와 Amazon Rekognition 사용자 지정 레이블, 당신은 가질 수 있습니다 아마존 인식 비즈니스 요구 사항에 맞는 객체 감지 또는 이미지 분류를 위한 사용자 지정 모델을 교육합니다. 예를 들어 Rekognition Custom Labels는 소셜 미디어 게시물에서 로고를 찾고, 매장 진열대에서 제품을 식별하고, 조립 라인에서 기계 부품을 분류하고, 건강한 식물과 감염된 식물을 구별하거나, 비디오에서 애니메이션 캐릭터를 감지할 수 있습니다.
이미지를 분석하기 위해 Rekognition Custom Labels 모델을 개발하는 것은 시간, 전문 지식 및 리소스가 필요한 중요한 작업이며 완료하는 데 종종 몇 달이 걸립니다. 또한 정확한 결정을 내리기에 충분한 데이터를 모델에 제공하기 위해 종종 수천 또는 수만 개의 손으로 레이블이 지정된 이미지가 필요합니다. 이 데이터를 생성하려면 수집하는 데 몇 달이 걸릴 수 있으며 기계 학습(ML)에서 사용할 수 있도록 준비하려면 대규모 레이블러 팀이 필요합니다.
Rekognition Custom Labels를 사용하면 어려운 작업을 처리해 드립니다. Rekognition Custom Labels는 Amazon Rekognition의 기존 기능을 기반으로 합니다. Amazon Rekognition은 여러 범주에 걸쳐 수천만 개의 이미지에 대해 이미 교육을 받았습니다. 수천 개의 이미지 대신 사용하기 쉬운 콘솔을 통해 사용 사례에 특정한 작은 훈련 이미지 세트(일반적으로 수백 개 이하)를 업로드하기만 하면 됩니다. 이미지에 이미 레이블이 지정된 경우 Amazon Rekognition은 몇 번의 클릭만으로 훈련을 시작할 수 있습니다. 그렇지 않은 경우 Amazon Rekognition 레이블 지정 인터페이스 내에서 직접 레이블을 지정하거나 다음을 사용할 수 있습니다. 아마존 세이지 메이커 그라운드 진실 당신을 위해 라벨을 지정합니다. Amazon Rekognition은 이미지 세트에서 교육을 시작한 후 단 몇 시간 만에 사용자 지정 이미지 분석 모델을 생성합니다. 백그라운드에서 Rekognition Custom Labels는 교육 데이터를 자동으로 로드 및 검사하고, 올바른 ML 알고리즘을 선택하고, 모델을 교육하고, 모델 성능 지표를 제공합니다. 그런 다음 Rekognition Custom Labels API를 통해 사용자 정의 모델을 사용하고 애플리케이션에 통합할 수 있습니다.
그러나 Rekognition Custom Labels 모델을 구축하고 실시간 예측을 위해 호스팅하려면 프로젝트 생성, 훈련 및 검증 데이터 세트 생성, 모델 훈련, 모델 평가, 엔드포인트 생성 등 여러 단계가 필요합니다. 추론을 위해 모델을 배포한 후 새 데이터를 사용할 수 있게 되거나 실제 추론에서 피드백을 받는 경우 모델을 다시 훈련해야 할 수 있습니다. 전체 워크플로를 자동화하면 수동 작업을 줄이는 데 도움이 될 수 있습니다.
이 게시물에서 우리는 당신이 사용하는 방법을 보여줍니다 AWS 단계 함수 워크플로를 구축하고 자동화합니다. Step Functions는 개발자가 AWS 서비스를 사용하여 분산 애플리케이션을 구축하고, 프로세스를 자동화하고, 마이크로서비스를 오케스트레이션하고, 데이터 및 ML 파이프라인을 생성하는 데 도움이 되는 시각적 워크플로 서비스입니다.
솔루션 개요
Step Functions 워크플로는 다음과 같습니다.
- 먼저 Amazon Rekognition 프로젝트를 생성합니다.
- 동시에 기존 데이터 세트를 사용하여 교육 및 검증 데이터 세트를 만듭니다. 다음 방법을 사용할 수 있습니다.
- 다음에서 폴더 구조 가져오기 아마존 단순 스토리지 서비스 (Amazon S3) 레이블을 나타내는 폴더가 있습니다.
- 로컬 컴퓨터를 사용하십시오.
- Ground Truth를 사용합니다.
- AWS SDK로 기존 데이터 세트를 사용하여 데이터 세트 생성.
- AWS SDK를 사용하여 매니페스트 파일로 데이터 세트 생성.
- 데이터 세트가 생성된 후 다음을 사용하여 Custom Labels 모델을 교육합니다. 프로젝트버전 생성 API. 완료하는 데 몇 분에서 몇 시간이 걸릴 수 있습니다.
- 모델이 학습된 후 이전 단계의 F1 점수 출력을 사용하여 모델을 평가합니다. 정밀도와 재현율 간의 균형을 제공하기 때문에 F1 점수를 평가 지표로 사용합니다. 정밀도 또는 재현율을 모델 평가 메트릭으로 사용할 수도 있습니다. 맞춤 라벨 평가 측정항목에 대한 자세한 내용은 다음을 참조하세요. 모델 평가를 위한 측정항목.
- 그런 다음 F1 점수에 만족하면 예측을 위해 모델을 사용하기 시작합니다.
다음 다이어그램은 Step Functions 워크플로를 보여줍니다.
사전 조건
워크플로를 배포하기 전에 기존 교육 및 검증 데이터 세트를 만들어야 합니다. 다음 단계를 완료하십시오.
- 첫째, Amazon Rekognition 프로젝트 생성.
- 그런 다음, 교육 및 검증 데이터 세트 생성.
- 마지막으로, AWS SAM CLI 설치.
워크플로 배포
워크플로를 배포하려면 GitHub 저장소:
이러한 명령은 리포지토리에 설명된 일련의 프롬프트와 함께 애플리케이션을 빌드, 패키징 및 AWS에 배포합니다.
워크 플로 실행
워크플로를 테스트하려면 Step Functions 콘솔에서 배포된 워크플로로 이동한 다음 선택합니다. 실행 시작.
워크플로를 완료하는 데 몇 분에서 몇 시간이 걸릴 수 있습니다. 모델이 평가 기준을 통과하면 모델에 대한 엔드포인트가 Amazon Rekognition에 생성됩니다. 모델이 평가 기준을 통과하지 못하거나 교육이 실패하면 워크플로가 실패합니다. Step Functions 콘솔에서 워크플로의 상태를 확인할 수 있습니다. 자세한 내용은 다음을 참조하십시오. Step Functions 콘솔에서 실행 보기 및 디버깅.
모델 예측 수행
모델에 대한 예측을 수행하려면 다음을 호출할 수 있습니다. Amazon Rekognition DetectCustomLabels API. 이 API를 호출하려면 호출자가 필요한 권한을 가지고 있어야 합니다. AWS 자격 증명 및 액세스 관리 (IAM) 권한. 이 API를 사용하여 예측을 수행하는 방법에 대한 자세한 내용은 다음을 참조하세요. 학습된 모델로 이미지 분석.
그러나 DetectCustomLabels API를 공개적으로 노출해야 하는 경우 다음을 사용하여 DetectCustomLabels API를 전면에 표시할 수 있습니다. 아마존 API 게이트웨이. API Gateway는 개발자가 모든 규모에서 API를 쉽게 생성, 게시, 유지 관리, 모니터링 및 보호할 수 있게 해주는 완전 관리형 서비스입니다. API Gateway는 다음 아키텍처 다이어그램과 같이 DetectCustomLabels API의 정문 역할을 합니다.
API Gateway는 사용자의 추론 요청을 다음으로 전달합니다. AWS 람다. Lambda는 서버를 프로비저닝하거나 관리하지 않고도 거의 모든 유형의 애플리케이션 또는 백엔드 서비스에 대한 코드를 실행할 수 있는 서버리스 이벤트 기반 컴퓨팅 서비스입니다. Lambda는 API 요청을 수신하고 필요한 IAM 권한으로 Amazon Rekognition DetectCustomLabels API를 호출합니다. Lambda 통합으로 API Gateway를 설정하는 방법에 대한 자세한 내용은 다음을 참조하십시오. API Gateway에서 Lambda 프록시 통합 설정.
다음은 DetectCustomLabels API를 호출하는 Lambda 함수 코드의 예입니다.
정리
워크플로를 삭제하려면 AWS SAM CLI를 사용합니다.
Rekognition Custom Labels 모델을 삭제하려면 Amazon Rekognition 콘솔 또는 AWS SDK를 사용할 수 있습니다. 자세한 내용은 다음을 참조하십시오. Amazon Rekognition 사용자 지정 레이블 모델 삭제.
결론
이 게시물에서는 Step Functions 워크플로를 통해 데이터 세트를 만든 다음 Rekognition Custom Labels 모델을 훈련, 평가 및 사용했습니다. 이 워크플로를 통해 애플리케이션 개발자와 ML 엔지니어는 모든 컴퓨터 비전 사용 사례에 대한 사용자 지정 레이블 분류 단계를 자동화할 수 있습니다. 워크플로의 코드는 오픈 소스입니다.
더 많은 서버리스 학습 리소스를 보려면 다음을 방문하십시오. 서버리스 랜드. Rekognition 사용자 지정 레이블에 대해 자세히 알아보려면 다음을 방문하십시오. Amazon Rekognition 사용자 지정 레이블.
저자에 관하여
베다 라만 메릴랜드에 기반을 둔 기계 학습을 위한 선임 전문가 솔루션 설계자입니다. Veda는 고객과 협력하여 고객이 효율적이고 안전하며 확장 가능한 기계 학습 애플리케이션을 설계할 수 있도록 지원합니다. Veda는 고객이 기계 학습을 위해 서버리스 기술을 활용하도록 돕는 데 관심이 있습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :이다
- $UP
- 100
- 7
- 8
- a
- 소개
- ACCESS
- 정확히
- 가로질러
- 행위
- 또한
- 후
- 반대
- 알고리즘
- 수
- 이미
- 아마존
- 아마존 인식
- 분석
- 분석하다
- 과
- API를
- API
- 어플리케이션
- 어플리케이션
- 아키텍처
- 있군요
- AS
- 조립
- At
- 자동화
- 자동적으로
- 자동화
- 가능
- AWS
- AWS 단계 함수
- 백엔드
- 잔액
- 기반으로
- 때문에
- 된다
- 시작하다
- 뒤에
- 무대 뒤에서
- 사이에
- 몸
- 빌드
- 건물
- 빌드
- 사업
- 전화
- 방문객
- 통화
- CAN
- 기능
- 한
- 케이스
- 카테고리
- CD
- 문자
- 검사
- 왼쪽 메뉴에서
- 분류
- 분류
- 클라이언트
- 암호
- 완전한
- 계산
- 컴퓨터
- 컴퓨터 비전
- 콘솔에서
- 문맥
- 수
- 만들
- 만든
- 만들기
- 기준
- 관습
- 고객
- 데이터
- 데이터 세트
- 결정
- 배포
- 배포
- 배치
- 전개
- 세부설명
- Detection System
- 개발자
- 직접
- 드러내다
- 분산
- 하지 않습니다
- 문
- 쉽게
- 사용하기 쉬운
- 효율적인
- 중
- 종점
- 엔지니어
- 충분히
- 에테르 (ETH)
- 평가
- 평가
- 평가
- 이벤트
- 예
- 현존하는
- 전문적 지식
- 설명
- f1
- 실패한
- 실패
- 피드백
- 를
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- Find
- 먼저,
- 수행원
- 다음
- 럭셔리
- 에
- 앞
- 충분히
- 기능
- 기능
- 게이트웨이
- 생성
- 힘내
- 육로
- 있다
- 건강은 물론, 경제성까지!
- 무거운
- 무거운 리프팅
- 도움
- 도움이
- 도움이
- 호스팅
- 진료 시간
- 방법
- How To
- HTML
- HTTPS
- IAM
- 확인
- 통합 인증
- 영상
- 이미지 분석
- 이미지 분류
- 형상
- in
- 정보
- 를 받아야 하는 미국 여행자
- 통합
- 완성
- 통합
- 관심있는
- 인터페이스
- 포함
- IT
- JSON
- 라벨
- 레이블링
- 레이블
- 넓은
- 배우다
- 배우기
- 수
- 이점
- 리프팅
- 라인
- 잔뜩
- 지방의
- 심벌 마크
- 기계
- 기계 학습
- 유지하다
- 확인
- 제작
- 관리
- 관리
- 조작
- 수작업
- .
- 메릴랜드
- 미디어
- 방법
- 메트릭
- 통계
- 마이크로 서비스
- 수도
- 수백만
- 분
- ML
- ML 알고리즘
- 모델
- 모니터
- 개월
- 배우기
- 이동
- 필요한
- 필요
- 요구
- 신제품
- 대상
- 객체 감지
- of
- on
- OS
- 출력
- 꾸러미
- 평행
- 부품
- 패스
- 수행
- 성능
- 실행할 수 있는
- 권한
- 식물
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 게시하다
- 게시물
- Precision
- 예측
- Prepare
- 너무 이른
- 프로세스
- 제품
- 프로젝트
- 제공
- 제공
- 대리
- 공개적으로
- 게시
- 현실 세계
- 실시간
- 접수
- 수신
- 감소
- 저장소
- 대표
- 의뢰
- 필요
- 필요
- 자료
- 응답
- return
- 달리기
- s
- 현자
- 샘
- 만족
- 만족하다
- 확장성
- 규모
- 장면
- 점수
- SDK
- 안전해야합니다.
- 연장자
- 연속
- 서버리스
- 서버
- 서비스
- 서비스
- 세트
- 몇몇의
- 선반
- 표시
- 표시
- 상당한
- 단순, 간단, 편리
- 간단히
- 이후
- 작은
- 사회적
- 소셜 미디어
- 소셜 미디어 게시물
- 솔루션
- 전문가
- 구체적인
- 스타트
- Status
- 단계
- 단계
- 저장
- 저장
- 구조
- 받아
- 복용
- 팀
- 기술
- test
- 그
- XNUMXD덴탈의
- 그들
- 수천
- 을 통하여
- 시간
- 에
- Train
- 훈련 된
- 트레이닝
- 기차
- 일반적으로
- 사용
- 유스 케이스
- 확인
- 를 통해
- 동영상
- 사실상
- 시력
- 방문
- 걸었다
- 어느
- 과
- 이내
- 없이
- 작업
- 워크플로우
- 일
- 너의
- 제퍼 넷