cu Etichete personalizate Amazon Rekognition, poti avea Amazon Rekognition antrenați un model personalizat pentru detectarea obiectelor sau clasificarea imaginilor specifice nevoilor dvs. de afaceri. De exemplu, etichetele personalizate Rekognition vă pot găsi sigla în postările de pe rețelele sociale, vă pot identifica produsele pe rafturile magazinelor, pot clasifica piesele mașinii într-o linie de asamblare, pot distinge plantele sănătoase și infectate sau pot detecta personaje animate în videoclipuri.
Dezvoltarea unui model de etichete personalizate Rekognition pentru a analiza imaginile este o întreprindere importantă care necesită timp, expertiză și resurse, fiind adesea finalizată cu luni de zile. În plus, adesea necesită mii sau zeci de mii de imagini etichetate manual pentru a oferi modelului suficiente date pentru a lua decizii cu precizie. Generarea acestor date poate dura luni de zile pentru a colecta și necesită echipe mari de etichetatori care să le pregătească pentru utilizare în învățarea automată (ML).
Cu etichetele personalizate Rekognition, ne ocupăm de munca grea pentru dvs. Rekognition Custom Labels se bazează pe capacitățile existente ale Amazon Rekognition, care este deja antrenat pe zeci de milioane de imagini din mai multe categorii. În loc de mii de imagini, trebuie pur și simplu să încărcați un mic set de imagini de antrenament (de obicei câteva sute de imagini sau mai puțin) care sunt specifice cazului dvs. de utilizare prin intermediul consolei noastre ușor de utilizat. Dacă imaginile dvs. sunt deja etichetate, Amazon Rekognition poate începe antrenamentul în doar câteva clicuri. Dacă nu, le puteți eticheta direct în interfața de etichetare Amazon Rekognition sau le puteți utiliza Amazon SageMaker Ground Adevăr pentru a le eticheta pentru tine. După ce Amazon Rekognition începe antrenamentul din setul dvs. de imagini, produce un model personalizat de analiză a imaginii pentru dvs. în doar câteva ore. În culise, Rekognition Custom Labels încarcă și inspectează automat datele de antrenament, selectează algoritmii ML potriviți, antrenează un model și furnizează valori de performanță a modelului. Apoi, puteți utiliza modelul personalizat prin intermediul API-ului Rekognition Custom Labels și îl puteți integra în aplicațiile dvs.
Cu toate acestea, construirea unui model Rekognition Custom Labels și găzduirea lui pentru predicții în timp real implică mai mulți pași: crearea unui proiect, crearea setului de date de instruire și validare, antrenamentul modelului, evaluarea modelului și apoi crearea unui punct final. După ce modelul este implementat pentru inferență, este posibil să trebuiască să reantrenați modelul atunci când devin disponibile date noi sau dacă se primește feedback din inferența din lumea reală. Automatizarea întregului flux de lucru poate ajuta la reducerea muncii manuale.
În această postare, vă arătăm cum puteți utiliza Funcții pas AWS pentru a construi și automatiza fluxul de lucru. Step Functions este un serviciu de flux de lucru vizual care îi ajută pe dezvoltatori să folosească serviciile AWS pentru a crea aplicații distribuite, automatiza procese, orchestra microservicii și creează date și conducte ML.
Prezentare generală a soluțiilor
Fluxul de lucru Step Functions este următorul:
- Mai întâi creăm un proiect Amazon Rekognition.
- În paralel, creăm seturile de date de instruire și validare folosind seturile de date existente. Putem folosi următoarele metode:
- Importați o structură de foldere din Serviciul Amazon de stocare simplă (Amazon S3) cu folderele reprezentând etichetele.
- Utilizați un computer local.
- Folosește Adevărul Terestru.
- Creați un set de date folosind un set de date existent cu AWS SDK.
- Creați un set de date cu un fișier manifest cu AWS SDK.
- După ce seturile de date sunt create, antrenăm un model de etichete personalizate folosind CreateProjectVersion API. Acest lucru poate dura de la minute la ore.
- După ce modelul este antrenat, evaluăm modelul utilizând rezultatul scorului F1 de la pasul anterior. Folosim scorul F1 ca măsurătoare de evaluare, deoarece oferă un echilibru între precizie și reamintire. De asemenea, puteți utiliza precizia sau rechemarea ca valori de evaluare a modelului. Pentru mai multe informații despre valorile de evaluare a etichetelor personalizate, consultați Valori pentru evaluarea modelului dvs.
- Apoi începem să folosim modelul pentru predicții dacă suntem mulțumiți de scorul F1.
Următoarea diagramă ilustrează fluxul de lucru Step Functions.
Cerințe preliminare
Înainte de a implementa fluxul de lucru, trebuie să creăm seturile de date existente de instruire și validare. Parcurgeți următorii pași:
- În primul rând, creați un proiect Amazon Rekognition.
- Apoi, creați seturile de date de instruire și validare.
- În cele din urmă, instalați AWS SAM CLI.
Implementați fluxul de lucru
Pentru a implementa fluxul de lucru, clonează GitHub depozit:
Aceste comenzi construiesc, împachetează și implementează aplicația dvs. în AWS, cu o serie de solicitări, așa cum este explicat în depozit.
Rulați fluxul de lucru
Pentru a testa fluxul de lucru, navigați la fluxul de lucru implementat pe consola Step Functions, apoi alegeți Începeți execuția.
Fluxul de lucru poate dura de la câteva minute până la câteva ore. Dacă modelul trece criteriile de evaluare, un punct final pentru model este creat în Amazon Rekognition. Dacă modelul nu trece de criteriile de evaluare sau instruirea a eșuat, fluxul de lucru eșuează. Puteți verifica starea fluxului de lucru pe consola Step Functions. Pentru mai multe informații, consultați Vizualizarea și depanarea execuțiilor pe consola Step Functions.
Efectuați predicții model
Pentru a efectua predicții față de model, puteți apela la API-ul Amazon Rekognition DetectCustomLabels. Pentru a invoca acest API, apelantul trebuie să aibă cele necesare Gestionarea identității și accesului AWS permisiuni (IAM). Pentru mai multe detalii despre efectuarea predicțiilor folosind acest API, consultați Analizarea unei imagini cu un model antrenat.
Cu toate acestea, dacă trebuie să expuneți public API-ul DetectCustomLabels, puteți face față API-ului DetectCustomLabels cu Gateway API Amazon. API Gateway este un serviciu complet gestionat care facilitează crearea, publicarea, întreținerea, monitorizarea și securizarea API-urilor la orice scară pentru dezvoltatori. API Gateway acționează ca ușă principală pentru API-ul DetectCustomLabels, așa cum se arată în următoarea diagramă de arhitectură.
API Gateway transmite cererea de inferență a utilizatorului către AWS Lambdas. Lambda este un serviciu de calcul fără server, bazat pe evenimente, care vă permite să rulați cod pentru aproape orice tip de aplicație sau serviciu backend fără a furniza sau gestiona servere. Lambda primește solicitarea API și apelează API-ul Amazon Rekognition DetectCustomLabels cu permisiunile IAM necesare. Pentru mai multe informații despre cum să configurați API Gateway cu integrarea Lambda, consultați Configurați integrările proxy Lambda în API Gateway.
Următorul este un exemplu de cod de funcție Lambda pentru a apela API-ul DetectCustomLabels:
A curăța
Pentru a șterge fluxul de lucru, utilizați AWS SAM CLI:
Pentru a șterge modelul Rekognition Custom Labels, puteți utiliza fie consola Amazon Rekognition, fie AWS SDK. Pentru mai multe informații, consultați Ștergerea unui model Amazon Rekognition Custom Labels.
Concluzie
În această postare, am parcurs un flux de lucru Step Functions pentru a crea un set de date și apoi a antrena, a evalua și a folosi un model Rekognition Custom Labels. Fluxul de lucru permite dezvoltatorilor de aplicații și inginerilor ML să automatizeze pașii personalizați de clasificare a etichetelor pentru orice caz de utilizare a vederii computerizate. Codul pentru fluxul de lucru este open source.
Pentru mai multe resurse de învățare fără server, vizitați Pământ fără servere. Pentru a afla mai multe despre etichetele personalizate Rekognition, vizitați Etichete personalizate Amazon Rekognition.
Despre autor
Veda Raman este un arhitect de soluții de specialitate senior pentru învățarea automată cu sediul în Maryland. Veda lucrează cu clienții pentru a-i ajuta să creeze aplicații de învățare automată eficiente, sigure și scalabile. Veda este interesat să-i ajute pe clienți să folosească tehnologiile fără server pentru învățarea automată.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :este
- $UP
- 100
- 7
- 8
- a
- Despre Noi
- acces
- precis
- peste
- Acte
- În plus,
- După
- împotriva
- algoritmi
- permite
- deja
- Amazon
- Amazon Rekognition
- analiză
- analiza
- și
- api
- API-uri
- aplicație
- aplicatii
- arhitectură
- SUNT
- AS
- Asamblare
- At
- automatizarea
- în mod automat
- automatizarea
- disponibil
- AWS
- Funcții pas AWS
- Backend
- Sold
- bazat
- deoarece
- devine
- începe
- în spatele
- în spatele scenelor
- între
- corp
- construi
- Clădire
- construiește
- afaceri
- apel
- apelant
- apeluri
- CAN
- capacități
- pasă
- caz
- categorii
- CD
- caractere
- verifica
- Alege
- clasificare
- Clasifica
- client
- cod
- Completă
- Calcula
- calculator
- Computer Vision
- Consoleze
- context
- ar putea
- crea
- a creat
- Crearea
- Criteriile de
- personalizat
- clienţii care
- de date
- seturi de date
- Deciziile
- implementa
- dislocate
- Implementarea
- desfășurarea
- detalii
- Detectare
- Dezvoltatorii
- direct
- distinge
- distribuite
- Nu
- De
- uşor
- ușor de folosit
- eficient
- oricare
- Punct final
- inginerii
- suficient de
- Eter (ETH)
- evalua
- evaluarea
- evaluare
- eveniment
- exemplu
- existent
- expertiză
- a explicat
- f1
- A eșuat
- eșuează
- feedback-ul
- puțini
- Fișier
- Găsi
- First
- următor
- urmează
- Pentru
- din
- faţă
- complet
- funcţie
- funcții
- poartă
- generator
- merge
- Teren
- Avea
- sănătos
- greu
- ridicare de greutati
- ajutor
- ajutor
- ajută
- găzduire
- ORE
- Cum
- Cum Pentru a
- HTML
- HTTPS
- IAM
- identifica
- Identitate
- imagine
- analiza imaginii
- Clasificarea imaginilor
- imagini
- in
- informații
- in schimb
- integra
- integrare
- integrările
- interesat
- interfaţă
- implică
- IT
- JSON
- Etichetă
- etichetarea
- etichete
- mare
- AFLAȚI
- învăţare
- Permite
- Pârghie
- ridicare
- Linie
- loturile
- local
- siglă
- maşină
- masina de învățare
- menține
- face
- FACE
- gestionate
- de conducere
- manual
- munca manuala
- multe
- Maryland
- Mass-media
- Metode
- metric
- Metrici
- microservices
- ar putea
- milioane
- minute
- ML
- Algoritmi ML
- model
- monitor
- luni
- mai mult
- Navigaţi
- necesar
- Nevoie
- nevoilor
- Nou
- obiect
- Detectarea obiectelor
- of
- on
- OS
- producție
- pachet
- Paralel
- piese
- trece
- efectua
- performanță
- efectuarea
- permisiuni
- plante
- Plato
- Informații despre date Platon
- PlatoData
- Post
- postări
- Precizie
- Predictii
- Pregăti
- precedent
- procese
- Produse
- proiect
- furniza
- furnizează
- împuternicit
- public
- publica
- lumea reală
- în timp real
- primit
- primește
- reduce
- depozit
- reprezentând
- solicita
- necesita
- Necesită
- Resurse
- răspuns
- reveni
- Alerga
- s
- sagemaker
- Sam
- satisfăcut
- mulțumit cu
- scalabil
- Scară
- scene
- scor
- sdk
- sigur
- senior
- serie
- serverless
- Servere
- serviciu
- Servicii
- set
- câteva
- rafturi
- Arăta
- indicat
- semnificativ
- simplu
- pur şi simplu
- întrucât
- mic
- Social
- social media
- Postări în rețelele sociale
- soluţii
- specialist
- specific
- Începe
- Stare
- Pas
- paşi
- depozitare
- stoca
- structura
- Lua
- luare
- echipe
- Tehnologii
- test
- acea
- Lor
- mii
- Prin
- timp
- la
- Tren
- dresat
- Pregătire
- trenuri
- tipic
- utilizare
- carcasa de utilizare
- validare
- de
- Video
- practic
- viziune
- Vizita
- umblat
- care
- cu
- în
- fără
- Apartamente
- flux de lucru
- fabrică
- Ta
- zephyrnet