastaa harjoitustiedot automaattisesti, valitsee oikeat ML-algoritmit, kouluttaa mallin ja tarjoaa mallin suorituskykymittareita. Voit sitten käyttää mukautettua malliasi Rekognition Custom Labels API:n kautta ja integroida sen sovelluksiisi.
Rekognition Custom Labels -mallin rakentaminen ja sen ylläpitäminen reaaliaikaisia ennusteita varten sisältää kuitenkin useita vaiheita: projektin luominen, koulutus- ja validointitietojoukot, mallin koulutus, mallin arviointi ja sitten päätepisteen luominen. Kun malli on otettu käyttöön johtopäätöksiä varten, saatat joutua kouluttamaan mallia uudelleen, kun uutta tietoa tulee saataville tai jos palautetta saadaan tosimaailman päätelmistä. Koko työnkulun automatisointi voi auttaa vähentämään manuaalista työtä.
Tässä viestissä näytämme, kuinka voit käyttää AWS-vaihetoiminnot rakentaa ja automatisoida työnkulkua. Step Functions on visuaalinen työnkulkupalvelu, joka auttaa kehittäjiä käyttämään AWS-palveluita hajautettujen sovellusten rakentamiseen, prosessien automatisoimiseen, mikropalvelujen järjestämiseen sekä datan ja ML-putkien luomiseen.
Ratkaisun yleiskatsaus
Step Functions -työnkulku on seuraava:
- Luomme ensin Amazon Rekognition -projektin.
- Samanaikaisesti luomme koulutus- ja validointitietojoukot käyttämällä olemassa olevia tietojoukkoja. Voimme käyttää seuraavia menetelmiä:
- Tuo kansiorakenne kohteesta Amazonin yksinkertainen tallennuspalvelu (Amazon S3) tarroja edustavilla kansioilla.
- Käytä paikallista tietokonetta.
- Käytä Ground Truthia.
- Luo tietojoukko olemassa olevalla tietojoukolla AWS SDK:n kanssa.
- Luo tietojoukko luettelotiedostolla AWS SDK:lla.
- Kun tietojoukot on luotu, koulutamme mukautettujen tarrojen mallin käyttämällä LuoProjectVersion API. Tämä voi kestää minuutista tunteihin.
- Kun malli on koulutettu, arvioimme mallin käyttämällä edellisen vaiheen F1-tulostulosta. Käytämme F1-pisteitä arviointimittarina, koska se tarjoaa tasapainon tarkkuuden ja muistamisen välillä. Voit myös käyttää tarkkuutta tai palauttamista mallin arviointimittareina. Lisätietoja mukautettujen tarran arviointimittareista on kohdassa Mittarit mallin arvioimiseksi.
- Sitten alamme käyttää mallia ennusteisiin, jos olemme tyytyväisiä F1-pisteisiin.
Seuraava kaavio havainnollistaa Step Functions -työnkulkua.
Edellytykset
Ennen työnkulun käyttöönottoa meidän on luotava olemassa olevat koulutus- ja validointitietojoukot. Suorita seuraavat vaiheet:
- Ensimmäinen, luo Amazon Rekognition -projekti.
- Sitten luoda koulutus- ja validointitietojoukot.
- Lopuksi, asenna AWS SAM CLI.
Ota työnkulku käyttöön
Ota työnkulku käyttöön kloonaamalla GitHub-arkisto:
Nämä komennot rakentavat, pakkaavat ja ottavat käyttöön sovelluksesi AWS:ssä joukolla kehotteita, kuten arkistossa selitetään.
Suorita työnkulku
Testaaksesi työnkulkua, siirry käyttöön otettuun työnkulkuun Step Functions -konsolissa ja valitse sitten Aloita suoritus.
Työnkulku voi kestää muutamasta minuutista muutamaan tuntiin. Jos malli läpäisee arviointikriteerit, mallille luodaan päätepiste Amazon Rekognitionissa. Jos malli ei läpäise arviointiperusteita tai koulutus epäonnistui, työnkulku epäonnistuu. Voit tarkistaa työnkulun tilan Step Functions -konsolista. Lisätietoja on kohdassa Suoritusten katselu ja virheenkorjaus Step Functions -konsolissa.
Tee malliennusteita
Voit tehdä ennusteita mallia vastaan soittamalla numeroon Amazon Rekognition DetectCustomLabels API. Tämän API:n käynnistämiseksi soittajalla on oltava tarvittavat tiedot AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) käyttöoikeudet. Lisätietoja ennusteiden tekemisestä tämän API:n avulla on kohdassa Kuvan analysointi koulutetun mallin kanssa.
Jos sinun on kuitenkin esitettävä DetectCustomLabels API julkisesti, voit esitellä DetectCustomLabels API:n Amazon API -yhdyskäytävä. API Gateway on täysin hallittu palvelu, jonka avulla kehittäjien on helppo luoda, julkaista, ylläpitää, valvoa ja suojata sovellusliittymiä missä tahansa mittakaavassa. API-yhdyskäytävä toimii DetectCustomLabels API:n etuovena seuraavan arkkitehtuurikaavion mukaisesti.
API-yhdyskäytävä välittää käyttäjän päättelypyynnön osoitteeseen AWS Lambda. Lambda on palvelimeton, tapahtumapohjainen laskentapalvelu, jonka avulla voit suorittaa koodia käytännöllisesti katsoen minkä tahansa tyyppisille sovelluksille tai taustapalveluille ilman palvelimien hallintaa tai hallintaa. Lambda vastaanottaa API-pyynnön ja kutsuu Amazon Rekognition DetectCustomLabels API:ta tarvittavilla IAM-oikeuksilla. Lisätietoja API-yhdyskäytävän määrittämisestä Lambda-integraation kanssa on kohdassa Määritä Lambda-välityspalvelinintegraatiot API Gatewayssa.
Seuraavassa on esimerkki Lambda-funktiokoodista, jolla kutsutaan DetectCustomLabels API:
Puhdistaa
Voit poistaa työnkulun käyttämällä AWS SAM CLI:tä:
Voit poistaa Rekognition Custom Labels -mallin käyttämällä joko Amazon Rekognition -konsolia tai AWS SDK:ta. Lisätietoja on kohdassa Amazon Rekognition Custom Labels -mallin poistaminen.
Yhteenveto
Tässä viestissä kävimme läpi Step Functions -työnkulun luodaksemme tietojoukon ja kouluttamalla, arvioimalla ja käyttämällä Rekognition Custom Labels -mallia. Työnkulun avulla sovelluskehittäjät ja ML-insinöörit voivat automatisoida mukautetun tarran luokitteluvaiheet kaikissa tietokonenäön käyttötapauksissa. Työnkulun koodi on avoimen lähdekoodin.
Lisää palvelimettomia oppimisresursseja on osoitteessa Palvelimeton maa. Lisätietoja Rekognitionin mukautetuista tunnisteista on osoitteessa Amazon Rekognition mukautetut etiketit.
kirjailijasta
Veda Raman on koneoppimisen vanhempi asiantuntijaratkaisuarkkitehti Marylandissa. Veda työskentelee asiakkaiden kanssa auttaakseen heitä suunnittelemaan tehokkaita, turvallisia ja skaalautuvia koneoppimissovelluksia. Veda on kiinnostunut auttamaan asiakkaita hyödyntämään palvelimettomia teknologioita koneoppimiseen.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :On
- $ YLÖS
- 100
- 7
- 8
- a
- Meistä
- pääsy
- tarkasti
- poikki
- säädökset
- Lisäksi
- Jälkeen
- vastaan
- algoritmit
- mahdollistaa
- jo
- Amazon
- Amazonin tunnistus
- analyysi
- analysoida
- ja
- api
- API
- Hakemus
- sovellukset
- arkkitehtuuri
- OVAT
- AS
- Kokoonpano
- At
- automatisoida
- automaattisesti
- automatisointi
- saatavissa
- AWS
- AWS-vaihetoiminnot
- taustaosa
- Balance
- perustua
- koska
- tulee
- alkaa
- takana
- kulissien takana
- välillä
- elin
- rakentaa
- Rakentaminen
- rakentaa
- liiketoiminta
- soittaa
- soittaja
- Puhelut
- CAN
- kyvyt
- joka
- tapaus
- luokat
- CD
- merkkejä
- tarkastaa
- Valita
- luokittelu
- luokitella
- asiakas
- koodi
- täydellinen
- Laskea
- tietokone
- Tietokoneen visio
- Console
- tausta
- voisi
- luoda
- luotu
- Luominen
- kriteerit
- asiakassuhde
- Asiakkaat
- tiedot
- aineistot
- päätökset
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- yksityiskohdat
- Detection
- kehittäjille
- suoraan
- erottaa
- jaettu
- ei
- Mukaan
- helppo
- helppo käyttää
- tehokas
- myöskään
- päätepiste
- Engineers
- tarpeeksi
- Eetteri (ETH)
- arvioida
- arviointiin
- arviointi
- tapahtuma
- esimerkki
- olemassa
- asiantuntemus
- selitti
- f1
- Epäonnistui
- epäonnistuu
- palaute
- harvat
- filee
- Löytää
- Etunimi
- jälkeen
- seuraa
- varten
- alkaen
- etuosa
- täysin
- toiminto
- tehtävät
- portti
- tuottaa
- mennä
- Maa
- Olla
- terve
- raskas
- raskas nosto
- auttaa
- auttaa
- auttaa
- hotellit
- TUNTIA
- Miten
- Miten
- HTML
- HTTPS
- IAM
- tunnistaa
- Identiteetti
- kuva
- kuva-analyysi
- Kuvaluokitus
- kuvien
- in
- tiedot
- sen sijaan
- yhdistää
- integraatio
- integraatiot
- kiinnostunut
- liitäntä
- liittyy
- IT
- json
- Merkki
- merkinnät
- tarrat
- suuri
- OPPIA
- oppiminen
- Lets
- Vaikutusvalta
- nosto
- linja
- kuormat
- paikallinen
- logo
- kone
- koneoppiminen
- ylläpitää
- tehdä
- TEE
- onnistui
- toimitusjohtaja
- manuaalinen
- ruumiillinen työ
- monet
- Maryland
- Media
- menetelmät
- metrinen
- Metrics
- microservices
- ehkä
- miljoonia
- pöytäkirja
- ML
- ML-algoritmit
- malli
- monitori
- kk
- lisää
- Navigoida
- välttämätön
- Tarve
- tarpeet
- Uusi
- objekti
- Objektin tunnistus
- of
- on
- OS
- ulostulo
- paketti
- Parallel
- osat
- kulkee
- suorittaa
- suorituskyky
- esittävä
- Oikeudet
- kasvit
- Platon
- Platonin tietotieto
- PlatonData
- Kirje
- Viestejä
- Tarkkuus
- Ennusteet
- Valmistella
- edellinen
- Prosessit
- Tuotteemme
- projekti
- toimittaa
- tarjoaa
- valtuutettu
- julkisesti
- julkaista
- todellinen maailma
- reaaliaikainen
- sai
- vastaanottaa
- vähentää
- säilytyspaikka
- edustavat
- pyyntö
- edellyttää
- Vaatii
- Esittelymateriaalit
- vastaus
- palata
- ajaa
- s
- sagemaker
- Sam
- vakuuttunut
- tyytyväinen
- skaalautuva
- Asteikko
- kohtaukset
- pisteet
- sdk
- turvallinen
- vanhempi
- Sarjat
- serverless
- servers
- palvelu
- Palvelut
- setti
- useat
- hyllykkö
- näyttää
- esitetty
- merkittävä
- Yksinkertainen
- yksinkertaisesti
- koska
- pieni
- sosiaalinen
- sosiaalinen media
- Sosiaalisen median viestit
- Ratkaisumme
- asiantuntija
- erityinen
- Alkaa
- Tila
- Vaihe
- Askeleet
- Levytila
- verkkokaupasta
- rakenne
- ottaa
- ottaen
- tiimit
- Technologies
- testi
- että
- -
- Niitä
- tuhansia
- Kautta
- aika
- että
- Juna
- koulutettu
- koulutus
- junat
- tyypillisesti
- käyttää
- käyttölaukku
- validointi
- kautta
- Videoita
- käytännössä
- visio
- Vierailla
- käveli
- joka
- with
- sisällä
- ilman
- Referenssit
- työnkulku
- toimii
- Sinun
- zephyrnet