Med Amazon Rekognition anpassade etiketter, du kan ha Amazon-erkännande träna en anpassad modell för objektdetektering eller bildklassificering som är specifik för ditt företags behov. Till exempel kan Rekognition Custom Labels hitta din logotyp i inlägg på sociala medier, identifiera dina produkter på butikshyllor, klassificera maskindelar i ett löpande band, särskilja friska och infekterade växter eller upptäcka animerade karaktärer i videor.
Att utveckla en Rekognition Custom Labels-modell för att analysera bilder är ett betydande uppdrag som kräver tid, expertis och resurser, som ofta tar månader att slutföra. Dessutom kräver det ofta tusentals eller tiotusentals handmärkta bilder för att ge modellen tillräckligt med data för att fatta beslut korrekt. Att generera denna data kan ta månader att samla in och kräver stora team av etikettörer för att förbereda den för användning i maskininlärning (ML).
Med Rekognition Custom Labels tar vi hand om de tunga lyften åt dig. Rekognition Custom Labels bygger på de befintliga funktionerna hos Amazon Rekognition, som redan tränas på tiotals miljoner bilder i många kategorier. Istället för tusentals bilder behöver du helt enkelt ladda upp en liten uppsättning träningsbilder (vanligtvis några hundra bilder eller färre) som är specifika för ditt användningsfall via vår lättanvända konsol. Om dina bilder redan är märkta kan Amazon Rekognition börja träna med bara några klick. Om inte kan du märka dem direkt i Amazon Rekognition-etiketteringsgränssnittet eller använda Amazon SageMaker Ground Sannhet för att märka dem åt dig. Efter att Amazon Rekognition börjar träna från din bilduppsättning, producerar den en anpassad bildanalysmodell åt dig på bara några timmar. Bakom kulisserna laddar och inspekterar Rekognition Custom Labels automatiskt träningsdata, väljer rätt ML-algoritmer, tränar en modell och tillhandahåller modellprestandamått. Du kan sedan använda din anpassade modell via Rekognition Custom Labels API och integrera den i dina applikationer.
Men att bygga en Rekognition Custom Labels-modell och vara värd för den för realtidsförutsägelser innebär flera steg: att skapa ett projekt, skapa utbildnings- och valideringsdatauppsättningar, träna modellen, utvärdera modellen och sedan skapa en slutpunkt. Efter att modellen har distribuerats för slutledning kan du behöva träna om modellen när ny data blir tillgänglig eller om feedback tas emot från verkliga slutsatser. Att automatisera hela arbetsflödet kan bidra till att minska manuellt arbete.
I det här inlägget visar vi hur du kan använda AWS stegfunktioner att bygga och automatisera arbetsflödet. Step Functions är en visuell arbetsflödestjänst som hjälper utvecklare att använda AWS-tjänster för att bygga distribuerade applikationer, automatisera processer, orkestrera mikrotjänster och skapa data- och ML-pipelines.
Lösningsöversikt
Arbetsflödet för Stegfunktioner är som följer:
- Vi skapar först ett Amazon Rekognition-projekt.
- Parallellt skapar vi utbildnings- och valideringsdataseten med hjälp av befintliga dataset. Vi kan använda följande metoder:
- Importera en mappstruktur från Amazon enkel lagringstjänst (Amazon S3) med mapparna som representerar etiketterna.
- Använd en lokal dator.
- Använd Ground Truth.
- Skapa en datauppsättning med hjälp av en befintlig datauppsättning med AWS SDK.
- Skapa en datauppsättning med en manifestfil med AWS SDK.
- Efter att datamängderna har skapats tränar vi en anpassad etikettmodell med hjälp av CreateProjectVersion API. Detta kan ta från minuter till timmar att slutföra.
- Efter att modellen har tränats utvärderar vi modellen med hjälp av F1-resultatet från föregående steg. Vi använder F1-poängen som vårt utvärderingsmått eftersom det ger en balans mellan precision och återkallelse. Du kan också använda precision eller återkallelse som mätvärden för modellutvärdering. För mer information om utvärderingsstatistik för anpassade etiketter, se Mätvärden för att utvärdera din modell.
- Vi börjar sedan använda modellen för förutsägelser om vi är nöjda med F1-poängen.
Följande diagram illustrerar arbetsflödet Step Functions.
Förutsättningar
Innan vi distribuerar arbetsflödet måste vi skapa befintliga utbildnings- och valideringsdatauppsättningar. Slutför följande steg:
- Först, skapa ett Amazon Rekognition-projekt.
- Därefter, skapa utbildnings- och valideringsdatauppsättningar.
- Slutligen installera AWS SAM CLI.
Distribuera arbetsflödet
För att distribuera arbetsflödet, klona GitHub repository:
Dessa kommandon bygger, paketerar och distribuerar din applikation till AWS, med en serie uppmaningar som förklaras i förvaret.
Kör arbetsflödet
För att testa arbetsflödet, navigera till det distribuerade arbetsflödet på Step Functions-konsolen och välj sedan Starta körning.
Arbetsflödet kan ta några minuter till några timmar att slutföra. Om modellen klarar utvärderingskriterierna skapas en endpoint för modellen i Amazon Rekognition. Om modellen inte klarar utvärderingskriterierna eller om utbildningen misslyckades, misslyckas arbetsflödet. Du kan kontrollera statusen för arbetsflödet på Step Functions-konsolen. För mer information, se Visa och felsöka körningar på Step Functions-konsolen.
Utför modellförutsägelser
För att utföra förutsägelser mot modellen kan du ringa till Amazon Rekognition DetectCustomLabels API. För att anropa detta API måste den som ringer ha det nödvändiga AWS identitets- och åtkomsthantering (IAM) behörigheter. För mer information om hur du utför förutsägelser med detta API, se Analysera en bild med en utbildad modell.
Men om du behöver exponera DetectCustomLabels API offentligt kan du fronta DetectCustomLabels API med Amazon API Gateway. API Gateway är en helt hanterad tjänst som gör det enkelt för utvecklare att skapa, publicera, underhålla, övervaka och säkra API:er i vilken skala som helst. API Gateway fungerar som ytterdörren för din DetectCustomLabels API, som visas i följande arkitekturdiagram.
API Gateway vidarebefordrar användarens begäran om slutledning till AWS Lambda. Lambda är en serverlös, händelsedriven beräkningstjänst som låter dig köra kod för praktiskt taget alla typer av applikationer eller backend-tjänster utan att tillhandahålla eller hantera servrar. Lambda tar emot API-begäran och anropar Amazon Rekognition DetectCustomLabels API med nödvändiga IAM-behörigheter. För mer information om hur du ställer in API Gateway med Lambda-integration, se Konfigurera Lambda-proxyintegrationer i API Gateway.
Följande är ett exempel på en lambdafunktionskod för att anropa DetectCustomLabels API:
Städa upp
För att ta bort arbetsflödet, använd AWS SAM CLI:
För att ta bort Rekognition Custom Labels-modellen kan du antingen använda Amazon Rekognition-konsolen eller AWS SDK. För mer information, se Ta bort en Amazon Rekognition Custom Labels-modell.
Slutsats
I det här inlägget gick vi igenom ett Step Functions-arbetsflöde för att skapa en datauppsättning och sedan träna, utvärdera och använda en Rekognition Custom Labels-modell. Arbetsflödet tillåter applikationsutvecklare och ML-ingenjörer att automatisera de anpassade etikettklassificeringsstegen för alla datorseende användningsfall. Koden för arbetsflödet är öppen källkod.
För mer serverlösa lärresurser, besök Serverlöst land. Om du vill veta mer om anpassade etiketter för Rekognition, besök Amazon Rekognition anpassade etiketter.
Om författaren
Veda Raman är en Senior Specialist Solutions Architect för maskininlärning baserad i Maryland. Veda arbetar med kunder för att hjälpa dem att skapa effektiva, säkra och skalbara maskininlärningsapplikationer. Veda är intresserade av att hjälpa kunder att utnyttja serverlösa teknologier för maskininlärning.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :är
- $UPP
- 100
- 7
- 8
- a
- Om oss
- tillgång
- exakt
- tvärs
- handlingar
- Dessutom
- Efter
- mot
- algoritmer
- tillåter
- redan
- amason
- Amazon-erkännande
- analys
- analysera
- och
- api
- API: er
- Ansökan
- tillämpningar
- arkitektur
- ÄR
- AS
- Montage
- At
- automatisera
- automatiskt
- automatisera
- tillgänglig
- AWS
- AWS stegfunktioner
- backend
- Balansera
- baserat
- därför att
- blir
- börja
- bakom
- bakom kulisserna
- mellan
- kropp
- SLUTRESULTAT
- Byggnad
- bygger
- företag
- Ring
- Uppringare
- Samtal
- KAN
- kapacitet
- vilken
- Vid
- kategorier
- CD
- tecken
- ta
- Välja
- klassificering
- klassificera
- klient
- koda
- fullborda
- Compute
- dator
- Datorsyn
- Konsol
- sammanhang
- kunde
- skapa
- skapas
- Skapa
- kriterier
- beställnings
- Kunder
- datum
- datauppsättningar
- beslut
- distribuera
- utplacerade
- utplacera
- utplacering
- detaljer
- Detektering
- utvecklare
- direkt
- skilja på
- distribueras
- inte
- Dörr
- lätt
- LÄTTANVÄND
- effektiv
- antingen
- Slutpunkt
- Ingenjörer
- tillräckligt
- Eter (ETH)
- utvärdera
- utvärdering
- utvärdering
- händelse
- exempel
- befintliga
- expertis
- förklarade
- f1
- Misslyckades
- misslyckas
- återkoppling
- få
- Fil
- hitta
- Förnamn
- efter
- följer
- För
- från
- främre
- fullständigt
- fungera
- funktioner
- nätbryggan
- generera
- gå
- Marken
- Har
- friska
- tung
- tunga lyft
- hjälpa
- hjälpa
- hjälper
- värd
- ÖPPETTIDER
- Hur ser din drömresa ut
- How To
- html
- HTTPS
- IAM
- identifiera
- Identitet
- bild
- bildanalys
- Bildklassificering
- bilder
- in
- informationen
- istället
- integrera
- integrering
- integrationer
- intresserad
- Gränssnitt
- innebär
- IT
- json
- etikett
- märkning
- Etiketter
- Large
- LÄRA SIG
- inlärning
- Lets
- Hävstång
- lyft
- linje
- laster
- lokal
- logotyp
- Maskinen
- maskininlärning
- bibehålla
- göra
- GÖR
- förvaltade
- hantera
- manuell
- manuellt arbete
- många
- Maryland
- Media
- metoder
- metriska
- Metrics
- microservices
- kanske
- miljoner
- minuter
- ML
- ML-algoritmer
- modell
- Övervaka
- månader
- mer
- Navigera
- nödvändigt för
- Behöver
- behov
- Nya
- objektet
- Objektdetektion
- of
- on
- OS
- produktion
- paket
- Parallell
- reservdelar till din klassiker
- passerar
- utföra
- prestanda
- utför
- behörigheter
- växter
- plato
- Platon Data Intelligence
- PlatonData
- Inlägg
- inlägg
- Precision
- Förutsägelser
- Förbered
- föregående
- processer
- Produkter
- projektet
- ge
- ger
- ombud
- publicly
- publicera
- verkliga världen
- realtid
- mottagna
- erhåller
- minska
- Repository
- representerar
- begära
- kräver
- Kräver
- Resurser
- respons
- avkastning
- Körning
- s
- sagemaker
- Sam
- nöjd
- nöjd med
- skalbar
- Skala
- scener
- göra
- sDK
- säkra
- senior
- Serier
- Server
- Servrar
- service
- Tjänster
- in
- flera
- hyllor
- show
- visas
- signifikant
- Enkelt
- helt enkelt
- eftersom
- Small
- Social hållbarhet
- sociala medier
- Sociala medier inlägg
- Lösningar
- specialist
- specifik
- starta
- status
- Steg
- Steg
- förvaring
- lagra
- struktur
- Ta
- tar
- lag
- Tekniken
- testa
- den där
- Smakämnen
- Dem
- tusentals
- Genom
- tid
- till
- Tåg
- tränad
- Utbildning
- tåg
- typiskt
- användning
- användningsfall
- godkännande
- via
- Video
- praktiskt taget
- syn
- Besök
- promenerade
- som
- med
- inom
- utan
- Arbete
- arbetsflöde
- fungerar
- Din
- zephyrnet