A Amazon Rekognition egyéni címkék, megkaphatod Amazon felismerés betanítson egy egyedi modellt az objektumészleléshez vagy a képosztályozáshoz, az Ön üzleti igényeinek megfelelően. A Rekognition Custom Labels például megtalálhatja logóját a közösségi média bejegyzéseiben, azonosíthatja termékeit az üzletek polcain, összeszerelősoron osztályozhatja a gépalkatrészeket, megkülönböztetheti az egészséges és fertőzött növényeket, vagy észlelheti az animált karaktereket a videókban.
A képek elemzésére szolgáló Rekognition Custom Labels modell kifejlesztése jelentős vállalkozás, amely időt, szakértelmet és erőforrásokat igényel, és gyakran hónapokig tart. Ezenkívül gyakran több ezer vagy tízezer kézzel címkézett képre van szükség ahhoz, hogy a modell elegendő adatot kapjon a pontos döntések meghozatalához. Ezeknek az adatoknak az előállítása hónapokig tarthat, és a címkézők nagy csapataira van szükség ahhoz, hogy előkészítsék őket a gépi tanuláshoz (ML).
A Rekognition egyedi címkékkel mi gondoskodunk a nehéz emelésről az Ön helyett. A Rekognition Custom Labels az Amazon Rekognition meglévő képességeire épít, amely már több tízmillió képre van kiképezve számos kategóriában. Több ezer kép helyett egyszerűen csak fel kell töltenie egy kis készletet (általában néhány száz képet vagy kevesebbet), amelyek kifejezetten az Ön használati esetére vonatkoznak, egyszerűen használható konzolunkon keresztül. Ha a képek már fel vannak címkézve, az Amazon Rekognition néhány kattintással megkezdheti a képzést. Ha nem, akkor közvetlenül felcímkézheti őket az Amazon Rekognition címkézési felületén, vagy használhatja Amazon SageMaker Ground Truth hogy felcímkézze őket neked. Miután az Amazon Rekognition megkezdi a képkészletedből való képzést, néhány óra alatt elkészít egy egyedi képelemzési modellt. A színfalak mögött a Rekognition Custom Labels automatikusan betölti és ellenőrzi a képzési adatokat, kiválasztja a megfelelő ML-algoritmusokat, betanítja a modellt, és modellteljesítmény-mutatókat biztosít. Ezután használhatja egyéni modelljét a Rekognition Custom Labels API-n keresztül, és integrálhatja az alkalmazásaiba.
A Rekognition egyéni címkék modelljének felépítése és a valós idejű előrejelzésekhez való tárolása azonban több lépésből áll: egy projekt létrehozása, a betanítási és érvényesítési adatkészletek létrehozása, a modell betanítása, a modell kiértékelése, majd egy végpont létrehozása. Miután a modellt következtetésekhez telepítette, előfordulhat, hogy újra kell tanítania a modellt, amikor új adatok állnak rendelkezésre, vagy ha valós következtetésekből származó visszajelzés érkezik. A teljes munkafolyamat automatizálása csökkentheti a kézi munkavégzést.
Ebben a bejegyzésben megmutatjuk, hogyan használhatod AWS lépésfunkciók a munkafolyamat felépítéséhez és automatizálásához. A Step Functions egy vizuális munkafolyamat-szolgáltatás, amely segíti a fejlesztőket az AWS-szolgáltatások használatával elosztott alkalmazások létrehozásában, folyamatok automatizálásában, mikroszolgáltatások összehangolásában, valamint adat- és ML-folyamatok létrehozásában.
Megoldás áttekintése
A Step Functions munkafolyamata a következő:
- Először létrehozunk egy Amazon Rekognition projektet.
- Ezzel párhuzamosan a meglévő adatkészletek felhasználásával létrehozzuk a betanítási és érvényesítési adatkészleteket. A következő módszereket használhatjuk:
- Mappaszerkezet importálása innen Amazon egyszerű tárolási szolgáltatás (Amazon S3) a címkéket képviselő mappákkal.
- Használjon helyi számítógépet.
- Használja a Ground Truth-ot.
- Hozzon létre egy adatkészletet egy meglévő adatkészlettel az AWS SDK-val.
- Hozzon létre egy adatkészletet egy jegyzékfájllal az AWS SDK-val.
- Az adatkészletek létrehozása után egy egyéni címkék modellt tanítunk a segítségével CreateProjectVersion API. Ez percektől órákig tarthat.
- A modell betanítása után értékeljük a modellt az előző lépésből származó F1 pontszám segítségével. Az F1 pontszámot használjuk értékelési mérőszámunkként, mert ez egyensúlyt biztosít a pontosság és a felidézés között. A pontosságot vagy a visszahívást is használhatja modellértékelési mérőszámként. Az egyéni címkeértékelési mutatókkal kapcsolatos további információkért lásd: Mérőszámok a modell értékeléséhez.
- Ezután elkezdjük használni a modellt az előrejelzésekhez, ha elégedettek vagyunk az F1-es pontszámmal.
A következő ábra a Step Functions munkafolyamatot mutatja be.
Előfeltételek
A munkafolyamat üzembe helyezése előtt létre kell hoznunk a meglévő oktatási és érvényesítési adatkészleteket. Hajtsa végre a következő lépéseket:
- Először is, hozzon létre egy Amazon Rekognition projektet.
- Ezután hozza létre a képzési és érvényesítési adatkészleteket.
- Végül, telepítse az AWS SAM CLI-t.
Telepítse a munkafolyamatot
A munkafolyamat üzembe helyezéséhez klónozza a GitHub tárház:
Ezek a parancsok építik fel, csomagolják és telepítik az alkalmazást az AWS-be, a lerakatban leírtak szerint egy sor prompt segítségével.
Futtassa a munkafolyamatot
A munkafolyamat teszteléséhez lépjen a telepített munkafolyamathoz a Step Functions konzolon, majd válassza a lehetőséget Indítsa el a végrehajtást.
A munkafolyamat néhány perctől néhány óráig tarthat. Ha a modell megfelel az értékelési feltételeknek, a modell végpontja jön létre az Amazon Rekognitionban. Ha a modell nem felel meg az értékelési feltételeknek, vagy a betanítás sikertelen, a munkafolyamat meghiúsul. A munkafolyamat állapotát a Step Functions konzolon ellenőrizheti. További információkért lásd: Végrehajtások megtekintése és hibakeresése a Step Functions konzolon.
Végezzen modellelőrejelzéseket
A modellel szembeni előrejelzések végrehajtásához hívhatja a Amazon Rekognition DetectCustomLabels API. Ennek az API-nak a meghívásához a hívónak rendelkeznie kell a szükséges adatokkal AWS Identity and Access Management (IAM) engedélyek. Az API használatával kapcsolatos előrejelzések végrehajtásával kapcsolatos további részletekért lásd: Kép elemzése képzett modellel.
Ha azonban nyilvánosságra kell hoznia a DetectCustomLabels API-t, akkor a DetectCustomLabels API-t Amazon API átjáró. Az API Gateway egy teljesen felügyelt szolgáltatás, amely megkönnyíti a fejlesztők számára az API-k létrehozását, közzétételét, karbantartását, figyelését és biztonságossá tételét bármilyen léptékben. Az API-átjáró a DetectCustomLabels API bejárati ajtajaként működik, amint az a következő architektúra diagramon látható.
Az API Gateway továbbítja a felhasználó következtetési kérelmét a következő címre: AWS Lambda. A Lambda egy kiszolgáló nélküli, eseményvezérelt számítási szolgáltatás, amely gyakorlatilag bármilyen típusú alkalmazás vagy háttérszolgáltatás kódjának futtatását teszi lehetővé kiszolgálók kiépítése vagy kezelése nélkül. A Lambda megkapja az API kérést, és a szükséges IAM-engedélyekkel meghívja az Amazon Rekognition DetectCustomLabels API-t. Az API-átjáró Lambda-integrációval történő beállításával kapcsolatos további információkért lásd: Állítsa be a Lambda proxy integrációit az API-átjáróban.
A következő egy példa a Lambda függvénykódra a DetectCustomLabels API meghívására:
Tisztítsuk meg
A munkafolyamat törléséhez használja az AWS SAM parancssori felületét:
A Rekognition Custom Labels modell törléséhez használhatja az Amazon Rekognition konzolt vagy az AWS SDK-t. További információkért lásd: Egy Amazon Rekognition egyedi címkék modelljének törlése.
Következtetés
Ebben a bejegyzésben végigjártuk a Step Functions munkafolyamatot, hogy létrehozzunk egy adatkészletet, majd betanítsuk, kiértékeljük és használjuk a Rekognition egyéni címkék modelljét. A munkafolyamat lehetővé teszi az alkalmazásfejlesztők és az ML mérnökök számára, hogy automatizálják az egyéni címkeosztályozási lépéseket bármely számítógépes látás felhasználási esetére. A munkafolyamat kódja nyílt forráskódú.
További kiszolgáló nélküli tanulási forrásokért látogasson el ide Szerver nélküli föld. Ha többet szeretne megtudni a Rekognition egyéni címkéiről, látogasson el ide Amazon Rekognition egyéni címkék.
A szerzőről
Veda Raman a marylandi székhelyű gépi tanulási megoldások vezető specialistája. A Veda együttműködik az ügyfelekkel, hogy segítsen nekik hatékony, biztonságos és méretezhető gépi tanulási alkalmazások kialakításában. A Veda érdekelt abban, hogy segítse ügyfeleit a szerver nélküli technológiák kihasználásában a gépi tanuláshoz.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :is
- $ UP
- 100
- 7
- 8
- a
- Rólunk
- hozzáférés
- pontosan
- át
- cselekmények
- Ezen kívül
- Után
- ellen
- algoritmusok
- lehetővé teszi, hogy
- már
- amazon
- Amazon felismerés
- elemzés
- elemez
- és a
- api
- API-k
- Alkalmazás
- alkalmazások
- építészet
- VANNAK
- AS
- Assembly
- At
- automatizált
- automatikusan
- automatizálás
- elérhető
- AWS
- AWS lépésfunkciók
- háttér
- Egyenleg
- alapján
- mert
- válik
- kezdődik
- mögött
- a színfalak mögött
- között
- test
- épít
- Épület
- épít
- üzleti
- hívás
- Hívó
- kéri
- TUD
- képességek
- ami
- eset
- kategóriák
- CD
- karakter
- ellenőrizze
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- besorolás
- osztályoz
- vásárló
- kód
- teljes
- Kiszámít
- számítógép
- Számítógépes látás
- Konzol
- kontextus
- tudott
- teremt
- készítette
- létrehozása
- kritériumok
- szokás
- Ügyfelek
- dátum
- adatkészletek
- határozatok
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- részletek
- Érzékelés
- fejlesztők
- közvetlenül
- különbséget tesz
- megosztott
- Nem
- Által
- könnyű
- könnyen használható
- hatékony
- bármelyik
- Endpoint
- Mérnökök
- elég
- Eter (ETH)
- értékelni
- értékelő
- értékelés
- esemény
- példa
- létező
- szakvélemény
- magyarázható
- f1
- Sikertelen
- nem sikerül
- Visszacsatolás
- kevés
- filé
- Találjon
- vezetéknév
- következő
- következik
- A
- ból ből
- front
- teljesen
- funkció
- funkciók
- gateway
- generáló
- megy
- Földi
- Legyen
- egészséges
- nehéz
- súlyemelés
- segít
- segít
- segít
- tárhely
- NYITVATARTÁS
- Hogyan
- How To
- HTML
- HTTPS
- IAM
- azonosítani
- Identitás
- kép
- képelemzés
- Képosztályozás
- képek
- in
- információ
- helyette
- integrálni
- integráció
- integrációk
- érdekelt
- Felület
- jár
- IT
- json
- Címke
- címkézés
- Címkék
- nagy
- TANUL
- tanulás
- Lets
- Tőkeáttétel
- emelő
- vonal
- terhelések
- helyi
- logo
- gép
- gépi tanulás
- fenntartása
- csinál
- KÉSZÍT
- sikerült
- kezelése
- kézikönyv
- kézi munka
- sok
- Maryland
- Média
- mód
- metrikus
- Metrics
- microservices
- esetleg
- Több millió
- jegyzőkönyv
- ML
- ML algoritmusok
- modell
- monitor
- hónap
- több
- Keresse
- elengedhetetlen
- Szükség
- igények
- Új
- tárgy
- Objektumfelismerés
- of
- on
- OS
- teljesítmény
- csomag
- Párhuzamos
- alkatrészek
- bérletek
- teljesít
- teljesítmény
- előadó
- engedélyek
- növények
- Plató
- Platón adatintelligencia
- PlatoData
- állás
- Hozzászólások
- Pontosság
- Tippek
- Készít
- előző
- Folyamatok
- Termékek
- program
- ad
- biztosít
- meghatalmazott
- nyilvánosan
- közzétesz
- való Világ
- real-time
- kapott
- kap
- csökkenteni
- raktár
- képviselő
- kérni
- szükség
- megköveteli,
- Tudástár
- válasz
- visszatérés
- futás
- s
- sagemaker
- Sam
- elégedett
- elégedett valamivel
- skálázható
- Skála
- jelenetek
- pontszám
- sdk
- biztonság
- idősebb
- Series of
- vagy szerver
- Szerverek
- szolgáltatás
- Szolgáltatások
- készlet
- számos
- polcok
- előadás
- mutatott
- jelentős
- Egyszerű
- egyszerűen
- óta
- kicsi
- Közösség
- Közösségi média
- Közösségi média bejegyzések
- Megoldások
- szakember
- különleges
- kezdet
- Állapot
- Lépés
- Lépései
- tárolás
- tárolni
- struktúra
- Vesz
- bevétel
- csapat
- Technologies
- teszt
- hogy
- A
- Őket
- ezer
- Keresztül
- idő
- nak nek
- Vonat
- kiképzett
- Képzések
- vonatok
- jellemzően
- használ
- használati eset
- érvényesítés
- keresztül
- Videók
- gyakorlatilag
- látomás
- Látogat
- sétált
- ami
- val vel
- belül
- nélkül
- Munka
- munkafolyamat
- művek
- A te
- zephyrnet