Avec Étiquettes personnalisées Amazon Rekognition, vous pouvez avoir Amazon Reconnaissance former un modèle personnalisé pour la détection d'objets ou la classification d'images spécifique aux besoins de votre entreprise. Par exemple, Rekognition Custom Labels peut trouver votre logo dans les publications sur les réseaux sociaux, identifier vos produits dans les rayons des magasins, classer les pièces de machine dans une chaîne de montage, distinguer les plantes saines des plantes infectées ou détecter les personnages animés dans les vidéos.
Le développement d'un modèle d'étiquettes personnalisées Rekognition pour analyser des images est une entreprise importante qui nécessite du temps, de l'expertise et des ressources, et qui prend souvent des mois. De plus, il faut souvent des milliers ou des dizaines de milliers d'images étiquetées à la main pour fournir au modèle suffisamment de données pour prendre des décisions avec précision. La génération de ces données peut prendre des mois à rassembler et nécessite de grandes équipes d'étiqueteurs pour les préparer à une utilisation dans l'apprentissage automatique (ML).
Avec Rekognition Custom Labels, nous nous occupons du gros du travail pour vous. Rekognition Custom Labels s'appuie sur les capacités existantes d'Amazon Rekognition, qui est déjà formé sur des dizaines de millions d'images dans de nombreuses catégories. Au lieu de milliers d'images, il vous suffit de télécharger un petit ensemble d'images de formation (généralement quelques centaines d'images ou moins) spécifiques à votre cas d'utilisation via notre console facile à utiliser. Si vos images sont déjà étiquetées, Amazon Rekognition peut commencer la formation en quelques clics. Si ce n'est pas le cas, vous pouvez les étiqueter directement dans l'interface d'étiquetage d'Amazon Rekognition ou utiliser Vérité au sol Amazon SageMaker pour vous les étiqueter. Une fois qu'Amazon Rekognition a commencé l'entraînement à partir de votre ensemble d'images, il produit un modèle d'analyse d'image personnalisé pour vous en quelques heures seulement. Dans les coulisses, Rekognition Custom Labels charge et inspecte automatiquement les données de formation, sélectionne les bons algorithmes ML, forme un modèle et fournit des mesures de performance du modèle. Vous pouvez ensuite utiliser votre modèle personnalisé via l'API Rekognition Custom Labels et l'intégrer dans vos applications.
Cependant, la création d'un modèle Rekognition Custom Labels et son hébergement pour les prédictions en temps réel impliquent plusieurs étapes : la création d'un projet, la création des ensembles de données d'entraînement et de validation, l'entraînement du modèle, l'évaluation du modèle, puis la création d'un point de terminaison. Une fois le modèle déployé pour l'inférence, vous devrez peut-être recycler le modèle lorsque de nouvelles données deviennent disponibles ou si des commentaires sont reçus de l'inférence du monde réel. L'automatisation de l'ensemble du flux de travail peut aider à réduire le travail manuel.
Dans cet article, nous montrons comment vous pouvez utiliser Fonctions d'étape AWS pour créer et automatiser le flux de travail. Step Functions est un service de flux de travail visuel qui aide les développeurs à utiliser les services AWS pour créer des applications distribuées, automatiser les processus, orchestrer les microservices et créer des pipelines de données et de ML.
Vue d'ensemble de la solution
Le flux de travail Step Functions est le suivant :
- Nous créons d'abord un projet Amazon Rekognition.
- En parallèle, nous créons les jeux de données d'entraînement et de validation à partir des jeux de données existants. Nous pouvons utiliser les méthodes suivantes :
- Importer une structure de dossiers à partir de Service de stockage simple Amazon (Amazon S3) avec les dossiers représentant les étiquettes.
- Utilisez un ordinateur local.
- Utilisez la vérité au sol.
- Créer un ensemble de données à l'aide d'un ensemble de données existant avec le kit SDK AWS.
- Créer un ensemble de données avec un fichier manifeste avec le kit SDK AWS.
- Une fois les ensembles de données créés, nous entraînons un modèle d'étiquettes personnalisées à l'aide de Créer une version de projet API. Cela peut prendre de quelques minutes à quelques heures.
- Une fois le modèle formé, nous évaluons le modèle à l'aide de la sortie du score F1 de l'étape précédente. Nous utilisons le score F1 comme métrique d'évaluation car il fournit un équilibre entre précision et rappel. Vous pouvez également utiliser la précision ou le rappel comme métriques d'évaluation de votre modèle. Pour plus d'informations sur les métriques d'évaluation des étiquettes personnalisées, reportez-vous à Métriques pour évaluer votre modèle.
- Nous commençons alors à utiliser le modèle pour les prédictions si nous sommes satisfaits du score F1.
Le diagramme suivant illustre le workflow Step Functions.
Pré-requis
Avant de déployer le workflow, nous devons créer les ensembles de données de formation et de validation existants. Effectuez les étapes suivantes :
- Tout d'abord, créer un projet Amazon Rekognition.
- Puis, créer les ensembles de données de formation et de validation.
- Enfin, installer l'interface de ligne de commande AWS SAM.
Déployer le workflow
Pour déployer le workflow, clonez le GitHub référentiel:
Ces commandes créent, conditionnent et déploient votre application sur AWS, avec une série d'invites, comme expliqué dans le référentiel.
Exécutez le workflow
Pour tester le workflow, accédez au workflow déployé sur la console Step Functions, puis choisissez Lancer l'exécution.
Le flux de travail peut prendre de quelques minutes à quelques heures. Si le modèle satisfait aux critères d'évaluation, un point de terminaison pour le modèle est créé dans Amazon Rekognition. Si le modèle ne répond pas aux critères d'évaluation ou si la formation a échoué, le workflow échoue. Vous pouvez vérifier l'état du workflow sur la console Step Functions. Pour plus d'informations, reportez-vous à Affichage et débogage des exécutions sur la console Step Functions.
Effectuer des prédictions de modèle
Pour effectuer des prédictions par rapport au modèle, vous pouvez appeler le API DetectCustomLabels d'Amazon Rekognition. Pour invoquer cette API, l'appelant doit disposer des informations nécessaires Gestion des identités et des accès AWS (IAM). Pour plus de détails sur l'exécution de prédictions à l'aide de cette API, reportez-vous à Analyser une image avec un modèle formé.
Cependant, si vous devez exposer publiquement l'API DetectCustomLabels, vous pouvez faire face à l'API DetectCustomLabels avec Passerelle d'API Amazon. API Gateway est un service entièrement géré qui permet aux développeurs de créer, publier, maintenir, surveiller et sécuriser facilement des API à n'importe quelle échelle. API Gateway agit comme la porte d'entrée de votre API DetectCustomLabels, comme illustré dans le diagramme d'architecture suivant.
API Gateway transmet la demande d'inférence de l'utilisateur à AWS Lambda. Lambda est un service de calcul sans serveur et piloté par les événements qui vous permet d'exécuter du code pour pratiquement n'importe quel type d'application ou de service backend sans provisionner ni gérer de serveurs. Lambda reçoit la demande d'API et appelle l'API Amazon Rekognition DetectCustomLabels avec les autorisations IAM nécessaires. Pour plus d'informations sur la configuration d'API Gateway avec l'intégration Lambda, reportez-vous à Configurer les intégrations de proxy Lambda dans API Gateway.
Voici un exemple de code de fonction Lambda pour appeler l'API DetectCustomLabels :
Nettoyer
Pour supprimer le workflow, utilisez l'AWS SAM CLI :
Pour supprimer le modèle Rekognition Custom Labels, vous pouvez utiliser la console Amazon Rekognition ou le kit SDK AWS. Pour plus d'informations, reportez-vous à Suppression d'un modèle d'étiquettes personnalisées Amazon Rekognition.
Conclusion
Dans cet article, nous avons parcouru un flux de travail Step Functions pour créer un ensemble de données, puis former, évaluer et utiliser un modèle Rekognition Custom Labels. Le flux de travail permet aux développeurs d'applications et aux ingénieurs ML d'automatiser les étapes de classification d'étiquettes personnalisées pour tout cas d'utilisation de vision par ordinateur. Le code du workflow est open-source.
Pour plus de ressources d'apprentissage sans serveur, visitez Terre sans serveur. Pour en savoir plus sur les étiquettes personnalisées Rekognition, visitez Étiquettes personnalisées Amazon Rekognition.
À propos de l’auteur
Véda Raman est un architecte de solutions spécialisé principal pour l'apprentissage automatique basé dans le Maryland. Veda travaille avec ses clients pour les aider à concevoir des applications d'apprentissage automatique efficaces, sécurisées et évolutives. Veda souhaite aider ses clients à tirer parti des technologies sans serveur pour l'apprentissage automatique.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :est
- $UP
- 100
- 7
- 8
- a
- Qui sommes-nous ?
- accès
- avec précision
- à travers
- actes
- En outre
- Après
- à opposer à
- algorithmes
- permet
- déjà
- Amazon
- Amazon Reconnaissance
- selon une analyse de l’Université de Princeton
- il analyse
- ainsi que
- api
- Apis
- Application
- applications
- architecture
- SONT
- AS
- Assemblée
- At
- automatiser
- automatiquement
- automatiser
- disponibles
- AWS
- Fonctions d'étape AWS
- backend
- Balance
- basé
- car
- devient
- commencer
- derrière
- Dans les coulisses
- jusqu'à XNUMX fois
- corps
- construire
- Développement
- construit
- la performance des entreprises
- Appelez-nous
- demandeur
- Appels
- CAN
- capacités
- les soins
- maisons
- catégories
- CD
- caractères
- vérifier
- Selectionnez
- classification
- Classer
- client
- code
- complet
- calcul
- ordinateur
- Vision par ordinateur
- Console
- contexte
- pourriez
- engendrent
- créée
- La création
- critères
- Customiser
- Clients
- données
- ensembles de données
- décisions
- déployer
- déployé
- déployer
- déploiement
- détails
- Détection
- mobiles
- directement
- distinguer
- distribué
- Ne fait pas
- Porte
- Easy
- facile à utiliser
- efficace
- non plus
- Endpoint
- Les ingénieurs
- assez
- Ether (ETH)
- évaluer
- évaluer
- évaluation
- événement
- exemple
- existant
- nous a permis de concevoir
- expliqué
- f1
- Échoué
- échoue
- Réactions
- few
- Déposez votre dernière attestation
- Trouvez
- Prénom
- Abonnement
- suit
- Pour
- de
- avant
- d’étiquettes électroniques entièrement
- fonction
- fonctions
- porte
- générateur
- Git
- Sol
- Vous avez
- la santé
- lourd
- levage de charges lourdes
- aider
- aider
- aide
- hébergement
- HEURES
- Comment
- How To
- HTML
- HTTPS
- IAM
- identifier
- Active
- image
- l'analyse d'image
- Classification des images
- satellite
- in
- d'information
- plutôt ;
- intégrer
- l'intégration
- intégrations
- intéressé
- Interfaces
- implique
- IT
- json
- Libellé
- l'étiquetage
- Etiquettes
- gros
- APPRENTISSAGE
- apprentissage
- Allons-y
- Levier
- lifting
- Gamme
- charges
- locales
- logo
- click
- machine learning
- maintenir
- faire
- FAIT DU
- gérés
- les gérer
- Manuel
- travail manuel
- de nombreuses
- Maryland
- Médias
- méthodes
- métrique
- Métrique
- microservices
- pourrait
- des millions
- minutes
- ML
- Algorithmes ML
- modèle
- Surveiller
- mois
- PLUS
- NAVIGUER
- nécessaire
- Besoin
- Besoins
- Nouveauté
- objet
- Détection d'objet
- of
- on
- OS
- sortie
- paquet
- Parallèle
- les pièces
- passes
- effectuer
- performant
- effectuer
- autorisations
- plantes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- Post
- Poteaux
- La précision
- Prédictions
- Préparer
- précédent
- les process
- Produits
- Projet
- fournir
- fournit
- procuration
- publiquement
- publier
- monde réel
- en temps réel
- reçu
- reçoit
- réduire
- dépôt
- représentation
- nécessaire
- exigent
- a besoin
- Ressources
- réponse
- retourner
- Courir
- s
- sagemaker
- Sam
- satisfait
- satisfait avec
- évolutive
- Escaliers intérieurs
- Scènes
- But
- Sdk
- sécurisé
- supérieur
- Série
- Sans serveur
- Serveurs
- service
- Services
- set
- plusieurs
- électroménagers
- montrer
- montré
- significative
- étapes
- simplement
- depuis
- petit
- Réseaux sociaux
- réseaux sociaux
- Publications sur les réseaux sociaux
- Solutions
- spécialiste
- groupe de neurones
- Commencer
- Statut
- étapes
- Étapes
- storage
- Boutique
- structure
- Prenez
- prise
- équipes
- Les technologies
- tester
- qui
- La
- Les
- milliers
- Avec
- fiable
- à
- Train
- qualifié
- Formation
- les trains
- typiquement
- utilisé
- cas d'utilisation
- validation
- via
- Vidéos
- pratiquement
- vision
- Visiter
- marcha
- qui
- avec
- dans les
- sans
- Activités principales
- workflow
- vos contrats
- Votre
- zéphyrnet