עם תוויות מותאמות אישית של Amazon Rekognition, יכול להיות לך אמזון להכשיר מודל מותאם אישית לזיהוי אובייקטים או סיווג תמונה ספציפית לצרכי העסק שלך. לדוגמה, תוויות מותאמות אישית של Rekognition יכולות למצוא את הלוגו שלך בפוסטים ברשתות חברתיות, לזהות את המוצרים שלך במדפי החנויות, לסווג חלקי מכונות בפס ייצור, להבחין בין צמחים בריאים ונגועים, או לזהות דמויות מונפשות בסרטונים.
פיתוח מודל של זיהוי תוויות מותאמות אישית לניתוח תמונות הוא משימה משמעותית שדורשת זמן, מומחיות ומשאבים, שלעיתים קרובות לוקח חודשים. בנוסף, לעתים קרובות נדרשים אלפי או עשרות אלפי תמונות עם תווית יד כדי לספק לדגם מספיק נתונים כדי לקבל החלטות במדויק. יצירת נתונים אלה עשויה להימשך חודשים כדי לאסוף ולדרוש צוותים גדולים של תוויות להכין אותם לשימוש בלמידת מכונה (ML).
עם תוויות מותאמות אישית של Rekognition, אנו דואגים עבורך להרים הכבדים. זיהוי תוויות מותאמות אישית מתבסס על היכולות הקיימות של אמזון זיהוי, שכבר מאומן על עשרות מיליוני תמונות בקטגוריות רבות. במקום אלפי תמונות, אתה פשוט צריך להעלות קבוצה קטנה של תמונות אימון (בדרך כלל כמה מאות תמונות או פחות) הספציפיות למקרה השימוש שלך דרך הקונסולה הקלה לשימוש שלנו. אם התמונות שלך כבר מסומנות בתווית, אמזון זיהוי יכול להתחיל אימון בכמה קליקים בלבד. אם לא, אתה יכול לתייג אותם ישירות בתוך ממשק התיוג של Amazon Rekognition, או להשתמש האמת של אמזון SageMaker כדי לתייג אותם עבורך. לאחר ש-Amazon Rekognition מתחילה להתאמן מסט התמונות שלך, היא מייצרת עבורך מודל ניתוח תמונה מותאם אישית תוך מספר שעות בלבד. מאחורי הקלעים, Rekognition Custom Labels טוענות ובודקות אוטומטית את נתוני האימון, בוחרת את אלגוריתמי ה-ML הנכונים, מכשירה מודל ומספקת מדדי ביצועים של המודל. לאחר מכן תוכל להשתמש במודל המותאם אישית שלך באמצעות ממשק API של Rekognition Custom Labels ולשלב אותו באפליקציות שלך.
עם זאת, בניית מודל של Rekognition Custom Labels ואירוחו לחיזוי בזמן אמת כרוך במספר שלבים: יצירת פרויקט, יצירת מערכי ההדרכה והאימות, אימון המודל, הערכת המודל ולאחר מכן יצירת נקודת קצה. לאחר פריסת המודל להסקת מסקנות, ייתכן שיהיה עליך לאמן מחדש את המודל כאשר נתונים חדשים יהיו זמינים או אם מתקבל משוב מהסקת עולם אמיתי. אוטומציה של כל זרימת העבודה יכולה לעזור להפחית את העבודה הידנית.
בפוסט זה אנו מראים כיצד תוכל להשתמש פונקציות שלב AWS לבנות ולהפוך את זרימת העבודה לאוטומטית. Step Functions הוא שירות זרימת עבודה ויזואלית המסייע למפתחים להשתמש בשירותי AWS כדי לבנות אפליקציות מבוזרות, להפוך תהליכים לאוטומטיים, לתזמר שירותי מיקרו וליצור צינורות נתונים ו-ML.
סקירת פתרונות
זרימת העבודה של Step Functions היא כדלקמן:
- תחילה אנו יוצרים פרויקט אמזון הכרה.
- במקביל, אנו יוצרים את ההדרכה ואת מערכי האימות באמצעות מערכי נתונים קיימים. אנו יכולים להשתמש בשיטות הבאות:
- ייבא מבנה תיקיות מ שירות אחסון פשוט של אמזון (Amazon S3) עם התיקיות המייצגות את התוויות.
- השתמש במחשב מקומי.
- השתמש ב-Ground Truth.
- צור מערך נתונים באמצעות מערך נתונים קיים עם AWS SDK.
- צור מערך נתונים עם קובץ מניפסט עם AWS SDK.
- לאחר יצירת מערכי הנתונים, אנו מאמנים מודל תוויות מותאמות אישית באמצעות ה CreateProjectVersion ממשק API. זה עשוי להימשך בין דקות לשעות.
- לאחר הכשרת המודל, אנו מעריכים את המודל באמצעות פלט ציון F1 מהשלב הקודם. אנו משתמשים בציון F1 כמדד ההערכה שלנו מכיוון שהוא מספק איזון בין דיוק לזכירה. אתה יכול גם להשתמש בדיוק או בזיכרון כמדדי הערכת המודל שלך. למידע נוסף על מדדי הערכת תוויות מותאמות אישית, עיין ב מדדים להערכת המודל שלך.
- לאחר מכן אנו מתחילים להשתמש במודל לחיזוי אם אנו מרוצים מהציון F1.
התרשים הבא ממחיש את זרימת העבודה של Step Functions.
תנאים מוקדמים
לפני פריסת זרימת העבודה, עלינו ליצור את מערכי ההדרכה והאימות הקיימים. השלם את השלבים הבאים:
- ראשית, ליצור פרויקט אמזון הכרה.
- לאחר מכן, ליצור את מערכי ההדרכה והאימות.
- לבסוף, התקן את AWS SAM CLI.
פרוס את זרימת העבודה
כדי לפרוס את זרימת העבודה, שכפל את מאגר GitHub:
פקודות אלו בונות, אורזות ופרוסות את האפליקציה שלך ל-AWS, עם סדרה של הנחיות כפי שהוסבר במאגר.
הפעל את זרימת העבודה
כדי לבדוק את זרימת העבודה, נווט אל זרימת העבודה הפרוסה במסוף Step Functions ולאחר מכן בחר התחל בביצוע.
השלמת זרימת העבודה עשויה להימשך מספר דקות עד כמה שעות. אם המודל עובר את קריטריוני ההערכה, נוצרת נקודת קצה עבור המודל ב-Amazon Rekognition. אם המודל לא עומד בקריטריוני ההערכה או שההדרכה נכשלה, זרימת העבודה נכשלת. אתה יכול לבדוק את המצב של זרימת העבודה במסוף Step Functions. למידע נוסף, עיין ב צפייה וניפוי באגים של ביצועים במסוף Step Functions.
בצע תחזיות מודל
כדי לבצע תחזיות מול המודל, אתה יכול להתקשר ל- Amazon Rekognition DetectCustomLabels API. כדי להפעיל את ה-API הזה, המתקשר צריך לקבל את הדרוש AWS זהות וניהול גישה הרשאות (IAM). לפרטים נוספים על ביצוע תחזיות באמצעות API זה, עיין ב ניתוח תמונה עם מודל מאומן.
עם זאת, אם אתה צריך לחשוף את ממשק ה-API של DetectCustomLabels בפומבי, אתה יכול להציג את ממשק ה-API של DetectCustomLabels עם שער API של אמזון. API Gateway הוא שירות מנוהל במלואו המקל על מפתחים ליצור, לפרסם, לתחזק, לנטר ולאבטח ממשקי API בכל קנה מידה. API Gateway משמש כדלת הכניסה של DetectCustomLabels API שלך, כפי שמוצג בתרשים הארכיטקטורה הבא.
API Gateway מעביר את בקשת ההסקה של המשתמש אל AWS למבדה. Lambda הוא שירות מחשוב נטול שרתים מונע אירועים המאפשר לך להריץ קוד כמעט עבור כל סוג של יישום או שירות אחורי מבלי להקצות או לנהל שרתים. Lambda מקבל את בקשת ה-API וקורא ל-Amazon Rekognition DetectCustomLabels API עם הרשאות IAM הדרושות. למידע נוסף על אופן הגדרת API Gateway עם שילוב Lambda, עיין ב הגדר אינטגרציות של Lambda proxy ב-API Gateway.
להלן דוגמה לקוד פונקציית Lambda לקריאה ל-DetectCustomLabels API:
לנקות את
כדי למחוק את זרימת העבודה, השתמש ב-AWS SAM CLI:
כדי למחוק את מודל התוויות המותאמות אישית של Rekognition, אתה יכול להשתמש במסוף הזיהוי של Amazon או ב-AWS SDK. למידע נוסף, עיין ב מחיקת דגם של אמזון זיהוי תוויות מותאמות אישית.
סיכום
בפוסט זה, עברנו על זרימת עבודה של Step Functions כדי ליצור מערך נתונים ולאחר מכן לאמן, להעריך ולהשתמש במודל של זיהוי תוויות מותאמות אישית. זרימת העבודה מאפשרת למפתחי יישומים ומהנדסי ML להפוך את שלבי סיווג התוויות המותאם אישית לכל מקרה של שימוש בראייה ממוחשבת. הקוד עבור זרימת העבודה הוא בקוד פתוח.
למשאבי למידה נוספים ללא שרת, בקר ארץ ללא שרתים. למידע נוסף על תוויות מותאמות אישית של זיהוי, בקר תוויות מותאמות אישית של Amazon Rekognition.
על המחבר
וודה רמאן הוא ארכיטקט פתרונות מומחה בכיר ללמידת מכונה המבוסס במרילנד. Veda עובדת עם לקוחות כדי לעזור להם לבנות יישומי למידת מכונה יעילים, מאובטחים וניתנים להרחבה. Veda מעוניינת לעזור ללקוחות למנף טכנולוגיות ללא שרתים ללימוד מכונה.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :הוא
- $ למעלה
- 100
- 7
- 8
- a
- אודות
- גישה
- במדויק
- לרוחב
- מעשים
- בנוסף
- לאחר
- נגד
- אלגוריתמים
- מאפשר
- כְּבָר
- אמזון בעברית
- אמזון
- אנליזה
- לנתח
- ו
- API
- ממשקי API
- בקשה
- יישומים
- ארכיטקטורה
- ARE
- AS
- עצרת
- At
- אוטומטי
- באופן אוטומטי
- אוטומציה
- זמין
- AWS
- פונקציות שלב AWS
- קצה אחורי
- איזון
- מבוסס
- כי
- הופך להיות
- להתחיל
- מאחור
- מאחורי הקלעים
- בֵּין
- גוּף
- לִבנוֹת
- בִּניָן
- בונה
- עסקים
- שיחה
- שיחה
- שיחות
- CAN
- יכולות
- אשר
- מקרה
- קטגוריות
- CD
- תווים
- לבדוק
- לבחור
- מיון
- לסווג
- לקוחות
- קוד
- להשלים
- לחשב
- המחשב
- ראייה ממוחשבת
- קונסול
- הקשר
- יכול
- לִיצוֹר
- נוצר
- יוצרים
- הקריטריונים
- מנהג
- לקוחות
- נתונים
- מערכי נתונים
- החלטות
- לפרוס
- פרס
- פריסה
- פריסה
- פרטים
- איתור
- מפתחים
- ישירות
- לְהַבחִין
- מופץ
- לא
- דֶלֶת
- קל
- קל לשימוש
- יעיל
- או
- נקודת קצה
- מהנדסים
- מספיק
- Ether (ETH)
- להעריך
- הערכה
- הערכה
- אירוע
- דוגמה
- קיימים
- מומחיות
- מוסבר
- f1
- נכשל
- נכשל
- מָשׁוֹב
- מעטים
- שלח
- ראשון
- הבא
- כדלקמן
- בעד
- החל מ-
- חזית
- לגמרי
- פונקציה
- פונקציות
- שער כניסה
- יצירת
- Git
- קרקע
- יש
- בריא
- כבד
- הרמת כבד
- לעזור
- עזרה
- עוזר
- אירוח
- שעות
- איך
- איך
- HTML
- HTTPS
- IAM
- לזהות
- זהות
- תמונה
- ניתוח תמונה
- סיווג תמונות
- תמונות
- in
- מידע
- במקום
- לשלב
- השתלבות
- ואינטגרציות
- מעוניין
- מִמְשָׁק
- כרוך
- IT
- ג'סון
- תווית
- תיוג
- תוויות
- גָדוֹל
- לִלמוֹד
- למידה
- מאפשר לי
- תנופה
- רמה
- קו
- המון
- מקומי
- סֵמֶל
- מכונה
- למידת מכונה
- לתחזק
- לעשות
- עושה
- הצליח
- ניהול
- מדריך ל
- עבודה ידנית
- רב
- מרילנד
- מדיה
- שיטות
- מטרי
- מדדים
- מיקרו
- יכול
- מיליונים
- דקות
- ML
- אלגוריתמים של ML
- מודל
- צג
- חודשים
- יותר
- נווט
- הכרחי
- צורך
- צרכי
- חדש
- אובייקט
- זיהוי אובייקט
- of
- on
- OS
- תפוקה
- חבילה
- מקביל
- חלקים
- מעברי
- לבצע
- ביצועים
- ביצוע
- הרשאות
- צמחים
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- הודעה
- הודעות
- דיוק
- התחזיות
- להכין
- קודם
- תהליכים
- מוצרים
- פּרוֹיֶקט
- לספק
- מספק
- פרוקסי
- בפומבי
- לפרסם
- עולם אמיתי
- זמן אמת
- קיבלו
- מקבל
- להפחית
- מאגר
- המייצג
- לבקש
- לדרוש
- דורש
- משאבים
- תגובה
- לַחֲזוֹר
- הפעלה
- s
- בעל חכמים
- סם
- מרוצה
- מרוצה מ
- להרחבה
- סולם
- סצנות
- ציון
- Sdk
- לבטח
- לחצני מצוקה לפנסיונרים
- סדרה
- ללא שרת
- שרתים
- שרות
- שירותים
- סט
- כמה
- המדפים
- לְהַצִיג
- הראה
- משמעותי
- פָּשׁוּט
- בפשטות
- since
- קטן
- חֶברָתִי
- מדיה חברתית
- פוסטים ברשתות החברתיות
- פתרונות
- מומחה
- ספציפי
- התחלה
- מצב
- שלב
- צעדים
- אחסון
- חנות
- מִבְנֶה
- לקחת
- נטילת
- צוותי
- טכנולוגיות
- מבחן
- זֶה
- אל האני
- אותם
- אלפים
- דרך
- זמן
- ל
- רכבת
- מְאוּמָן
- הדרכה
- רכבות
- בדרך כלל
- להשתמש
- במקרה להשתמש
- אימות
- באמצעות
- וידאו
- כמעט
- חזון
- לְבַקֵר
- הלך
- אשר
- עם
- בתוך
- לְלֹא
- תיק עבודות
- זרימת עבודה
- עובד
- זפירנט