Доступно Пользовательские ярлыки Amazon Rekognition, вы можете иметь Апостол обучите пользовательскую модель для обнаружения объектов или классификации изображений в соответствии с потребностями вашего бизнеса. Например, Rekognition Custom Labels может находить ваш логотип в сообщениях в социальных сетях, идентифицировать вашу продукцию на полках магазинов, классифицировать детали машин на сборочной линии, различать здоровые и зараженные растения или обнаруживать анимированные персонажи в видеороликах.
Разработка модели пользовательских меток Rekognition для анализа изображений — важная задача, требующая времени, опыта и ресурсов, на выполнение которой часто уходят месяцы. Кроме того, часто требуются тысячи или десятки тысяч размеченных вручную изображений, чтобы предоставить модели достаточно данных для точного принятия решений. На сбор этих данных могут уйти месяцы, и для их подготовки к использованию в машинном обучении (МО) потребуются большие группы маркировщиков.
С помощью этикеток Rekognition Custom Labels мы возьмем на себя всю тяжелую работу за вас. Rekognition Custom Labels основывается на существующих возможностях Amazon Rekognition, которые уже прошли обучение на десятках миллионов изображений во многих категориях. Вместо тысяч изображений вам просто нужно загрузить небольшой набор обучающих изображений (обычно несколько сотен изображений или меньше), которые соответствуют вашему варианту использования, с помощью нашей простой в использовании консоли. Если ваши изображения уже помечены, Amazon Rekognition может начать обучение всего за несколько кликов. Если нет, вы можете пометить их непосредственно в интерфейсе маркировки Amazon Rekognition или использовать Amazon SageMaker - основа правды чтобы пометить их для вас. После того как Amazon Rekognition начнет обучение на вашем наборе изображений, всего за несколько часов он создаст для вас пользовательскую модель анализа изображений. Незаметно Rekognition Custom Labels автоматически загружает и проверяет обучающие данные, выбирает правильные алгоритмы машинного обучения, обучает модель и предоставляет показатели производительности модели. Затем вы можете использовать свою пользовательскую модель через Rekognition Custom Labels API и интегрировать ее в свои приложения.
Однако создание модели Rekognition Custom Labels и размещение ее для прогнозирования в реальном времени включает несколько шагов: создание проекта, создание наборов данных для обучения и проверки, обучение модели, оценку модели и затем создание конечной точки. После развертывания модели для логического вывода вам, возможно, придется переобучить модель, когда станут доступны новые данные или если будет получена обратная связь от реального логического вывода. Автоматизация всего рабочего процесса может помочь сократить объем ручной работы.
В этом посте мы покажем, как вы можете использовать Шаговые функции AWS построить и автоматизировать рабочий процесс. Step Functions — это визуальный сервис рабочих процессов, который помогает разработчикам использовать сервисы AWS для создания распределенных приложений, автоматизации процессов, организации микросервисов и создания конвейеров данных и машинного обучения.
Обзор решения
Рабочий процесс Step Functions выглядит следующим образом:
- Сначала мы создаем проект Amazon Rekognition.
- Параллельно мы создаем наборы данных для обучения и проверки, используя существующие наборы данных. Мы можем использовать следующие методы:
- Импортировать структуру папок из Простой сервис хранения Amazon (Amazon S3) с папками, представляющими ярлыки.
- Используйте локальный компьютер.
- Используйте наземную правду.
- Создайте набор данных, используя существующий набор данных с помощью AWS SDK..
- Создайте набор данных с файлом манифеста с помощью AWS SDK..
- После создания наборов данных мы обучаем модель пользовательских меток с помощью СоздатьПроектВерсию API. Это может занять от минут до часов.
- После того, как модель обучена, мы оцениваем модель, используя результат F1, полученный на предыдущем шаге. Мы используем оценку F1 в качестве нашей оценочной метрики, потому что она обеспечивает баланс между точностью и полнотой. Вы также можете использовать точность или полноту в качестве показателей оценки модели. Дополнительные сведения о метриках оценки пользовательских ярлыков см. Метрики для оценки вашей модели.
- Затем мы начинаем использовать модель для прогнозов, если нас устраивает оценка F1.
Следующая диаграмма иллюстрирует рабочий процесс Step Functions.
Предпосылки
Перед развертыванием рабочего процесса нам необходимо создать существующие наборы данных для обучения и проверки. Выполните следующие шаги:
- Первое создать проект Amazon Rekognition.
- Тогда, создать наборы данных для обучения и проверки.
- Наконец, установить интерфейс командной строки AWS SAM.
Разверните рабочий процесс
Чтобы развернуть рабочий процесс, клонируйте Репозиторий GitHub:
Эти команды создают, упаковывают и развертывают ваше приложение в AWS с помощью ряда подсказок, как описано в репозитории.
Запустите рабочий процесс
Чтобы протестировать рабочий процесс, перейдите к развернутому рабочему процессу на консоли Step Functions, затем выберите Начать выполнение.
Рабочий процесс может занять от нескольких минут до нескольких часов. Если модель соответствует критериям оценки, в Amazon Rekognition создается конечная точка для модели. Если модель не соответствует критериям оценки или обучение не выполнено, рабочий процесс завершается сбоем. Вы можете проверить статус рабочего процесса на консоли Step Functions. Для получения дополнительной информации см. Просмотр и отладка выполнения на консоли Step Functions.
Выполнение прогнозов модели
Чтобы выполнить прогнозы по модели, вы можете вызвать метод API Amazon Rekognition DetectCustomLabels. Чтобы вызвать этот API, вызывающая сторона должна иметь необходимые Управление идентификацией и доступом AWS (IAM) разрешения. Дополнительные сведения о выполнении прогнозов с помощью этого API см. Анализ изображения с помощью обученной модели.
Однако, если вам нужно открыть API DetectCustomLabels публично, вы можете открыть API DetectCustomLabels с помощью Шлюз API Amazon. Шлюз API — это полностью управляемая служба, которая позволяет разработчикам легко создавать, публиковать, поддерживать, отслеживать и защищать API любого масштаба. Шлюз API действует как входная дверь для вашего API DetectCustomLabels, как показано на следующей схеме архитектуры.
Шлюз API перенаправляет запрос пользователя на вывод в AWS Lambda. Lambda — это бессерверная служба вычислений, управляемая событиями, которая позволяет запускать код практически для любого типа приложений или серверных служб без выделения серверов или управления ими. Lambda получает запрос API и вызывает API Amazon Rekognition DetectCustomLabels с необходимыми разрешениями IAM. Дополнительные сведения о настройке шлюза API с интеграцией Lambda см. Настройте интеграцию прокси-сервера Lambda в API Gateway..
Ниже приведен пример кода функции Lambda для вызова API DetectCustomLabels:
Убирать
Чтобы удалить рабочий процесс, используйте интерфейс командной строки AWS SAM:
Чтобы удалить модель пользовательских меток Rekognition, вы можете использовать консоль Amazon Rekognition или AWS SDK. Для получения дополнительной информации см. Удаление модели пользовательских меток Amazon Rekognition.
Заключение
В этом посте мы рассмотрели рабочий процесс Step Functions, чтобы создать набор данных, а затем обучить, оценить и использовать модель пользовательских меток Rekognition. Рабочий процесс позволяет разработчикам приложений и инженерам по машинному обучению автоматизировать этапы классификации пользовательских меток для любого варианта использования компьютерного зрения. Код рабочего процесса находится в открытом доступе.
Дополнительные ресурсы для бессерверного обучения см. Земля без серверов. Чтобы узнать больше о пользовательских метках Rekognition, посетите Пользовательские ярлыки Amazon Rekognition.
Об авторе
Веда Раман является старшим специалистом по разработке решений для машинного обучения из Мэриленда. Веда работает с клиентами, помогая им создавать эффективные, безопасные и масштабируемые приложения машинного обучения. Веда заинтересована в том, чтобы помочь клиентам использовать бессерверные технологии для машинного обучения.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :является
- $UP
- 100
- 7
- 8
- a
- О нас
- доступ
- точно
- через
- акты
- Дополнительно
- После
- против
- алгоритмы
- позволяет
- уже
- Amazon
- Апостол
- анализ
- анализировать
- и
- API
- API
- Применение
- Приложения
- архитектура
- МЫ
- AS
- сборка
- At
- автоматизировать
- автоматически
- Автоматизация
- доступен
- AWS
- Шаговые функции AWS
- Backend
- Баланс
- основанный
- , так как:
- становится
- начинать
- за
- за кулисами
- между
- тело
- строить
- Строительство
- строит
- бизнес
- призывают
- гость
- Объявления
- CAN
- возможности
- заботится
- случаев
- категории
- CD
- символы
- проверка
- Выберите
- классификация
- классифицировать
- клиент
- код
- полный
- Вычисление
- компьютер
- Компьютерное зрение
- Консоли
- контекст
- может
- Создайте
- создали
- Создающий
- Критерии
- изготовленный на заказ
- Клиенты
- данным
- Наборы данных
- решения
- развертывание
- развернуть
- развертывание
- развертывание
- подробнее
- обнаружение
- застройщиков
- непосредственно
- выделить
- распределенный
- не
- Двери
- легко
- Простой в использовании
- эффективный
- или
- Конечная точка
- Инженеры
- достаточно
- Эфир (ETH)
- оценивать
- оценки
- оценка
- События
- пример
- существующий
- опыта
- объяснены
- f1
- XNUMX ошибка
- не удается
- Обратная связь
- несколько
- Файл
- Найдите
- First
- после
- следующим образом
- Что касается
- от
- передний
- полностью
- функция
- Функции
- шлюз
- порождающий
- идти
- земля
- Есть
- здоровый
- тяжелый
- тяжелая атлетика
- помощь
- помощь
- помогает
- хостинг
- ЧАСЫ
- Как
- How To
- HTML
- HTTPS
- IAM
- определения
- Личность
- изображение
- анализ изображения
- Классификация изображений
- изображений
- in
- информация
- вместо
- интегрировать
- интеграции.
- интеграций
- заинтересованный
- Интерфейс
- включает в себя
- IT
- JSON
- этикетка
- маркировка
- Этикетки
- большой
- УЧИТЬСЯ
- изучение
- Lets
- Кредитное плечо
- Подтяжка лица
- линия
- грузы
- локальным
- логотип
- машина
- обучение с помощью машины
- поддерживать
- сделать
- ДЕЛАЕТ
- управляемого
- управления
- руководство
- ручная работа
- многих
- Мэриленд
- Медиа
- методы
- метрический
- Метрика
- microservices
- может быть
- миллионы
- минут
- ML
- Алгоритмы машинного обучения
- модель
- монитор
- месяцев
- БОЛЕЕ
- Откройте
- необходимо
- Необходимость
- потребности
- Новые
- объект
- Обнаружение объекта
- of
- on
- OS
- выходной
- пакет
- Параллельные
- части
- проходит
- выполнять
- производительность
- выполнения
- Разрешения
- растений
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- После
- Блог
- Точность
- Predictions
- Подготовить
- предыдущий
- Процессы
- Продукция
- Проект
- обеспечивать
- приводит
- полномочие
- публично
- публиковать
- реальный мир
- реального времени
- получила
- получает
- уменьшить
- хранилище
- представляющий
- запросить
- требовать
- требуется
- Полезные ресурсы
- ответ
- возвращают
- Run
- s
- sagemaker
- Сэм
- довольный
- доволен
- масштабируемые
- Шкала
- Сцены
- Гол
- SDK
- безопасный
- старший
- Серии
- Serverless
- Серверы
- обслуживание
- Услуги
- набор
- несколько
- Полки
- показывать
- показанный
- значительный
- просто
- просто
- с
- небольшой
- Соцсети
- социальные сети
- Сообщения в социальных сетях
- Решения
- специалист
- конкретный
- Начало
- Статус:
- Шаг
- Шаги
- диск
- магазин
- Структура
- взять
- с
- команды
- технологии
- тестXNUMX
- который
- Ассоциация
- Их
- тысячи
- Через
- время
- в
- Train
- специалистов
- Обучение
- поезда
- типично
- использование
- прецедент
- Проверка
- с помощью
- Видео
- фактически
- видение
- Войти
- ходил
- который
- в
- без
- Работа
- рабочий
- работает
- ВАШЕ
- зефирнет