Amazon Rekognitionカスタムラベル、 あなたが持つことができます Amazonの再認識 ビジネス ニーズに固有のオブジェクト検出または画像分類用のカスタム モデルをトレーニングします。 たとえば、Rekognition カスタム ラベルは、ソーシャル メディアの投稿でロゴを見つけたり、店頭で製品を識別したり、組み立てラインで機械部品を分類したり、健康な植物と感染した植物を区別したり、動画内のアニメーション キャラクターを検出したりできます。
画像を分析するための Rekognition Custom Labels モデルの開発は、時間、専門知識、およびリソースを必要とする重要な作業であり、完了までに数か月かかることもよくあります。 さらに、正確な意思決定を行うのに十分なデータをモデルに提供するために、手作業でラベル付けされた数千または数万の画像が必要になることがよくあります。 このデータを生成するには、収集に数か月かかる場合があり、機械学習 (ML) で使用できるようにするには、大規模なラベラー チームがデータを準備する必要があります。
Rekognition カスタム ラベルを使用すると、面倒な作業を代行できます。 Rekognition Custom Labels は、Amazon Rekognition の既存の機能に基づいて構築されています。Amazon Rekognition は、多くのカテゴリにわたる数千万の画像で既にトレーニングされています。 何千もの画像の代わりに、使いやすいコンソールを介してユースケースに固有の小さなトレーニング画像セット (通常は数百画像以下) をアップロードするだけです。 画像がすでにラベル付けされている場合、Amazon Rekognition は数回クリックするだけでトレーニングを開始できます。 そうでない場合は、Amazon Rekognition のラベル付けインターフェイス内で直接ラベル付けするか、 Amazon SageMakerグラウンドトゥルース ラベルを付けます。 Amazon Rekognition が画像セットからトレーニングを開始すると、わずか数時間でカスタム画像分析モデルが作成されます。 バックグラウンドで、Rekognition Custom Labels は自動的にトレーニング データを読み込んで検査し、適切な ML アルゴリズムを選択し、モデルをトレーニングし、モデル パフォーマンス メトリックを提供します。 その後、Rekognition Custom Labels API を介してカスタム モデルを使用し、それをアプリケーションに統合できます。
ただし、Rekognition Custom Labels モデルを構築してリアルタイム予測用にホストするには、プロジェクトの作成、トレーニングおよび検証データセットの作成、モデルのトレーニング、モデルの評価、エンドポイントの作成といういくつかの手順が必要です。 推論のためにモデルをデプロイした後、新しいデータが利用可能になったとき、または実際の推論からフィードバックを受け取った場合は、モデルの再トレーニングが必要になる場合があります。 ワークフロー全体を自動化すると、手作業を減らすことができます。
この投稿では、どのように使用できるかを示します AWSステップ関数 ワークフローを構築して自動化します。 Step Functions は、開発者が AWS のサービスを使用して分散アプリケーションを構築し、プロセスを自動化し、マイクロサービスを調整し、データと ML パイプラインを作成するのに役立つビジュアル ワークフロー サービスです。
ソリューションの概要
Step Functions のワークフローは次のとおりです。
- まず、Amazon Rekognition プロジェクトを作成します。
- 並行して、既存のデータセットを使用してトレーニング データセットと検証データセットを作成します。 次の方法を使用できます。
- からフォルダー構造をインポートする Amazon シンプル ストレージ サービス (Amazon S3) ラベルを表すフォルダ。
- ローカル コンピューターを使用します。
- グラウンド トゥルースを使用します。
- AWS SDK で既存のデータセットを使用してデータセットを作成する.
- AWS SDK を使用してマニフェスト ファイルを含むデータセットを作成する.
- データセットが作成されたら、カスタム ラベル モデルをトレーニングします。 プロジェクトバージョンの作成 API。 これには数分から数時間かかる場合があります。
- モデルがトレーニングされた後、前のステップから出力された F1 スコアを使用してモデルを評価します。 F1 スコアは精度と再現率のバランスを提供するため、評価指標として使用します。 モデル評価指標として適合率または再現率を使用することもできます。 カスタム ラベル評価指標の詳細については、次を参照してください。 モデルを評価するための指標.
- F1 スコアに満足すれば、モデルを予測に使用し始めます。
次の図は、Step Functions ワークフローを示しています。
前提条件
ワークフローをデプロイする前に、既存のトレーニングおよび検証データセットを作成する必要があります。 次の手順を完了します。
- まず、 Amazon Rekognition プロジェクトを作成する.
- その後、 トレーニングと検証のデータセットを作成する.
- 最後に、 AWSSAMCLIをインストールします.
ワークフローをデプロイする
ワークフローをデプロイするには、 GitHubリポジトリ:
これらのコマンドは、リポジトリで説明されている一連のプロンプトを使用して、アプリケーションをビルド、パッケージ化、および AWS にデプロイします。
ワークフローを実行する
ワークフローをテストするには、Step Functions コンソールでデプロイされたワークフローに移動し、 実行を開始します.
ワークフローが完了するまでに数分から数時間かかる場合があります。 モデルが評価基準に合格すると、モデルのエンドポイントが Amazon Rekognition に作成されます。 モデルが評価基準を満たさない場合、またはトレーニングが失敗した場合、ワークフローは失敗します。 Step Functions コンソールでワークフローのステータスを確認できます。 詳細については、次を参照してください。 Step Functions コンソールでの実行の表示とデバッグ.
モデル予測を実行する
モデルに対して予測を実行するには、 Amazon Rekognition DetectCustomLabels API. この API を呼び出すには、呼び出し元が必要な AWS IDおよびアクセス管理 (IAM) アクセス許可。 この API を使用した予測の実行の詳細については、次を参照してください。 トレーニング済みモデルを使用した画像の分析.
ただし、DetectCustomLabels API を公開する必要がある場合は、DetectCustomLabels API の前に アマゾンAPIゲートウェイ. API Gateway は、開発者があらゆる規模で API を簡単に作成、公開、維持、監視、保護できるようにするフル マネージド サービスです。 API Gateway は、次のアーキテクチャ図に示すように、DetectCustomLabels API のフロント ドアとして機能します。
API Gateway はユーザーの推論リクエストを AWSラムダ. Lambda は、サーバーをプロビジョニングまたは管理することなく、ほぼすべてのタイプのアプリケーションまたはバックエンド サービスのコードを実行できる、サーバーレスのイベント駆動型コンピューティング サービスです。 Lambda は API リクエストを受け取り、必要な IAM アクセス許可で Amazon Rekognition DetectCustomLabels API を呼び出します。 Lambda 統合を使用して API Gateway を設定する方法の詳細については、次を参照してください。 API Gateway で Lambda プロキシ統合を設定する.
以下は、DetectCustomLabels API を呼び出す Lambda 関数コードの例です。
クリーンアップ
ワークフローを削除するには、AWS SAM CLI を使用します。
Rekognition カスタム ラベル モデルを削除するには、Amazon Rekognition コンソールまたは AWS SDK を使用できます。 詳細については、次を参照してください。 Amazon Rekognition カスタム ラベル モデルの削除.
まとめ
この投稿では、Step Functions のワークフローを順を追って説明し、データセットを作成してから、Rekognition カスタム ラベル モデルをトレーニング、評価、使用しました。 このワークフローにより、アプリケーション開発者と ML エンジニアは、コンピューター ビジョンのユース ケースのカスタム ラベル分類手順を自動化できます。 ワークフローのコードはオープンソースです。
その他のサーバーレス学習リソースについては、次のサイトをご覧ください。 サーバーレスランド. Rekognition カスタム ラベルの詳細については、次の Web サイトをご覧ください。 Amazon Rekognitionカスタムラベル.
著者について
ヴェーダ ラマン メリーランド州を拠点とする機械学習のシニア スペシャリスト ソリューション アーキテクトです。 Veda はお客様と協力して、効率的で安全かつスケーラブルな機械学習アプリケーションの設計を支援します。 Veda は、お客様が機械学習にサーバーレス テクノロジを活用できるよう支援することに関心を持っています。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :は
- $UP
- 100
- 7
- 8
- a
- 私たちについて
- アクセス
- 正確にデジタル化
- 越えて
- 使徒行伝
- さらに
- 後
- に対して
- アルゴリズム
- ことができます
- 既に
- Amazon
- Amazonの再認識
- 分析
- 分析します
- &
- API
- API
- 申し込み
- 建築
- です
- AS
- アセンブリ
- At
- 自動化する
- 自動的に
- 自動化する
- 利用できます
- AWS
- AWSステップ関数
- バックエンド
- ベース
- なぜなら
- になる
- 始まる
- 背後に
- 舞台裏で
- の間に
- ボディ
- ビルド
- 建物
- 構築します
- ビジネス
- コール
- 発信者
- コール
- 缶
- 機能
- これ
- 場合
- カテゴリ
- CD
- 文字
- チェック
- 選択する
- 分類
- 分類します
- クライアント
- コード
- コンプリート
- 計算
- コンピュータ
- Computer Vision
- 領事
- コンテキスト
- 可能性
- 作ります
- 作成した
- 作成
- 基準
- カスタム
- Customers
- データ
- データセット
- 決定
- 展開します
- 展開
- 展開する
- 展開
- 細部
- 検出
- 開発者
- 直接に
- 見分けます
- 配布
- そうではありません
- によって
- 簡単に
- 使いやすい
- 効率的な
- どちら
- エンドポイント
- エンジニア
- 十分な
- エーテル(ETH)
- 評価する
- 評価します
- 評価
- イベント
- 例
- 既存の
- 専門知識
- 説明
- f1
- Failed:
- 失敗
- フィードバック
- 少数の
- File
- もう完成させ、ワークスペースに掲示しましたか?
- 名
- フォロー中
- 次
- から
- フロント
- 完全に
- function
- 機能
- ゲートウェイ
- 生成
- Gitの
- 陸上
- 持ってる
- 健康
- ヘビー
- 重いもの
- 助けます
- 助け
- ことができます
- ホスティング
- HOURS
- 認定条件
- How To
- HTML
- HTTPS
- IAM
- 識別する
- アイデンティティ
- 画像
- 画像分析
- 画像分類
- 画像
- in
- 情報
- を取得する必要がある者
- 統合する
- 統合
- 統合
- 興味がある
- インタフェース
- 関与
- IT
- JSON
- ラベル
- ラベリング
- ラベル
- 大
- LEARN
- 学習
- ことができます
- 活用します
- フェイスリフト
- LINE
- 負荷
- ローカル
- ロゴ
- 機械
- 機械学習
- 維持する
- make
- 作る
- マネージド
- 管理する
- マニュアル
- 手仕事
- 多くの
- メリーランド
- メディア
- メソッド
- メトリック
- メトリック
- マイクロサービス
- かもしれない
- 何百万
- 分
- ML
- MLアルゴリズム
- モニター
- ヶ月
- 他には?
- ナビゲート
- 必要
- 必要
- ニーズ
- 新作
- オブジェクト
- オブジェクト検出
- of
- on
- OS
- 出力
- パッケージ
- 並列シミュレーションの設定
- 部品
- パス
- 実行する
- パフォーマンス
- 実行
- パーミッション
- 植物
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- ポスト
- 投稿
- 精度
- 予測
- 準備
- 前
- ラボレーション
- 製品
- プロジェクト
- 提供します
- は、大阪で
- 代理
- 公然と
- パブリッシュ
- 現実の世界
- への
- 受け
- 受け取り
- 減らします
- 倉庫
- 表します
- 要求
- 必要とする
- 必要
- リソース
- 応答
- return
- ラン
- s
- セージメーカー
- サム
- 満足
- に満足
- ド電源のデ
- 規模
- シーン
- スコア
- SDDK
- 安全に
- シニア
- シリーズ
- サーバレス
- サーバー
- サービス
- サービス
- セッションに
- いくつかの
- 棚
- 表示する
- 示す
- 重要
- 簡単な拡張で
- 単に
- から
- 小さい
- 社会
- ソーシャルメディア
- ソーシャルメディアの投稿
- ソリューション
- 専門家
- 特定の
- start
- Status:
- 手順
- ステップ
- ストレージ利用料
- 店舗
- 構造
- 取る
- 取得
- チーム
- テクノロジー
- test
- それ
- それら
- 数千
- 介して
- 時間
- 〜へ
- トレーニング
- 訓練された
- トレーニング
- 列車
- 一般的に
- つかいます
- 使用事例
- 、
- 動画
- 事実上
- ビジョン
- 訪問
- 歩いた
- which
- 以内
- 無し
- 仕事
- ワークフロー
- 作品
- あなたの
- ゼファーネット