z Oznake po meri za ponovno odstranjevanje Amazon, lahko imaš Amazonsko ponovno vžiganje usposobite model po meri za zaznavanje predmetov ali klasifikacijo slik, ki je specifična za vaše poslovne potrebe. Rekognition Custom Labels lahko na primer najde vaš logotip v objavah na družabnih omrežjih, prepozna vaše izdelke na policah trgovin, razvrsti strojne dele na tekočem traku, loči zdrave in okužene rastline ali zazna animirane like v videoposnetkih.
Razvoj modela oznak po meri Rekognition za analizo slik je pomemben podvig, ki zahteva čas, strokovno znanje in vire, ki pogosto traja več mesecev. Poleg tega pogosto zahteva na tisoče ali desettisoče ročno označenih slik, da se modelu zagotovi dovolj podatkov za natančno sprejemanje odločitev. Zbiranje teh podatkov lahko traja več mesecev in zahteva velike skupine označevalcev, da jih pripravijo za uporabo v strojnem učenju (ML).
Z nalepkami po meri Rekognition namesto vas poskrbimo za težka dela. Rekognition Custom Labels temelji na obstoječih zmožnostih Amazon Rekognition, ki je že usposobljen na desetinah milijonov slik v številnih kategorijah. Namesto na tisoče slik morate preprosto naložiti majhen nabor slik za usposabljanje (običajno nekaj sto slik ali manj), ki so specifične za vaš primer uporabe prek naše konzole, enostavne za uporabo. Če so vaše slike že označene, lahko Amazon Rekognition začne usposabljanje v le nekaj klikih. Če ne, jih lahko označite neposredno v vmesniku za označevanje Amazon Rekognition ali uporabite Amazon SageMaker Ground Truth da jih označimo za vas. Ko Amazon Rekognition začne usposabljanje iz vašega nabora slik, za vas v samo nekaj urah izdela model analize slike po meri. Rekognition Custom Labels v zakulisju samodejno naloži in pregleda podatke o usposabljanju, izbere prave algoritme ML, usposobi model in zagotovi meritve uspešnosti modela. Nato lahko uporabite svoj model po meri prek Rekognition Custom Labels API in ga integrirate v svoje aplikacije.
Vendar izgradnja modela oznak po meri Rekognition in njegovo gostovanje za predvidevanja v realnem času vključuje več korakov: ustvarjanje projekta, ustvarjanje naborov podatkov za usposabljanje in validacijo, usposabljanje modela, vrednotenje modela in nato ustvarjanje končne točke. Ko je model razporejen za sklepanje, boste morda morali znova usposobiti model, ko bodo na voljo novi podatki ali če prejmete povratne informacije iz sklepanja iz resničnega sveta. Avtomatizacija celotnega poteka dela lahko pomaga zmanjšati ročno delo.
V tej objavi vam pokažemo, kako lahko uporabite Korak funkcije AWS zgraditi in avtomatizirati potek dela. Step Functions je vizualna storitev poteka dela, ki razvijalcem pomaga pri uporabi storitev AWS za izdelavo porazdeljenih aplikacij, avtomatizacijo procesov, orkestriranje mikrostoritev ter ustvarjanje podatkovnih in ML-cevovodov.
Pregled rešitev
Potek dela funkcij korakov je naslednji:
- Najprej ustvarimo projekt Amazon Rekognition.
- Vzporedno ustvarjamo nabore podatkov za usposabljanje in validacijo z uporabo obstoječih naborov podatkov. Uporabimo lahko naslednje metode:
- Uvozi strukturo map iz Preprosta storitev shranjevanja Amazon (Amazon S3) z mapami, ki predstavljajo oznake.
- Uporabite lokalni računalnik.
- Uporabite Ground Truth.
- Ustvarite nabor podatkov z uporabo obstoječega nabora podatkov z AWS SDK.
- Ustvarite nabor podatkov z datoteko manifesta z AWS SDK.
- Ko so nabori podatkov ustvarjeni, urimo model oznak po meri z uporabo CreateProjectVersion API. To lahko traja od minut do ur.
- Ko je model usposobljen, ga ovrednotimo s pomočjo rezultata F1 iz prejšnjega koraka. Rezultat F1 uporabljamo kot metriko ocenjevanja, ker zagotavlja ravnovesje med natančnostjo in priklicem. Kot metriko vrednotenja modela lahko uporabite tudi natančnost ali priklic. Za več informacij o meritvah vrednotenja nalepk po meri glejte Meritve za ocenjevanje vašega modela.
- Nato začnemo model uporabljati za napovedi, če smo zadovoljni z rezultatom F1.
Naslednji diagram prikazuje potek dela funkcij korakov.
Predpogoji
Pred uvedbo delovnega toka moramo ustvariti obstoječe nabore podatkov za usposabljanje in validacijo. Izvedite naslednje korake:
- Najprej ustvarite projekt Amazon Rekognition.
- Nato ustvarite nabore podatkov za usposabljanje in validacijo.
- Končno, namestite AWS SAM CLI.
Razmestite potek dela
Če želite razmestiti potek dela, klonirajte GitHub repozitorij:
Ti ukazi zgradijo, zapakirajo in razmestijo vašo aplikacijo v AWS z nizom pozivov, kot je razloženo v repozitoriju.
Zaženite potek dela
Če želite preizkusiti potek dela, se pomaknite do razporejenega poteka dela na konzoli Step Functions in nato izberite Začni izvedbo.
Potek dela lahko traja od nekaj minut do nekaj ur. Če model prestane merila ocenjevanja, se v Amazon Rekognition ustvari končna točka za model. Če model ne prestane meril za ocenjevanje ali če usposabljanje ni uspelo, potek dela ne uspe. Stanje poteka dela lahko preverite na konzoli Step Functions. Za več informacij glejte Ogled in odpravljanje napak na konzoli Step Functions.
Izvedite napovedi modela
Za izvedbo napovedi glede na model lahko pokličete API Amazon Rekognition DetectCustomLabels. Za priklic tega API-ja mora klicatelj imeti potrebne AWS upravljanje identitete in dostopa (IAM) dovoljenja. Za več podrobnosti o izvajanju napovedi z uporabo tega API-ja glejte Analiza slike z izurjenim modelom.
Če pa morate API DetectCustomLabels javno izpostaviti, lahko API DetectCustomLabels predstavite z Amazon API Gateway. API Gateway je popolnoma upravljana storitev, ki razvijalcem olajša ustvarjanje, objavo, vzdrževanje, spremljanje in zaščito API-jev v poljubnem obsegu. Prehod API deluje kot vhodna vrata za vaš API DetectCustomLabels, kot je prikazano v naslednjem diagramu arhitekture.
API Gateway posreduje uporabnikovo zahtevo za sklepanje na AWS Lambda. Lambda je brezstrežniška računalniška storitev, ki temelji na dogodkih in vam omogoča zagon kode za skoraj vse vrste aplikacij ali zalednih storitev brez zagotavljanja ali upravljanja strežnikov. Lambda prejme zahtevo API-ja in pokliče API Amazon Rekognition DetectCustomLabels s potrebnimi dovoljenji IAM. Za več informacij o tem, kako nastaviti API Gateway z integracijo Lambda, glejte Nastavite integracije proxyja Lambda v API Gateway.
Sledi primer kode funkcije Lambda za klic API-ja DetectCustomLabels:
Čiščenje
Če želite izbrisati potek dela, uporabite AWS SAM CLI:
Če želite izbrisati model Rekognition Custom Labels, lahko uporabite konzolo Amazon Rekognition ali AWS SDK. Za več informacij glejte Brisanje modela Amazon Rekognition Custom Labels.
zaključek
V tej objavi smo se sprehodili skozi delovni tok funkcij korakov, da smo ustvarili nabor podatkov in nato usposobili, ovrednotili in uporabili model Rekognition Custom Labels. Delovni tok omogoča razvijalcem aplikacij in inženirjem ML, da avtomatizirajo korake klasifikacije oznak po meri za kateri koli primer uporabe računalniškega vida. Koda za potek dela je odprtokodna.
Za več učnih virov brez strežnikov obiščite Dežela brez strežnikov. Če želite izvedeti več o oznakah po meri Rekognition, obiščite Oznake po meri za ponovno odstranjevanje Amazon.
O Author
Veda Raman je višji specialist za rešitve za strojno učenje s sedežem v Marylandu. Veda sodeluje s strankami, da bi jim pomagala oblikovati učinkovite, varne in razširljive aplikacije strojnega učenja. Veda želi pomagati strankam pri uporabi brezstrežniških tehnologij za strojno učenje.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- : je
- $GOR
- 100
- 7
- 8
- a
- O meni
- dostop
- natančno
- čez
- aktov
- Poleg tega
- po
- proti
- algoritmi
- omogoča
- že
- Amazon
- Amazonsko ponovno vžiganje
- Analiza
- analizirati
- in
- API
- API-ji
- uporaba
- aplikacije
- Arhitektura
- SE
- AS
- Skupščina
- At
- avtomatizirati
- samodejno
- avtomatizacija
- Na voljo
- AWS
- Korak funkcije AWS
- Backend
- Ravnovesje
- temeljijo
- ker
- postane
- začetek
- zadaj
- v zakulisju
- med
- telo
- izgradnjo
- Building
- Gradi
- poslovni
- klic
- klicatelja
- poziva
- CAN
- Zmogljivosti
- ki
- primeru
- kategorije
- CD
- znaki
- preveriti
- Izberite
- Razvrstitev
- Razvrsti
- stranke
- Koda
- dokončanje
- Izračunajte
- računalnik
- Računalniška vizija
- Konzole
- ozadje
- bi
- ustvarjajo
- ustvaril
- Ustvarjanje
- Merila
- po meri
- Stranke, ki so
- datum
- nabor podatkov
- odločitve
- razporedi
- razporejeni
- uvajanja
- uvajanje
- Podrobnosti
- Odkrivanje
- Razvijalci
- neposredno
- razlikovati
- porazdeljena
- Ne
- By
- lahka
- enostaven za uporabo
- učinkovite
- bodisi
- Končna točka
- Inženirji
- dovolj
- Eter (ETH)
- oceniti
- ocenjevanje
- Ocena
- Event
- Primer
- obstoječih
- strokovno znanje
- razložiti
- f1
- ni uspelo
- ne uspe
- povratne informacije
- Nekaj
- file
- Najdi
- prva
- po
- sledi
- za
- iz
- spredaj
- v celoti
- funkcija
- funkcije
- Prehod
- ustvarjajo
- git
- Igrišče
- Imajo
- zdravo
- težka
- težko dvigovanje
- pomoč
- pomoč
- Pomaga
- gostovanje
- URE
- Kako
- Kako
- HTML
- HTTPS
- IAM
- identificirati
- identiteta
- slika
- analiza slike
- Razvrstitev slik
- slike
- in
- Podatki
- Namesto
- integrirati
- integracija
- integracije
- zainteresirani
- vmesnik
- vključuje
- IT
- json
- label
- označevanje
- Oznake
- velika
- UČITE
- učenje
- Lets
- Vzvod
- dviganje
- vrstica
- obremenitve
- lokalna
- logo
- stroj
- strojno učenje
- vzdrževati
- Znamka
- IZDELA
- upravlja
- upravljanje
- Navodilo
- ročno delo
- več
- Maryland
- mediji
- Metode
- meritev
- Meritve
- mikro storitve
- morda
- milijoni
- min
- ML
- ML algoritmi
- Model
- monitor
- mesecev
- več
- Krmarjenje
- potrebno
- Nimate
- potrebe
- Novo
- predmet
- Zaznavanje objektov
- of
- on
- OS
- izhod
- paket
- vzporedno
- deli
- vozovnice
- opravlja
- performance
- izvajati
- Dovoljenja
- rastline
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Prispevek
- Prispevkov
- Precision
- Napovedi
- Pripravimo
- prejšnja
- Procesi
- Izdelki
- Projekt
- zagotavljajo
- zagotavlja
- proxy
- javno
- objavijo
- resnični svet
- v realnem času
- prejetih
- prejme
- zmanjša
- Skladišče
- predstavlja
- zahteva
- zahteva
- zahteva
- viri
- Odgovor
- vrnitev
- Run
- s
- sagemaker
- sam
- zadovoljni
- zadovoljen z
- razširljive
- Lestvica
- prizori
- rezultat
- SDK
- zavarovanje
- višji
- Serija
- Brez strežnika
- Strežniki
- Storitev
- Storitve
- nastavite
- več
- policah
- Prikaži
- pokazale
- pomemben
- Enostavno
- preprosto
- saj
- majhna
- socialna
- družbeni mediji
- Objave v družabnih medijih
- rešitve
- specialist
- specifična
- Začetek
- Status
- Korak
- Koraki
- shranjevanje
- trgovina
- Struktura
- Bodite
- ob
- Skupine
- Tehnologije
- Test
- da
- O
- Njih
- tisoče
- skozi
- čas
- do
- Vlak
- usposobljeni
- usposabljanje
- vlaki
- tipično
- uporaba
- primeru uporabe
- potrjevanje
- preko
- Video posnetki
- praktično
- Vizija
- obisk
- hodil
- ki
- z
- v
- brez
- delo
- potek dela
- deluje
- Vaša rutina za
- zefirnet