Z Etykiety niestandardowe Amazon Rekognition, możesz mieć Amazon Rekognition wytrenuj niestandardowy model wykrywania obiektów lub klasyfikacji obrazów dostosowany do Twoich potrzeb biznesowych. Na przykład niestandardowe etykiety Rekognition mogą znaleźć Twoje logo w postach w mediach społecznościowych, zidentyfikować Twoje produkty na półkach sklepowych, sklasyfikować części maszyn na linii montażowej, rozróżnić zdrowe i zainfekowane rośliny lub wykryć animowane postacie w filmach.
Opracowanie modelu Rekognition Custom Labels do analizy obrazów to duże przedsięwzięcie, które wymaga czasu, wiedzy i zasobów, a jego ukończenie często zajmuje miesiące. Ponadto często wymaga to tysięcy lub dziesiątek tysięcy ręcznie oznakowanych obrazów, aby dostarczyć modelowi wystarczającą ilość danych do podejmowania trafnych decyzji. Zebranie tych danych może zająć miesiące, a przygotowanie ich do użycia w uczeniu maszynowym (ML) wymaga dużych zespołów osób zajmujących się etykietowaniem.
Dzięki etykietom niestandardowym Rekognition zajmiemy się za Ciebie ciężkimi zadaniami. Rekognition Custom Labels opiera się na istniejących możliwościach Amazon Rekognition, które są już przeszkolone na dziesiątkach milionów obrazów w wielu kategoriach. Zamiast tysięcy obrazów, wystarczy przesłać mały zestaw obrazów szkoleniowych (zwykle kilkaset obrazów lub mniej), które są specyficzne dla danego przypadku użycia za pośrednictwem naszej łatwej w obsłudze konsoli. Jeśli Twoje obrazy są już oznaczone, Amazon Rekognition może rozpocząć szkolenie za pomocą zaledwie kilku kliknięć. Jeśli nie, możesz oznaczyć je bezpośrednio w interfejsie etykiet Amazon Rekognition lub użyć Amazon SageMaker Ground Prawda oznaczyć je dla Ciebie. Po tym, jak Amazon Rekognition rozpocznie szkolenie z Twojego zestawu obrazów, w ciągu zaledwie kilku godzin utworzy dla Ciebie niestandardowy model analizy obrazu. Za kulisami Rekognition Custom Labels automatycznie ładuje i sprawdza dane szkoleniowe, wybiera odpowiednie algorytmy ML, trenuje model i dostarcza metryki wydajności modelu. Następnie możesz użyć swojego niestandardowego modelu za pośrednictwem interfejsu API Rekognition Custom Labels i zintegrować go ze swoimi aplikacjami.
Jednak budowanie modelu Rekognition Custom Labels i hostowanie go na potrzeby prognoz w czasie rzeczywistym obejmuje kilka kroków: tworzenie projektu, tworzenie zestawów danych do szkolenia i sprawdzania poprawności, trenowanie modelu, ocenianie modelu, a następnie tworzenie punktu końcowego. Po wdrożeniu modelu na potrzeby wnioskowania może być konieczne ponowne nauczenie modelu, gdy staną się dostępne nowe dane lub jeśli otrzymana zostanie informacja zwrotna z rzeczywistego wnioskowania. Automatyzacja całego przepływu pracy może pomóc zredukować pracę ręczną.
W tym poście pokazujemy, jak możesz użyć Funkcje kroków AWS zbudować i zautomatyzować przepływ pracy. Step Functions to wizualna usługa przepływu pracy, która pomaga programistom używać usług AWS do tworzenia aplikacji rozproszonych, automatyzacji procesów, orkiestracji mikrousług oraz tworzenia potoków danych i uczenia maszynowego.
Omówienie rozwiązania
Przepływ pracy funkcji krokowych jest następujący:
- Najpierw tworzymy projekt Amazon Rekognition.
- Równolegle tworzymy zestawy danych do szkolenia i walidacji przy użyciu istniejących zestawów danych. Możemy skorzystać z następujących metod:
- Importuj strukturę folderów z Usługa Amazon Simple Storage (Amazon S3) z folderami reprezentującymi etykiety.
- Użyj lokalnego komputera.
- Użyj podstawowej prawdy.
- Utwórz zestaw danych przy użyciu istniejącego zestawu danych za pomocą AWS SDK.
- Utwórz zestaw danych z plikiem manifestu za pomocą AWS SDK.
- Po utworzeniu zestawów danych szkolimy model etykiet niestandardowych przy użyciu Utwórz wersję projektu API. Może to potrwać od minut do godzin.
- Po przeszkoleniu modelu oceniamy model przy użyciu danych wyjściowych wyniku F1 z poprzedniego kroku. Używamy wyniku F1 jako naszego miernika oceny, ponieważ zapewnia równowagę między precyzją a przypominaniem. Możesz także użyć precyzji lub wycofania jako metryk oceny modelu. Aby uzyskać więcej informacji na temat metryk oceny etykiet niestandardowych, zobacz Metryki do oceny modelu.
- Następnie zaczynamy używać modelu do przewidywania, jeśli jesteśmy zadowoleni z wyniku F1.
Poniższy diagram ilustruje przepływ pracy funkcji kroku.
Wymagania wstępne
Przed wdrożeniem przepływu pracy musimy utworzyć istniejące zestawy danych szkoleniowych i sprawdzania poprawności. Wykonaj następujące kroki:
- Po pierwsze, utwórz projekt Amazon Rekognition.
- Następnie, tworzenie zestawów danych szkoleniowych i walidacyjnych.
- Wreszcie, zainstaluj AWS SAM CLI.
Wdróż przepływ pracy
Aby wdrożyć przepływ pracy, sklonuj plik Repozytorium GitHub:
Te polecenia budują, pakują i wdrażają Twoją aplikację w AWS, z serią monitów, jak wyjaśniono w repozytorium.
Uruchom przepływ pracy
Aby przetestować przepływ pracy, przejdź do wdrożonego przepływu pracy w konsoli Step Functions, a następnie wybierz Rozpocznij wykonanie.
Przepływ pracy może potrwać od kilku minut do kilku godzin. Jeśli model spełnia kryteria oceny, w Amazon Rekognition tworzony jest punkt końcowy dla modelu. Jeśli model nie spełnia kryteriów oceny lub szkolenie nie powiodło się, przepływ pracy kończy się niepowodzeniem. Stan przepływu pracy można sprawdzić w konsoli Step Functions. Aby uzyskać więcej informacji, patrz Przeglądanie i debugowanie wykonań w konsoli Step Functions.
Wykonaj prognozy modelowe
Aby wykonać prognozy na podstawie modelu, możesz wywołać metodę API rozpoznawania Amazon DetectCustomLabels. Aby wywołać ten interfejs API, osoba dzwoniąca musi mieć niezbędne AWS Zarządzanie tożsamością i dostępem (IAM) uprawnienia. Aby uzyskać więcej informacji na temat wykonywania prognoz przy użyciu tego interfejsu API, zobacz Analizowanie obrazu z przeszkolonym modelem.
Jeśli jednak chcesz udostępnić publicznie interfejs API DetectCustomLabels, możesz udostępnić interfejs API DetectCustomLabels za pomocą Brama Amazon API. API Gateway to w pełni zarządzana usługa, która ułatwia programistom tworzenie, publikowanie, utrzymywanie, monitorowanie i zabezpieczanie interfejsów API na dowolną skalę. Brama interfejsu API działa jako drzwi wejściowe dla interfejsu API DetectCustomLabels, jak pokazano na poniższym diagramie architektury.
API Gateway przekazuje żądanie wnioskowania użytkownika do AWS Lambda. Lambda to bezserwerowa, sterowana zdarzeniami usługa obliczeniowa, która umożliwia uruchamianie kodu praktycznie dowolnego typu aplikacji lub usługi zaplecza bez udostępniania serwerów i zarządzania nimi. Lambda odbiera żądanie API i wywołuje API Amazon Rekognition DetectCustomLabels z niezbędnymi uprawnieniami IAM. Aby uzyskać więcej informacji na temat konfigurowania API Gateway z integracją Lambda, zobacz Skonfiguruj integracje proxy Lambda w API Gateway.
Poniżej znajduje się przykładowy kod funkcji Lambda do wywołania interfejsu API DetectCustomLabels:
Sprzątać
Aby usunąć przepływ pracy, użyj AWS SAM CLI:
Aby usunąć model Rekognition Custom Labels, możesz użyć konsoli Amazon Rekognition lub AWS SDK. Aby uzyskać więcej informacji, patrz Usuwanie modelu etykiet niestandardowych Amazon Rekognition.
Wnioski
W tym poście omówiliśmy przepływ pracy Step Functions, aby utworzyć zestaw danych, a następnie trenować, oceniać i używać modelu Rekognition Custom Labels. Przepływ pracy pozwala programistom aplikacji i inżynierom ML zautomatyzować etapy niestandardowej klasyfikacji etykiet dla dowolnego przypadku użycia wizji komputerowej. Kod przepływu pracy jest otwarty.
Aby uzyskać więcej zasobów do nauki bezserwerowej, odwiedź stronę Bezserwerowy ląd. Aby dowiedzieć się więcej o niestandardowych etykietach Rekognition, odwiedź stronę Etykiety niestandardowe Amazon Rekognition.
O autorze
Weda Ramana jest starszym specjalistą ds. architekta rozwiązań w zakresie uczenia maszynowego z siedzibą w stanie Maryland. Veda współpracuje z klientami, aby pomóc im w tworzeniu wydajnych, bezpiecznych i skalowalnych aplikacji uczenia maszynowego. Veda jest zainteresowana pomaganiem klientom w wykorzystaniu technologii bezserwerowych do uczenia maszynowego.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :Jest
- $W GÓRĘ
- 100
- 7
- 8
- a
- O nas
- dostęp
- dokładnie
- w poprzek
- Dzieje Apostolskie
- do tego
- Po
- przed
- Algorytmy
- pozwala
- już
- Amazonka
- Amazon Rekognition
- analiza
- w czasie rzeczywistym sprawiają,
- i
- api
- Pszczoła
- Zastosowanie
- aplikacje
- architektura
- SĄ
- AS
- Montaż
- At
- zautomatyzować
- automatycznie
- automatyzacja
- dostępny
- AWS
- Funkcje kroków AWS
- Backend
- Bilans
- na podstawie
- bo
- staje się
- rozpocząć
- za
- za kulisami
- pomiędzy
- ciało
- budować
- Budowanie
- Buduje
- biznes
- wezwanie
- Gość
- Połączenia
- CAN
- możliwości
- który
- walizka
- kategorie
- CD
- znaków
- ZOBACZ
- Dodaj
- klasyfikacja
- Klasyfikuj
- klient
- kod
- kompletny
- obliczać
- komputer
- Wizja komputerowa
- Konsola
- kontekst
- mógłby
- Stwórz
- stworzony
- Tworzenie
- Kryteria
- zwyczaj
- Klientów
- dane
- zbiory danych
- Decyzje
- rozwijać
- wdrażane
- wdrażanie
- Wdrożenie
- detale
- Wykrywanie
- deweloperzy
- bezpośrednio
- rozróżniać
- dystrybuowane
- Nie
- Drzwi
- łatwo
- łatwy w użyciu
- wydajny
- bądź
- Punkt końcowy
- Inżynierowie
- dość
- Eter (ETH)
- oceniać
- oceny
- ewaluację
- wydarzenie
- przykład
- Przede wszystkim system został opracowany
- ekspertyza
- wyjaśnione
- f1
- Failed
- nie
- informacja zwrotna
- kilka
- filet
- Znajdź
- i terminów, a
- następujący
- następujący sposób
- W razie zamówieenia projektu
- od
- z przodu
- w pełni
- funkcjonować
- Funkcje
- Bramka
- generujący
- git
- Ziemia
- Have
- zdrowy
- ciężki
- ciężkie podnoszenie
- pomoc
- pomoc
- pomaga
- Hosting
- GODZINY
- W jaki sposób
- How To
- HTML
- HTTPS
- IAM
- zidentyfikować
- tożsamość
- obraz
- Analiza obrazu
- Klasyfikacja obrazu
- zdjęcia
- in
- Informacja
- zamiast
- integrować
- integracja
- integracje
- zainteresowany
- Interfejs
- dotyczy
- IT
- json
- Etykieta
- etykietowanie
- Etykiety
- duży
- UCZYĆ SIĘ
- nauka
- pozwala
- Dźwignia
- Modernizacja
- Linia
- masa
- miejscowy
- logo
- maszyna
- uczenie maszynowe
- utrzymać
- robić
- WYKONUJE
- zarządzane
- zarządzający
- podręcznik
- prace ręczne
- wiele
- Maryland
- Media
- metody
- metryczny
- Metryka
- mikroserwisy
- może
- miliony
- minuty
- ML
- Algorytmy ML
- model
- monitor
- miesięcy
- jeszcze
- Nawigacja
- niezbędny
- Potrzebować
- wymagania
- Nowości
- przedmiot
- Wykrywanie obiektów
- of
- on
- OS
- wydajność
- pakiet
- Parallel
- strony
- przebiegi
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonywania
- uprawnienia
- Rośliny
- plato
- Analiza danych Platona
- PlatoDane
- Post
- Wiadomości
- Detaliczność
- Przewidywania
- Przygotować
- poprzedni
- procesów
- Produkty
- projekt
- zapewniać
- zapewnia
- pełnomocnik
- publicznie
- publikować
- Prawdziwy świat
- w czasie rzeczywistym
- Odebrane
- otrzymuje
- zmniejszyć
- składnica
- reprezentowanie
- zażądać
- wymagać
- Wymaga
- Zasoby
- odpowiedź
- powrót
- run
- s
- sagemaker
- Sam
- zadowolony
- zadowolony z
- skalowalny
- Skala
- Sceny
- wynik
- Sdk
- bezpieczne
- senior
- Serie
- Bezserwerowe
- Serwery
- usługa
- Usługi
- zestaw
- kilka
- półki
- pokazać
- pokazane
- znaczący
- Prosty
- po prostu
- ponieważ
- mały
- Obserwuj Nas
- Media społecznościowe
- Posty w mediach społecznościowych
- Rozwiązania
- specjalista
- specyficzny
- początek
- Rynek
- Ewolucja krok po kroku
- Cel
- przechowywanie
- sklep
- Struktura
- Brać
- biorąc
- Zespoły
- Technologies
- test
- że
- Połączenia
- Im
- tysiące
- Przez
- czas
- do
- Pociąg
- przeszkolony
- Trening
- pociągi
- zazwyczaj
- posługiwać się
- przypadek użycia
- uprawomocnienie
- przez
- Filmy
- prawie
- wizja
- Odwiedzić
- chodził
- który
- w
- w ciągu
- bez
- Praca
- workflow
- działa
- Twój
- zefirnet