Con Etichette personalizzate Amazon Rekognition, Puoi avere Rekognition di Amazon addestra un modello personalizzato per il rilevamento degli oggetti o la classificazione delle immagini specifico per le tue esigenze aziendali. Ad esempio, Rekognition Custom Labels può trovare il tuo logo nei post sui social media, identificare i tuoi prodotti sugli scaffali dei negozi, classificare le parti delle macchine in una catena di montaggio, distinguere le piante sane da quelle infette o rilevare i personaggi animati nei video.
Lo sviluppo di un modello Rekognition Custom Labels per l'analisi delle immagini è un'impresa significativa che richiede tempo, esperienza e risorse, e spesso richiede mesi per essere completata. Inoltre, spesso sono necessarie migliaia o decine di migliaia di immagini etichettate a mano per fornire al modello dati sufficienti per prendere decisioni accurate. La generazione di questi dati può richiedere mesi per essere raccolta e richiede grandi team di etichettatori per prepararli per l'uso nell'apprendimento automatico (ML).
Con le etichette personalizzate di Rekognition, ci occupiamo noi del lavoro pesante per te. Rekognition Custom Labels si basa sulle funzionalità esistenti di Amazon Rekognition, che è già addestrato su decine di milioni di immagini in molte categorie. Invece di migliaia di immagini, devi semplicemente caricare un piccolo set di immagini di addestramento (in genere poche centinaia di immagini o meno) specifiche per il tuo caso d'uso tramite la nostra console di facile utilizzo. Se le tue immagini sono già etichettate, Amazon Rekognition può iniziare l'addestramento in pochi clic. In caso contrario, puoi etichettarli direttamente all'interno dell'interfaccia di etichettatura di Amazon Rekognition o utilizzare Amazon SageMaker verità fondamentale per etichettarli per te. Dopo che Amazon Rekognition ha iniziato l'addestramento dal tuo set di immagini, produce un modello di analisi dell'immagine personalizzato per te in poche ore. Dietro le quinte, Rekognition Custom Labels carica e ispeziona automaticamente i dati di addestramento, seleziona gli algoritmi ML corretti, addestra un modello e fornisce metriche sulle prestazioni del modello. Puoi quindi utilizzare il tuo modello personalizzato tramite l'API Rekognition Custom Labels e integrarlo nelle tue applicazioni.
Tuttavia, la creazione di un modello Rekognition Custom Labels e l'hosting per le previsioni in tempo reale comporta diversi passaggi: creazione di un progetto, creazione dei set di dati di addestramento e convalida, addestramento del modello, valutazione del modello e quindi creazione di un endpoint. Dopo che il modello è stato distribuito per l'inferenza, potrebbe essere necessario ripetere il training del modello quando diventano disponibili nuovi dati o se viene ricevuto feedback dall'inferenza del mondo reale. Automatizzare l'intero flusso di lavoro può aiutare a ridurre il lavoro manuale.
In questo post, mostriamo come puoi usare Funzioni AWS Step per costruire e automatizzare il flusso di lavoro. Step Functions è un servizio di flusso di lavoro visivo che aiuta gli sviluppatori a utilizzare i servizi AWS per creare applicazioni distribuite, automatizzare i processi, orchestrare microservizi e creare pipeline di dati e ML.
Panoramica della soluzione
Il flusso di lavoro di Step Functions è il seguente:
- Per prima cosa creiamo un progetto Amazon Rekognition.
- Parallelamente, creiamo i set di dati di addestramento e convalida utilizzando i set di dati esistenti. Possiamo utilizzare i seguenti metodi:
- Importa una struttura di cartelle da Servizio di archiviazione semplice Amazon (Amazon S3) con le cartelle che rappresentano le etichette.
- Usa un computer locale.
- Usa la verità fondamentale.
- Crea un set di dati utilizzando un set di dati esistente con l'SDK AWS.
- Crea un set di dati con un file manifest con l'SDK AWS.
- Dopo aver creato i set di dati, addestriamo un modello di etichette personalizzate utilizzando il CreaVersioneProgetto API. Questo potrebbe richiedere da minuti a ore per essere completato.
- Dopo che il modello è stato addestrato, valutiamo il modello utilizzando l'output del punteggio F1 del passaggio precedente. Usiamo il punteggio F1 come metrica di valutazione perché fornisce un equilibrio tra precisione e richiamo. Puoi anche utilizzare la precisione o il richiamo come metriche di valutazione del modello. Per ulteriori informazioni sulle metriche di valutazione delle etichette personalizzate, fare riferimento a Metriche per la valutazione del tuo modello.
- Quindi iniziamo a utilizzare il modello per le previsioni se siamo soddisfatti del punteggio F1.
Il seguente diagramma illustra il flusso di lavoro di Step Functions.
Prerequisiti
Prima di distribuire il flusso di lavoro, è necessario creare i set di dati di addestramento e convalida esistenti. Completa i seguenti passaggi:
- In primo luogo, creare un progetto Amazon Rekognition.
- Poi, creare i set di dati di addestramento e convalida.
- Infine, installare l'AWS SAM CLI.
Distribuisci il flusso di lavoro
Per distribuire il flusso di lavoro, clonare il file Repository GitHub:
Questi comandi creano, impacchettano e distribuiscono la tua applicazione in AWS, con una serie di prompt come spiegato nel repository.
Esegui il flusso di lavoro
Per testare il flusso di lavoro, vai al flusso di lavoro distribuito sulla console Step Functions, quindi scegli Inizia l'esecuzione.
Il flusso di lavoro potrebbe richiedere da pochi minuti a qualche ora per essere completato. Se il modello soddisfa i criteri di valutazione, viene creato un endpoint per il modello in Amazon Rekognition. Se il modello non soddisfa i criteri di valutazione o l'addestramento non è riuscito, il flusso di lavoro ha esito negativo. Puoi controllare lo stato del flusso di lavoro sulla console Step Functions. Per ulteriori informazioni, fare riferimento a Visualizzazione e debug delle esecuzioni sulla console Step Functions.
Eseguire previsioni del modello
Per eseguire previsioni rispetto al modello, puoi chiamare il metodo API Amazon Rekognition DetectCustomLabels. Per richiamare questa API, il chiamante deve disporre del necessario Gestione dell'identità e dell'accesso di AWS (IAM) autorizzazioni. Per ulteriori dettagli sull'esecuzione di previsioni utilizzando questa API, fare riferimento a Analizzare un'immagine con un modello addestrato.
Tuttavia, se è necessario esporre pubblicamente l'API DetectCustomLabels, è possibile fronteggiare l'API DetectCustomLabels con Gateway API Amazon. API Gateway è un servizio completamente gestito che semplifica agli sviluppatori la creazione, la pubblicazione, la manutenzione, il monitoraggio e la protezione delle API su qualsiasi scala. API Gateway funge da porta d'ingresso per l'API DetectCustomLabels, come mostrato nel seguente diagramma dell'architettura.
API Gateway inoltra la richiesta di inferenza dell'utente a AWS Lambda. Lambda è un servizio di elaborazione basato su eventi senza server che consente di eseguire codice praticamente per qualsiasi tipo di applicazione o servizio di back-end senza eseguire il provisioning o la gestione dei server. Lambda riceve la richiesta API e chiama l'API Amazon Rekognition DetectCustomLabels con le autorizzazioni IAM necessarie. Per ulteriori informazioni su come configurare API Gateway con l'integrazione Lambda, fare riferimento a Configura le integrazioni proxy Lambda in API Gateway.
Di seguito è riportato un codice di funzione Lambda di esempio per chiamare l'API DetectCustomLabels:
ripulire
Per eliminare il flusso di lavoro, utilizza l'interfaccia a riga di comando di AWS SAM:
Per eliminare il modello Rekognition Custom Labels, puoi utilizzare la console Amazon Rekognition o l'SDK AWS. Per ulteriori informazioni, fare riferimento a Eliminazione di un modello di etichette personalizzate Amazon Rekognition.
Conclusione
In questo post, abbiamo esaminato un flusso di lavoro Step Functions per creare un set di dati e quindi addestrare, valutare e utilizzare un modello Rekognition Custom Labels. Il flusso di lavoro consente agli sviluppatori di applicazioni e agli ingegneri ML di automatizzare i passaggi di classificazione delle etichette personalizzate per qualsiasi caso d'uso di visione artificiale. Il codice per il flusso di lavoro è open source.
Per altre risorse di apprendimento serverless, visita Terra senza server. Per saperne di più sulle etichette personalizzate di Rekognition, visita Etichette personalizzate Amazon Rekognition.
L'autore
Veda Rama è un Senior Specialist Solutions Architect per l'apprendimento automatico con sede nel Maryland. Veda collabora con i clienti per aiutarli a progettare applicazioni di machine learning efficienti, sicure e scalabili. Veda è interessata ad aiutare i clienti a sfruttare le tecnologie serverless per l'apprendimento automatico.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :È
- $ SU
- 100
- 7
- 8
- a
- Chi siamo
- accesso
- con precisione
- operanti in
- atti
- Inoltre
- Dopo shavasana, sedersi in silenzio; saluti;
- contro
- Algoritmi
- consente
- già
- Amazon
- Rekognition di Amazon
- .
- analizzare
- ed
- api
- API
- Applicazioni
- applicazioni
- architettura
- SONO
- AS
- montaggio
- At
- automatizzare
- automaticamente
- Automatizzare
- disponibile
- AWS
- Funzioni AWS Step
- BACKEND
- Equilibrio
- basato
- perché
- diventa
- iniziare
- dietro
- dietro le quinte
- fra
- stile di vita
- costruire
- Costruzione
- costruisce
- affari
- chiamata
- visitatore
- Bandi
- Materiale
- funzionalità
- che
- Custodie
- categoria
- CD
- caratteri
- dai un'occhiata
- Scegli
- classificazione
- classificare
- cliente
- codice
- completamento di una
- Calcolare
- computer
- Visione computerizzata
- consolle
- contesto
- potuto
- creare
- creato
- Creazione
- criteri
- costume
- Clienti
- dati
- dataset
- decisioni
- schierare
- schierato
- distribuzione
- deployment
- dettagli
- rivelazione
- sviluppatori
- direttamente
- distinguere
- distribuito
- non
- Porta
- facile
- facile da usare
- efficiente
- o
- endpoint
- Ingegneri
- abbastanza
- Etere (ETH)
- valutare
- la valutazione
- valutazione
- Evento
- esempio
- esistente
- competenza
- ha spiegato
- f1
- fallito
- fallisce
- feedback
- pochi
- Compila il
- Trovare
- Nome
- i seguenti
- segue
- Nel
- da
- anteriore
- completamente
- function
- funzioni
- porta
- la generazione di
- Idiota
- Terra
- Avere
- sano
- pesante
- sollevamento pesante
- Aiuto
- aiutare
- aiuta
- di hosting
- ORE
- Come
- Tutorial
- HTML
- HTTPS
- IAM
- identificare
- Identità
- Immagine
- analisi dell'immagine
- Classificazione delle immagini
- immagini
- in
- informazioni
- invece
- integrare
- integrazione
- integrazioni
- interessato
- Interfaccia
- comporta
- IT
- json
- Discografica
- etichettatura
- per il tuo brand
- grandi
- IMPARARE
- apprendimento
- Consente di
- Leva
- di sollevamento
- linea
- carichi
- locale
- logo
- macchina
- machine learning
- mantenere
- make
- FA
- gestito
- gestione
- Manuale
- lavoro manuale
- molti
- Maryland
- Media
- metodi
- metrico
- Metrica
- microservices
- forza
- milioni
- verbale
- ML
- Algoritmi ML
- modello
- Monitorare
- mese
- Scopri di più
- Navigare
- necessaria
- Bisogno
- esigenze
- New
- oggetto
- Rilevazione dell'oggetto
- of
- on
- OS
- produzione
- pacchetto
- Parallel
- Ricambi
- Passi
- eseguire
- performance
- esecuzione
- permessi
- piante
- Platone
- Platone Data Intelligence
- PlatoneDati
- Post
- Post
- Precisione
- Previsioni
- Preparare
- precedente
- i processi
- Prodotti
- progetto
- fornire
- fornisce
- delega
- pubblicamente
- pubblicare
- mondo reale
- tempo reale
- ricevuto
- riceve
- ridurre
- deposito
- che rappresenta
- richiesta
- richiedere
- richiede
- Risorse
- risposta
- ritorno
- Correre
- s
- sagemaker
- Sam
- soddisfatte
- soddisfatto
- scalabile
- Scala
- Scene
- Punto
- sdk
- sicuro
- anziano
- Serie
- serverless
- Server
- servizio
- Servizi
- set
- alcuni
- scaffali
- mostrare attraverso le sue creazioni
- mostrato
- significativa
- Un'espansione
- semplicemente
- da
- piccole
- Social
- Social Media
- Post sui social media
- Soluzioni
- specialista
- specifico
- inizia a
- Stato dei servizi
- step
- Passi
- conservazione
- Tornare al suo account
- La struttura
- Fai
- presa
- le squadre
- Tecnologie
- test
- che
- I
- Li
- migliaia
- Attraverso
- tempo
- a
- Treni
- allenato
- Training
- forma
- tipicamente
- uso
- caso d'uso
- convalida
- via
- Video
- potenzialmente
- visione
- Visita
- camminava
- quale
- con
- entro
- senza
- Lavora
- flusso di lavoro
- lavori
- Trasferimento da aeroporto a Sharm
- zefiro