met Aangepaste labels voor Amazon-herkenning, je kan hebben Amazon Rekognition train een aangepast model voor objectdetectie of beeldclassificatie specifiek voor uw zakelijke behoeften. Rekognition Custom Labels kan bijvoorbeeld uw logo vinden in berichten op sociale media, uw producten in de winkelschappen identificeren, machineonderdelen in een lopende band classificeren, gezonde en geïnfecteerde planten onderscheiden of geanimeerde karakters in video's detecteren.
Het ontwikkelen van een Rekognition Custom Labels-model om afbeeldingen te analyseren is een aanzienlijke onderneming die tijd, expertise en middelen vereist en vaak maanden in beslag neemt. Bovendien zijn er vaak duizenden of tienduizenden met de hand gelabelde afbeeldingen nodig om het model van voldoende gegevens te voorzien om nauwkeurige beslissingen te nemen. Het kan maanden duren voordat deze gegevens zijn verzameld en er zijn grote teams van labelers nodig om ze voor te bereiden voor gebruik in machine learning (ML).
Met Rekognition Custom Labels nemen wij het zware werk voor u uit handen. Rekognition Custom Labels bouwt voort op de bestaande mogelijkheden van Amazon Rekognition, dat al is getraind op tientallen miljoenen afbeeldingen in vele categorieën. In plaats van duizenden afbeeldingen hoeft u alleen maar een kleine set trainingsafbeeldingen (meestal een paar honderd afbeeldingen of minder) te uploaden die specifiek zijn voor uw use case via onze gebruiksvriendelijke console. Als uw afbeeldingen al zijn gelabeld, kan Amazon Rekognition met slechts een paar klikken beginnen met trainen. Als dat niet het geval is, kunt u ze rechtstreeks in de labelinterface van Amazon Rekognition labelen of gebruiken Amazon SageMaker Grondwaarheid om ze voor u te labelen. Nadat Amazon Rekognition begint met trainen vanuit uw afbeeldingenset, produceert het binnen enkele uren een aangepast beeldanalysemodel voor u. Achter de schermen laadt en inspecteert Rekognition Custom Labels automatisch de trainingsgegevens, selecteert de juiste ML-algoritmen, traint een model en levert prestatiestatistieken van het model. Vervolgens kunt u uw maatwerkmodel gebruiken via de Rekognition Custom Labels API en integreren in uw applicaties.
Het bouwen van een Rekognition Custom Labels-model en het hosten ervan voor real-time voorspellingen omvat echter verschillende stappen: een project maken, de trainings- en validatiegegevenssets maken, het model trainen, het model evalueren en vervolgens een eindpunt maken. Nadat het model is geïmplementeerd voor inferentie, moet u het model mogelijk opnieuw trainen wanneer er nieuwe gegevens beschikbaar komen of als er feedback wordt ontvangen van real-world inferentie. Door de hele workflow te automatiseren, kan handmatig werk worden verminderd.
In dit bericht laten we zien hoe je kunt gebruiken AWS Stap Functies om de workflow op te bouwen en te automatiseren. Step Functions is een visuele workflowservice die ontwikkelaars helpt AWS-services te gebruiken om gedistribueerde applicaties te bouwen, processen te automatiseren, microservices te orkestreren en data- en ML-pijplijnen te creëren.
Overzicht oplossingen
De werkstroom Stapfuncties is als volgt:
- We maken eerst een Amazon Recognition-project.
- Tegelijkertijd maken we de training en de validatiedatasets met behulp van bestaande datasets. We kunnen de volgende methodes gebruiken:
- Importeer een mappenstructuur uit Amazon eenvoudige opslagservice (Amazon S3) met de mappen die de labels vertegenwoordigen.
- Gebruik een lokale computer.
- Gebruik grondwaarheid.
- Maak een dataset met behulp van een bestaande dataset met de AWS SDK.
- Maak een dataset met een manifestbestand met de AWS SDK.
- Nadat de datasets zijn gemaakt, trainen we een Custom Labels-model met behulp van de CreateProjectVersie API. Dit kan enkele minuten tot uren duren.
- Nadat het model is getraind, evalueren we het model met behulp van de F1-score-uitvoer van de vorige stap. We gebruiken de F1-score als onze evaluatiestatistiek omdat deze een balans biedt tussen precisie en herinnering. U kunt ook precisie of terugroepen gebruiken als uw modelevaluatiestatistieken. Raadpleeg voor meer informatie over maatstaven voor de evaluatie van aangepaste labels Statistieken voor het evalueren van uw model.
- We gaan het model dan gebruiken voor voorspellingen als we tevreden zijn met de F1-score.
Het volgende diagram illustreert de stapfuncties-workflow.
Voorwaarden
Voordat we de workflow implementeren, moeten we de bestaande datasets voor training en validatie maken. Voer de volgende stappen uit:
- Eerste, een Amazon Recognition-project maken.
- Vervolgens de trainings- en validatiedatasets maken.
- Tenslotte installeer de AWS SAM CLI.
Implementeer de werkstroom
Om de werkstroom te implementeren, kloont u het GitHub-repository:
Deze opdrachten bouwen, verpakken en implementeren uw applicatie naar AWS, met een reeks prompts zoals uitgelegd in de repository.
Voer de workflow uit
Om de workflow te testen, navigeert u naar de geïmplementeerde workflow op de Step Functions-console en kiest u vervolgens Start de uitvoering.
Het voltooien van de workflow kan enkele minuten tot enkele uren in beslag nemen. Als het model voldoet aan de evaluatiecriteria, wordt er een eindpunt voor het model gemaakt in Amazon Rekognition. Als het model niet voldoet aan de evaluatiecriteria of als de training is mislukt, mislukt de werkstroom. U kunt de status van de werkstroom controleren op de Step Functions-console. Voor meer informatie, zie Uitvoeringen bekijken en debuggen op de Step Functions-console.
Modelvoorspellingen uitvoeren
Om voorspellingen tegen het model uit te voeren, kunt u de Amazon Herkenning DetectCustomLabels API. Om deze API aan te roepen, moet de aanroeper over het nodige beschikken AWS Identiteits- en toegangsbeheer (IAM) machtigingen. Raadpleeg voor meer informatie over het uitvoeren van voorspellingen met deze API Een afbeelding analyseren met een getraind model.
Als u de DetectCustomLabels API echter openbaar moet maken, kunt u de DetectCustomLabels API fronten met Amazon API-gateway. API Gateway is een volledig beheerde service waarmee ontwikkelaars eenvoudig API's op elke schaal kunnen maken, publiceren, onderhouden, bewaken en beveiligen. API Gateway fungeert als de voordeur voor uw DetectCustomLabels API, zoals weergegeven in het volgende architectuurdiagram.
API Gateway stuurt het deductieverzoek van de gebruiker door naar AWS Lambda. Lambda is een serverloze, gebeurtenisgestuurde rekenservice waarmee u code kunt uitvoeren voor vrijwel elk type applicatie of backend-service zonder servers in te richten of te beheren. Lambda ontvangt het API-verzoek en roept de Amazon Rekognition DetectCustomLabels API aan met de benodigde IAM-machtigingen. Raadpleeg voor meer informatie over het instellen van API Gateway met Lambda-integratie Stel Lambda-proxy-integraties in API Gateway in.
Het volgende is een voorbeeld van een Lambda-functiecode om de DetectCustomLabels API aan te roepen:
Opruimen
Gebruik de AWS SAM CLI om de workflow te verwijderen:
Om het Rekognition Custom Labels-model te verwijderen, kunt u de Amazon Rekognition-console of de AWS SDK gebruiken. Voor meer informatie, zie Een Amazon Rekognition Custom Labels-model verwijderen.
Conclusie
In dit bericht hebben we een Step Functions-workflow doorlopen om een dataset te maken en vervolgens een Rekognition Custom Labels-model te trainen, te evalueren en te gebruiken. De workflow stelt applicatieontwikkelaars en ML-engineers in staat om de aangepaste labelclassificatiestappen te automatiseren voor elk gebruiksscenario voor computervisie. De code voor de workflow is open-source.
Ga voor meer serverloze leermiddelen naar Serverloos land. Ga voor meer informatie over aangepaste labels van Herkenning naar Aangepaste labels voor Amazon-herkenning.
Over de auteur
Veda Raman is een Senior Specialist Solutions Architect voor machine learning, gevestigd in Maryland. Veda werkt samen met klanten om hen te helpen bij het ontwerpen van efficiënte, veilige en schaalbare machine learning-applicaties. Veda is geïnteresseerd in het helpen van klanten om serverloze technologieën te gebruiken voor machine learning.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :is
- $UP
- 100
- 7
- 8
- a
- Over
- toegang
- nauwkeurig
- over
- Handelingen
- Daarnaast
- Na
- tegen
- algoritmen
- toestaat
- al
- Amazone
- Amazon Rekognition
- analyse
- analyseren
- en
- api
- APIs
- Aanvraag
- toepassingen
- architectuur
- ZIJN
- AS
- bijeenkomst
- At
- automatiseren
- webmaster.
- automatiseren
- Beschikbaar
- AWS
- AWS Stap Functies
- backend
- Balance
- gebaseerde
- omdat
- wordt
- beginnen
- achter
- Achter de schermen
- tussen
- lichaam
- bouw
- Gebouw
- bouwt
- bedrijfsdeskundigen
- Bellen
- bezoeker
- oproepen
- CAN
- mogelijkheden
- verzorging
- geval
- categorieën
- CD
- tekens
- controle
- Kies
- classificatie
- classificeren
- klant
- code
- compleet
- Berekenen
- computer
- Computer visie
- troosten
- verband
- kon
- en je merk te creëren
- aangemaakt
- Wij creëren
- criteria
- gewoonte
- Klanten
- gegevens
- datasets
- beslissingen
- implementeren
- ingezet
- het inzetten
- inzet
- gegevens
- Opsporing
- ontwikkelaars
- direct
- onderscheiden
- verdeeld
- Nee
- Deur
- En het is heel gemakkelijk
- gemakkelijk te gebruiken
- doeltreffend
- beide
- Endpoint
- Ingenieurs
- genoeg
- Ether (ETH)
- schatten
- evalueren
- evaluatie
- Event
- voorbeeld
- bestaand
- expertise
- uitgelegd
- f1
- Mislukt
- mislukt
- feedback
- weinig
- Dien in
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- Voornaam*
- volgend
- volgt
- Voor
- oppompen van
- voor
- geheel
- functie
- functies
- poort
- het genereren van
- Git
- Ground
- Hebben
- gezond
- zwaar
- zwaar tillen
- hulp
- het helpen van
- helpt
- Hosting
- HOURS
- Hoe
- How To
- HTML
- HTTPS
- IAM
- identificeren
- Identiteit
- beeld
- foto analyse
- Afbeeldingsclassificatie
- afbeeldingen
- in
- informatie
- verkrijgen in plaats daarvan
- integreren
- integratie
- integraties
- geïnteresseerd
- Interface
- gaat
- IT
- json
- label
- etikettering
- labels
- Groot
- LEARN
- leren
- Laten we
- Hefboomwerking
- facelift
- Lijn
- ladingen
- lokaal
- logo
- machine
- machine learning
- onderhouden
- maken
- MERKEN
- beheerd
- beheren
- handboek
- handwerk
- veel
- Maryland
- Media
- methoden
- metriek
- Metriek
- microservices
- macht
- miljoenen
- minuten
- ML
- ML-algoritmen
- model
- monitor
- maanden
- meer
- OP DEZE WEBSITE VIND JE
- noodzakelijk
- Noodzaak
- behoeften
- New
- object
- Objectdetectie
- of
- on
- OS
- uitgang
- pakket
- Parallel
- onderdelen
- passes
- uitvoeren
- prestatie
- uitvoerend
- permissies
- planten
- Plato
- Plato gegevensintelligentie
- PlatoData
- Post
- Berichten
- precisie
- Voorspellingen
- Voorbereiden
- vorig
- processen
- Producten
- project
- zorgen voor
- biedt
- volmacht
- in het openbaar
- publiceren
- echte wereld
- real-time
- ontvangen
- ontvangt
- verminderen
- bewaarplaats
- vertegenwoordigen
- te vragen
- vereisen
- vereist
- Resources
- antwoord
- terugkeer
- lopen
- s
- sagemaker
- Sam
- tevreden
- tevreden met
- schaalbare
- Scale
- Scenes
- partituur
- sdk
- beveiligen
- senior
- -Series
- Serverless
- Servers
- service
- Diensten
- reeks
- verscheidene
- schappen
- tonen
- getoond
- aanzienlijke
- Eenvoudig
- eenvoudigweg
- sinds
- Klein
- Social
- social media
- Posts op sociale media
- Oplossingen
- specialist
- specifiek
- begin
- Status
- Stap voor
- Stappen
- mediaopslag
- shop
- structuur
- Nemen
- het nemen
- teams
- Technologies
- proef
- dat
- De
- Ze
- duizenden kosten
- Door
- niet de tijd of
- naar
- Trainen
- getraind
- Trainingen
- treinen
- typisch
- .
- use case
- bevestiging
- via
- Video's
- virtueel
- visie
- Bezoek
- wandelde
- welke
- Met
- binnen
- zonder
- Mijn werk
- workflow
- Bedrijven
- Your
- zephyrnet