Dengan Label Kustom Amazon Rekognition, kamu bisa memiliki Rekognisi Amazon latih model khusus untuk deteksi objek atau klasifikasi gambar khusus untuk kebutuhan bisnis Anda. Misalnya, Rekognition Custom Labels dapat menemukan logo Anda di postingan media sosial, mengidentifikasi produk Anda di rak toko, mengklasifikasikan suku cadang mesin di jalur perakitan, membedakan tanaman sehat dan terinfeksi, atau mendeteksi karakter animasi di video.
Mengembangkan model Rekognition Custom Labels untuk menganalisis gambar adalah pekerjaan penting yang membutuhkan waktu, keahlian, dan sumber daya, seringkali membutuhkan waktu berbulan-bulan untuk menyelesaikannya. Selain itu, seringkali diperlukan ribuan atau puluhan ribu gambar berlabel tangan untuk menyediakan model dengan data yang cukup untuk membuat keputusan secara akurat. Pembuatan data ini dapat memakan waktu berbulan-bulan untuk dikumpulkan dan memerlukan tim pemberi label yang besar untuk menyiapkannya agar dapat digunakan dalam pembelajaran mesin (ML).
Dengan Rekognition Custom Labels, kami menangani pekerjaan berat untuk Anda. Rekognition Custom Labels dibangun dari kemampuan Amazon Rekognition yang sudah ada, yang sudah dilatih pada puluhan juta gambar di banyak kategori. Alih-alih ribuan gambar, Anda hanya perlu mengupload sekumpulan kecil gambar pelatihan (biasanya beberapa ratus gambar atau kurang) yang khusus untuk kasus penggunaan Anda melalui konsol kami yang mudah digunakan. Jika gambar Anda sudah diberi label, Amazon Rekognition dapat memulai pelatihan hanya dengan beberapa klik. Jika tidak, Anda dapat memberi label langsung di dalam antarmuka pelabelan Amazon Rekognition, atau menggunakan Kebenaran Dasar Amazon SageMaker untuk memberi label mereka untuk Anda. Setelah Amazon Rekognition memulai pelatihan dari kumpulan gambar Anda, Amazon akan menghasilkan model analisis gambar khusus untuk Anda hanya dalam beberapa jam. Di balik layar, Rekognition Custom Labels secara otomatis memuat dan memeriksa data pelatihan, memilih algoritme ML yang tepat, melatih model, dan menyediakan metrik performa model. Anda kemudian dapat menggunakan model khusus Anda melalui Rekognition Custom Labels API dan mengintegrasikannya ke dalam aplikasi Anda.
Namun, membuat model Label Kustom Pengakuan dan menghostingnya untuk prediksi waktu nyata melibatkan beberapa langkah: membuat proyek, membuat kumpulan data pelatihan dan validasi, melatih model, mengevaluasi model, lalu membuat titik akhir. Setelah model diterapkan untuk inferensi, Anda mungkin harus melatih ulang model saat data baru tersedia atau jika umpan balik diterima dari inferensi dunia nyata. Mengotomatiskan seluruh alur kerja dapat membantu mengurangi pekerjaan manual.
Dalam posting ini, kami menunjukkan bagaimana Anda dapat menggunakan Fungsi Langkah AWS untuk membangun dan mengotomatiskan alur kerja. Step Functions adalah layanan alur kerja visual yang membantu pengembang menggunakan layanan AWS untuk membangun aplikasi terdistribusi, mengotomatiskan proses, mengatur layanan mikro, dan membuat saluran data dan ML.
Ikhtisar solusi
Alur kerja Step Functions adalah sebagai berikut:
- Kami pertama kali membuat proyek Amazon Rekognition.
- Secara paralel, kami membuat pelatihan dan dataset validasi menggunakan dataset yang ada. Kita dapat menggunakan cara-cara berikut:
- Impor struktur folder dari Layanan Penyimpanan Sederhana Amazon (Amazon S3) dengan folder yang mewakili label.
- Gunakan komputer lokal.
- Gunakan Kebenaran Dasar.
- Buat set data menggunakan set data yang ada dengan AWS SDK.
- Buat kumpulan data dengan file manifes dengan AWS SDK.
- Setelah set data dibuat, kami melatih model Label Kustom menggunakan metode BuatProjectVersion API. Ini bisa memakan waktu dari menit ke jam untuk menyelesaikan.
- Setelah model dilatih, kami mengevaluasi model menggunakan keluaran skor F1 dari langkah sebelumnya. Kami menggunakan skor F1 sebagai metrik evaluasi kami karena memberikan keseimbangan antara presisi dan daya ingat. Anda juga dapat menggunakan presisi atau daya ingat sebagai metrik evaluasi model Anda. Untuk informasi selengkapnya tentang metrik evaluasi label khusus, lihat Metrik untuk mengevaluasi model Anda.
- Kami kemudian mulai menggunakan model untuk prediksi jika kami puas dengan skor F1.
Diagram berikut mengilustrasikan alur kerja Step Functions.
Prasyarat
Sebelum menerapkan alur kerja, kita perlu membuat dataset pelatihan dan validasi yang ada. Selesaikan langkah-langkah berikut:
- Pertama, buat proyek Amazon Rekognition.
- Kemudian, membuat dataset pelatihan dan validasi.
- Terakhir, instal AWS SAM CLI.
Terapkan alur kerja
Untuk menerapkan alur kerja, tiru file Repositori GitHub:
Perintah ini membangun, mengemas, dan menerapkan aplikasi Anda ke AWS, dengan serangkaian perintah seperti yang dijelaskan dalam repositori.
Jalankan alur kerja
Untuk menguji alur kerja, buka alur kerja yang diterapkan di konsol Step Functions, lalu pilih Mulai eksekusi.
Alur kerja dapat memakan waktu beberapa menit hingga beberapa jam untuk diselesaikan. Jika model lolos kriteria evaluasi, titik akhir untuk model dibuat di Amazon Rekognition. Jika model tidak lulus kriteria evaluasi atau pelatihan gagal, alur kerja akan gagal. Anda dapat memeriksa status alur kerja di konsol Step Functions. Untuk informasi lebih lanjut, lihat Melihat dan men-debug eksekusi di konsol Step Functions.
Melakukan prediksi model
Untuk melakukan prediksi terhadap model, Anda dapat memanggil API Amazon Rekognition DetectCustomLabels. Untuk memanggil API ini, penelepon harus memiliki yang diperlukan Identitas AWS dan Manajemen Akses (IAM) izin. Untuk detail selengkapnya tentang melakukan prediksi menggunakan API ini, lihat Menganalisis gambar dengan model terlatih.
Namun, jika Anda perlu mengekspos API DetectCustomLabels secara publik, Anda dapat memberi front pada DetectCustomLabels API dengan Gerbang API Amazon. API Gateway adalah layanan terkelola penuh yang memudahkan pengembang untuk membuat, menerbitkan, memelihara, memantau, dan mengamankan API dalam skala apa pun. API Gateway bertindak sebagai pintu depan untuk API DetectCustomLabels Anda, seperti yang ditampilkan dalam diagram arsitektur berikut.
API Gateway meneruskan permintaan inferensi pengguna ke AWS Lambda. Lambda adalah layanan komputasi berbasis peristiwa tanpa server yang memungkinkan Anda menjalankan kode untuk hampir semua jenis aplikasi atau layanan backend tanpa menyediakan atau mengelola server. Lambda menerima permintaan API dan memanggil Amazon Rekognition DetectCustomLabels API dengan izin IAM yang diperlukan. Untuk informasi selengkapnya tentang cara menyiapkan API Gateway dengan integrasi Lambda, lihat Siapkan integrasi proxy Lambda di API Gateway.
Berikut adalah contoh kode fungsi Lambda untuk memanggil API DetectCustomLabels:
Membersihkan
Untuk menghapus alur kerja, gunakan AWS SAM CLI:
Untuk menghapus model Rekognition Custom Labels, Anda dapat menggunakan konsol Amazon Rekognition atau AWS SDK. Untuk informasi lebih lanjut, lihat Menghapus model Label Kustom Amazon Rekognition.
Kesimpulan
Dalam postingan ini, kita menelusuri alur kerja Step Functions untuk membuat kumpulan data, lalu melatih, mengevaluasi, dan menggunakan model Rekognition Custom Labels. Alur kerja memungkinkan pengembang aplikasi dan teknisi ML mengotomatiskan langkah klasifikasi label khusus untuk setiap kasus penggunaan computer vision. Kode untuk alur kerja bersumber terbuka.
Untuk sumber belajar tanpa server lainnya, kunjungi Tanah Tanpa Server. Untuk mempelajari lebih lanjut tentang label khusus Pengakuan, kunjungi Label Kustom Amazon Rekognition.
tentang Penulis
Weda Raman adalah Arsitek Solusi Spesialis Senior untuk pembelajaran mesin yang berbasis di Maryland. Veda bekerja dengan pelanggan untuk membantu mereka merancang aplikasi pembelajaran mesin yang efisien, aman, dan skalabel. Veda tertarik untuk membantu pelanggan memanfaatkan teknologi tanpa server untuk pembelajaran Mesin.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :adalah
- $NAIK
- 100
- 7
- 8
- a
- Tentang Kami
- mengakses
- akurat
- di seluruh
- tindakan
- Selain itu
- Setelah
- terhadap
- algoritma
- memungkinkan
- sudah
- Amazon
- Rekognisi Amazon
- analisis
- menganalisa
- dan
- api
- Lebah
- Aplikasi
- aplikasi
- arsitektur
- ADALAH
- AS
- Majelis
- At
- mengotomatisasikan
- secara otomatis
- mengotomatisasi
- tersedia
- AWS
- Fungsi Langkah AWS
- Backend
- Saldo
- berdasarkan
- karena
- menjadi
- mulai
- di belakang
- dibalik layar
- antara
- tubuh
- membangun
- Bangunan
- membangun
- bisnis
- panggilan
- pemanggil
- Panggilan
- CAN
- kemampuan
- yang
- kasus
- kategori
- CD
- karakter
- memeriksa
- Pilih
- klasifikasi
- Klasifikasi
- klien
- kode
- lengkap
- menghitung
- komputer
- Visi Komputer
- konsul
- konteks
- bisa
- membuat
- dibuat
- membuat
- kriteria
- adat
- pelanggan
- data
- kumpulan data
- keputusan
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- rincian
- Deteksi
- pengembang
- langsung
- membedakan
- didistribusikan
- Tidak
- Oleh
- Mudah
- mudah digunakan
- efisien
- antara
- Titik akhir
- Insinyur
- cukup
- Eter (ETH)
- mengevaluasi
- mengevaluasi
- evaluasi
- Acara
- contoh
- ada
- keahlian
- menjelaskan
- f1
- Gagal
- gagal
- umpan balik
- beberapa
- File
- Menemukan
- Pertama
- berikut
- berikut
- Untuk
- dari
- depan
- sepenuhnya
- fungsi
- fungsi
- pintu gerbang
- menghasilkan
- pergi
- Tanah
- Memiliki
- sehat
- berat
- angkat berat
- membantu
- membantu
- membantu
- tuan
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- IAM
- mengenali
- identitas
- gambar
- analisis gambar
- Klasifikasi gambar
- gambar
- in
- informasi
- sebagai gantinya
- mengintegrasikan
- integrasi
- integrasi
- tertarik
- Antarmuka
- melibatkan
- IT
- json
- label
- pelabelan
- Label
- besar
- BELAJAR
- pengetahuan
- Lets
- Leverage
- pengangkatan
- baris
- beban
- lokal
- logo
- mesin
- Mesin belajar
- memelihara
- membuat
- MEMBUAT
- berhasil
- pelaksana
- panduan
- pekerjaan manual
- banyak
- Maryland
- Media
- metode
- metrik
- Metrik
- microservices
- mungkin
- jutaan
- menit
- ML
- Algoritme ML
- model
- Memantau
- bulan
- lebih
- Arahkan
- perlu
- Perlu
- kebutuhan
- New
- obyek
- Deteksi Objek
- of
- on
- OS
- keluaran
- paket
- Paralel
- bagian
- melewati
- melakukan
- prestasi
- melakukan
- Izin
- tanaman
- plato
- Kecerdasan Data Plato
- Data Plato
- Pos
- Posts
- Ketelitian
- Prediksi
- Mempersiapkan
- sebelumnya
- proses
- Produk
- proyek
- memberikan
- menyediakan
- wakil
- di depan umum
- menerbitkan
- dunia nyata
- real-time
- diterima
- menerima
- menurunkan
- gudang
- mewakili
- permintaan
- membutuhkan
- membutuhkan
- Sumber
- tanggapan
- kembali
- Run
- s
- pembuat bijak
- Universitas
- puas
- puas dengan
- terukur
- Skala
- adegan
- skor
- SDK
- aman
- senior
- Seri
- Tanpa Server
- Server
- layanan
- Layanan
- set
- beberapa
- rak
- Menunjukkan
- ditunjukkan
- penting
- Sederhana
- hanya
- sejak
- kecil
- Sosial
- media sosial
- Posting Media Sosial
- Solusi
- spesialis
- tertentu
- awal
- Status
- Langkah
- Tangga
- penyimpanan
- menyimpan
- struktur
- Mengambil
- pengambilan
- tim
- Teknologi
- uji
- bahwa
- Grafik
- Mereka
- ribuan
- Melalui
- waktu
- untuk
- Pelatihan VE
- terlatih
- Pelatihan
- kereta
- khas
- menggunakan
- gunakan case
- pengesahan
- melalui
- Video
- sebenarnya
- penglihatan
- Mengunjungi
- berjalan
- yang
- dengan
- dalam
- tanpa
- Kerja
- alur kerja
- bekerja
- Anda
- zephyrnet.dll