Com o Rótulos personalizados do Amazon Rekognition, você pode ter Reconhecimento da Amazônia treine um modelo personalizado para detecção de objetos ou classificação de imagem específica para suas necessidades de negócios. Por exemplo, o Rekognition Custom Labels pode encontrar seu logotipo em postagens de mídia social, identificar seus produtos nas prateleiras das lojas, classificar peças de máquinas em uma linha de montagem, distinguir plantas saudáveis e infectadas ou detectar personagens animados em vídeos.
Desenvolver um modelo Rekognition Custom Labels para analisar imagens é uma tarefa significativa que requer tempo, conhecimento e recursos, geralmente levando meses para ser concluída. Além disso, geralmente requer milhares ou dezenas de milhares de imagens rotuladas à mão para fornecer ao modelo dados suficientes para tomar decisões com precisão. A geração desses dados pode levar meses para ser coletada e exige grandes equipes de rotuladores para prepará-los para uso em aprendizado de máquina (ML).
Com as etiquetas personalizadas Rekognition, cuidamos do trabalho pesado para você. O Rekognition Custom Labels se baseia nos recursos existentes do Amazon Rekognition, que já é treinado em dezenas de milhões de imagens em várias categorias. Em vez de milhares de imagens, basta carregar um pequeno conjunto de imagens de treinamento (normalmente algumas centenas de imagens ou menos) que sejam específicas para o seu caso de uso por meio de nosso console fácil de usar. Se suas imagens já estiverem rotuladas, o Amazon Rekognition pode começar o treinamento com apenas alguns cliques. Caso contrário, você pode rotulá-los diretamente na interface de rotulagem do Amazon Rekognition ou usar Verdade no solo do Amazon SageMaker para rotulá-los para você. Depois que o Amazon Rekognition começa a treinar com seu conjunto de imagens, ele produz um modelo de análise de imagem personalizado para você em apenas algumas horas. Nos bastidores, o Rekognition Custom Labels carrega e inspeciona automaticamente os dados de treinamento, seleciona os algoritmos de ML corretos, treina um modelo e fornece métricas de desempenho do modelo. Você pode usar seu modelo personalizado por meio da API de rótulos personalizados do Rekognition e integrá-lo aos seus aplicativos.
No entanto, construir um modelo de rótulos personalizados do Rekognition e hospedá-lo para previsões em tempo real envolve várias etapas: criar um projeto, criar os conjuntos de dados de treinamento e validação, treinar o modelo, avaliar o modelo e, em seguida, criar um endpoint. Depois que o modelo for implantado para inferência, talvez seja necessário treinar novamente o modelo quando novos dados estiverem disponíveis ou se o feedback for recebido da inferência do mundo real. Automatizar todo o fluxo de trabalho pode ajudar a reduzir o trabalho manual.
Nesta postagem, mostramos como você pode usar Funções de etapa da AWS para construir e automatizar o fluxo de trabalho. O Step Functions é um serviço de fluxo de trabalho visual que ajuda os desenvolvedores a usar os serviços da AWS para criar aplicativos distribuídos, automatizar processos, orquestrar microsserviços e criar dados e pipelines de ML.
Visão geral da solução
O fluxo de trabalho do Step Functions é o seguinte:
- Primeiro criamos um projeto do Amazon Rekognition.
- Em paralelo, criamos os conjuntos de dados de treinamento e validação usando conjuntos de dados existentes. Podemos usar os seguintes métodos:
- Importar uma estrutura de pastas de Serviço de armazenamento simples da Amazon (Amazon S3) com as pastas que representam os rótulos.
- Use um computador local.
- Use a verdade fundamental.
- Crie um conjunto de dados usando um conjunto de dados existente com o AWS SDK.
- Crie um conjunto de dados com um arquivo de manifesto com o AWS SDK.
- Depois que os conjuntos de dados são criados, treinamos um modelo de rótulos personalizados usando o CriarProjetoVersão API. Isso pode levar de minutos a horas para ser concluído.
- Depois que o modelo é treinado, avaliamos o modelo usando a saída de pontuação F1 da etapa anterior. Usamos a pontuação F1 como nossa métrica de avaliação porque fornece um equilíbrio entre precisão e revocação. Você também pode usar precisão ou recall como suas métricas de avaliação de modelo. Para obter mais informações sobre métricas de avaliação de rótulos personalizados, consulte Métricas para avaliar seu modelo.
- Em seguida, começamos a usar o modelo para previsões se estivermos satisfeitos com a pontuação da F1.
O diagrama a seguir ilustra o fluxo de trabalho do Step Functions.
Pré-requisitos
Antes de implantar o fluxo de trabalho, precisamos criar os conjuntos de dados de treinamento e validação existentes. Conclua as seguintes etapas:
- Primeiro, criar um projeto do Amazon Rekognition.
- Em seguida, criar os conjuntos de dados de treinamento e validação.
- Finalmente, instalar a CLI do AWS SAM.
Implantar o fluxo de trabalho
Para implantar o fluxo de trabalho, clone o Repositório GitHub:
Esses comandos criam, empacotam e implantam seu aplicativo na AWS, com uma série de prompts conforme explicado no repositório.
Execute o fluxo de trabalho
Para testar o fluxo de trabalho, navegue até o fluxo de trabalho implantado no console do Step Functions e escolha Comece a execução.
O fluxo de trabalho pode levar de alguns minutos a algumas horas para ser concluído. Se o modelo for aprovado nos critérios de avaliação, um endpoint para o modelo será criado no Amazon Rekognition. Se o modelo não passar nos critérios de avaliação ou o treinamento falhar, o fluxo de trabalho falhará. Você pode verificar o status do fluxo de trabalho no console do Step Functions. Para mais informações, consulte Visualização e depuração de execuções no console do Step Functions.
Executar previsões de modelo
Para realizar previsões em relação ao modelo, você pode chamar o método API Amazon Rekognition DetectCustomLabels. Para invocar esta API, o chamador precisa ter o necessário Gerenciamento de acesso e identidade da AWS (IAM) permissões. Para obter mais detalhes sobre como realizar previsões usando esta API, consulte Analisando uma imagem com um modelo treinado.
No entanto, se precisar expor a API DetectCustomLabels publicamente, você pode usar a API DetectCustomLabels com Gateway de API da Amazon. O API Gateway é um serviço totalmente gerenciado que torna mais fácil para os desenvolvedores criar, publicar, manter, monitorar e proteger APIs em qualquer escala. O API Gateway atua como a porta de entrada para sua API DetectCustomLabels, conforme mostrado no diagrama de arquitetura a seguir.
O API Gateway encaminha a solicitação de inferência do usuário para AWS Lambda. O Lambda é um serviço de computação orientado a eventos sem servidor que permite executar código para praticamente qualquer tipo de aplicativo ou serviço de back-end sem provisionar ou gerenciar servidores. O Lambda recebe a solicitação de API e chama a API Amazon Rekognition DetectCustomLabels com as permissões IAM necessárias. Para obter mais informações sobre como configurar o API Gateway com integração Lambda, consulte Configurar integrações de proxy do Lambda no API Gateway.
Veja a seguir um exemplo de código de função do Lambda para chamar a API DetectCustomLabels:
limpar
Para excluir o fluxo de trabalho, use o AWS SAM CLI:
Para excluir o modelo de rótulos personalizados do Rekognition, você pode usar o console do Amazon Rekognition ou o AWS SDK. Para mais informações, consulte Como excluir um modelo de rótulos personalizados do Amazon Rekognition.
Conclusão
Nesta postagem, percorremos um fluxo de trabalho do Step Functions para criar um conjunto de dados e, em seguida, treinar, avaliar e usar um modelo Rekognition Custom Labels. O fluxo de trabalho permite que desenvolvedores de aplicativos e engenheiros de ML automatizem as etapas de classificação de etiquetas personalizadas para qualquer caso de uso de visão computacional. O código para o fluxo de trabalho é de código aberto.
Para obter mais recursos de aprendizado sem servidor, visite Terra sem servidor. Para saber mais sobre os rótulos personalizados do Rekognition, visite Rótulos personalizados do Amazon Rekognition.
Sobre o autor
Veda Raman é um arquiteto de soluções especialista sênior para aprendizado de máquina com sede em Maryland. A Veda trabalha com os clientes para ajudá-los a arquitetar aplicativos de aprendizado de máquina eficientes, seguros e escaláveis. A Veda está interessada em ajudar os clientes a aproveitar as tecnologias sem servidor para aprendizado de máquina.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :é
- $UP
- 100
- 7
- 8
- a
- Sobre
- Acesso
- exatamente
- em
- atos
- Adicionalmente
- Depois de
- contra
- algoritmos
- permite
- já
- Amazon
- Reconhecimento da Amazônia
- análise
- analisar
- e
- api
- APIs
- Aplicação
- aplicações
- arquitetura
- SOMOS
- AS
- Montagem
- At
- automatizar
- automaticamente
- automatizando
- disponível
- AWS
- Funções de etapa da AWS
- Backend
- Equilíbrio
- baseado
- Porque
- torna-se
- começar
- atrás
- Por trás das cenas
- entre
- corpo
- construir
- Prédio
- Constrói
- negócio
- chamada
- visitante
- chamadas
- CAN
- capacidades
- Cuidado
- casas
- Categorias
- CD
- caracteres
- verificar
- Escolha
- classificação
- classificar
- cliente
- código
- completar
- Computar
- computador
- Visão de Computador
- cônsul
- contexto
- poderia
- crio
- criado
- Criar
- critérios
- personalizadas
- Clientes
- dados,
- conjuntos de dados
- decisões
- implantar
- implantado
- Implantação
- desenvolvimento
- detalhes
- Detecção
- desenvolvedores
- diretamente
- distinguir
- distribuído
- Não faz
- Porta
- fácil
- fácil de usar
- eficiente
- ou
- Ponto final
- Engenheiros
- suficiente
- Éter (ETH)
- avaliar
- avaliação
- avaliação
- Evento
- exemplo
- existente
- experiência
- explicado
- f1
- fracassado
- falha
- retornos
- poucos
- Envie o
- Encontre
- Primeiro nome
- seguinte
- segue
- Escolha
- da
- frente
- totalmente
- função
- funções
- porta de entrada
- gerando
- Git
- Solo
- Ter
- saudável
- pesado
- levantamento pesado
- ajudar
- ajuda
- ajuda
- hospedagem
- HORÁRIO
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTML
- HTTPS
- IAM
- identificar
- Dados de identificação:
- imagem
- análise de imagem
- Classificação de imagem
- imagens
- in
- INFORMAÇÕES
- em vez disso
- integrar
- integração
- integrações
- interessado
- Interface
- envolve
- IT
- json
- O rótulo
- marcação
- Rótulos
- grande
- APRENDER
- aprendizagem
- Permite
- Alavancagem
- facelift
- Line
- cargas
- local
- logotipo
- máquina
- aprendizado de máquina
- a manter
- fazer
- FAZ
- gerenciados
- gestão
- manual
- trabalho manual
- muitos
- Maryland
- Mídia
- métodos
- métrico
- Métrica
- microsserviços
- poder
- milhões
- minutos
- ML
- Algoritmos de ML
- modelo
- Monitore
- mês
- mais
- Navegar
- necessário
- você merece...
- Cria
- Novo
- objeto
- Detecção de Objetos
- of
- on
- OS
- saída
- pacote
- Paralelo
- peças
- passes
- realizar
- atuação
- realização
- permissões
- plantas
- platão
- Inteligência de Dados Platão
- PlatãoData
- Publique
- POSTAGENS
- Precisão
- Previsões
- Preparar
- anterior
- processos
- Produtos
- projeto
- fornecer
- fornece
- procuração
- publicamente
- publicar
- mundo real
- em tempo real
- recebido
- recebe
- reduzir
- repositório
- representando
- solicitar
- requerer
- exige
- Recursos
- resposta
- retorno
- Execute
- s
- sábio
- Sam
- satisfeito
- satisfeito com
- escalável
- Escala
- Cenas
- Ponto
- Sdk
- seguro
- senior
- Série
- Serverless
- Servidores
- serviço
- Serviços
- conjunto
- vários
- prateleiras
- mostrar
- mostrando
- periodo
- simples
- simplesmente
- desde
- pequeno
- Redes Sociais
- meios de comunicação social
- Publicações nas redes sociais
- Soluções
- especialista
- específico
- começo
- Status
- Passo
- Passos
- armazenamento
- loja
- estrutura
- Tire
- tomar
- equipes
- Tecnologias
- teste
- que
- A
- Eles
- milhares
- Através da
- tempo
- para
- Trem
- treinado
- Training
- trens
- tipicamente
- usar
- caso de uso
- validação
- via
- VÍDEOS
- praticamente
- visão
- Visite a
- caminhou
- qual
- com
- dentro
- sem
- Atividades:
- de gestão de documentos
- trabalho
- investimentos
- zefirnet