กับ ป้ายกำกับที่กำหนดเองของ Amazon Rekognition, คุณสามารถมี ความหมายของ Amazon ฝึกโมเดลแบบกำหนดเองสำหรับการตรวจจับวัตถุหรือการจัดประเภทรูปภาพเฉพาะสำหรับความต้องการทางธุรกิจของคุณ ตัวอย่างเช่น Rekognition Custom Labels สามารถค้นหาโลโก้ของคุณในโพสต์บนโซเชียลมีเดีย ระบุผลิตภัณฑ์ของคุณบนชั้นวางของร้านค้า จำแนกชิ้นส่วนเครื่องจักรในสายการประกอบ แยกแยะพืชที่แข็งแรงและติดเชื้อ หรือตรวจจับตัวการ์ตูนในวิดีโอ
การพัฒนาโมเดล Rekognition Custom Labels เพื่อวิเคราะห์ภาพเป็นงานสำคัญที่ต้องใช้เวลา ความเชี่ยวชาญ และทรัพยากร โดยมักใช้เวลาหลายเดือนจึงจะเสร็จสมบูรณ์ นอกจากนี้ บ่อยครั้งที่ต้องใช้รูปภาพที่ติดฉลากด้วยมือหลายพันหรือหลายหมื่นภาพเพื่อให้โมเดลมีข้อมูลเพียงพอในการตัดสินใจได้อย่างถูกต้อง การสร้างข้อมูลนี้อาจใช้เวลาหลายเดือนในการรวบรวม และต้องใช้ทีมผู้ติดฉลากจำนวนมากเพื่อเตรียมข้อมูลนี้เพื่อใช้ในแมชชีนเลิร์นนิง (ML)
ด้วย Rekognition Custom Labels เราจะดูแลงานหนักสำหรับคุณ Rekognition Custom Labels สร้างขึ้นจากความสามารถที่มีอยู่ของ Amazon Rekognition ซึ่งได้รับการฝึกฝนมาแล้วกับภาพหลายสิบล้านภาพในหลายหมวดหมู่ แทนที่จะใช้รูปภาพเป็นพันๆ รูป คุณเพียงต้องอัปโหลดรูปภาพการฝึกอบรมชุดเล็กๆ (โดยทั่วไปคือไม่กี่ร้อยรูปภาพหรือน้อยกว่า) ที่เฉพาะเจาะจงกับกรณีการใช้งานของคุณผ่านคอนโซลที่ใช้งานง่ายของเรา หากภาพของคุณติดป้ายกำกับแล้ว Amazon Rekognition สามารถเริ่มฝึกได้ด้วยการคลิกเพียงไม่กี่ครั้ง หากไม่มี คุณสามารถติดป้ายกำกับได้โดยตรงภายในอินเทอร์เฟซการติดฉลากของ Amazon Rekognition หรือใช้ ความจริงของ Amazon SageMaker เพื่อติดฉลากให้กับคุณ หลังจากที่ Amazon Rekognition เริ่มฝึกจากชุดรูปภาพของคุณแล้ว Amazon Rekognition จะสร้างโมเดลการวิเคราะห์รูปภาพแบบกำหนดเองให้คุณในเวลาเพียงไม่กี่ชั่วโมง เบื้องหลัง Rekognition Custom Labels จะโหลดและตรวจสอบข้อมูลการฝึกโดยอัตโนมัติ เลือกอัลกอริทึม ML ที่เหมาะสม ฝึกโมเดล และให้ตัวชี้วัดประสิทธิภาพของโมเดล จากนั้น คุณสามารถใช้โมเดลที่กำหนดเองของคุณผ่าน Rekognition Custom Labels API และรวมเข้ากับแอปพลิเคชันของคุณ
อย่างไรก็ตาม การสร้างโมเดล Rekognition Custom Labels และการโฮสต์โมเดลสำหรับการคาดการณ์แบบเรียลไทม์นั้นเกี่ยวข้องกับหลายขั้นตอน ได้แก่ การสร้างโปรเจกต์ การสร้างชุดข้อมูลการฝึกอบรมและการตรวจสอบความถูกต้อง การฝึกโมเดล การประเมินโมเดล และสร้างจุดสิ้นสุด หลังจากปรับใช้โมเดลสำหรับการอนุมาน คุณอาจต้องฝึกโมเดลใหม่เมื่อมีข้อมูลใหม่หรือหากได้รับคำติชมจากการอนุมานในโลกแห่งความเป็นจริง การทำให้เวิร์กโฟลว์ทั้งหมดเป็นอัตโนมัติสามารถช่วยลดการทำงานด้วยตนเองได้
ในโพสต์นี้เราจะแสดงวิธีการใช้งานของคุณ ฟังก์ชันขั้นตอนของ AWS เพื่อสร้างและทำให้เวิร์กโฟลว์เป็นแบบอัตโนมัติ Step Functions คือบริการเวิร์กโฟลว์ภาพที่ช่วยให้นักพัฒนาใช้บริการของ AWS เพื่อสร้างแอปพลิเคชันแบบกระจาย ทำให้กระบวนการเป็นอัตโนมัติ ควบคุมไมโครเซอร์วิส และสร้างข้อมูลและไปป์ไลน์ ML
ภาพรวมโซลูชัน
ขั้นตอนการทำงานของ Step Functions มีดังนี้:
- ก่อนอื่น เราสร้างโครงการ Amazon Rekognition
- ในขณะเดียวกัน เราสร้างชุดข้อมูลการฝึกอบรมและการตรวจสอบความถูกต้องโดยใช้ชุดข้อมูลที่มีอยู่ เราสามารถใช้วิธีการต่อไปนี้:
- นำเข้าโครงสร้างโฟลเดอร์จาก บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) พร้อมโฟลเดอร์ที่แสดงป้ายกำกับ
- ใช้คอมพิวเตอร์ในระบบ
- ใช้ความจริงพื้นฐาน
- สร้างชุดข้อมูลโดยใช้ชุดข้อมูลที่มีอยู่กับ AWS SDK.
- สร้างชุดข้อมูลด้วยไฟล์รายการด้วย AWS SDK.
- หลังจากสร้างชุดข้อมูลแล้ว เราจะฝึกโมเดลป้ายที่กำหนดเองโดยใช้ สร้างเวอร์ชันโครงการ เอพีไอ การดำเนินการนี้อาจใช้เวลาตั้งแต่นาทีถึงชั่วโมงจึงจะเสร็จสมบูรณ์
- หลังจากฝึกโมเดลแล้ว เราจะประเมินโมเดลโดยใช้เอาต์พุตคะแนน F1 จากขั้นตอนก่อนหน้า เราใช้คะแนน F1 เป็นเมตริกการประเมินของเรา เนื่องจากให้ความสมดุลระหว่างความแม่นยำและการเรียกคืน คุณยังสามารถใช้ความแม่นยำหรือการเรียกคืนเป็นตัวชี้วัดการประเมินแบบจำลองของคุณ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเมตริกการประเมินป้ายกำกับที่กำหนดเอง โปรดดูที่ ตัวชี้วัดสำหรับการประเมินแบบจำลองของคุณ.
- จากนั้นเราจะเริ่มใช้แบบจำลองเพื่อคาดการณ์ว่าเราพอใจกับคะแนน F1 หรือไม่
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์ของ Step Functions
เบื้องต้น
ก่อนปรับใช้เวิร์กโฟลว์ เราจำเป็นต้องสร้างชุดข้อมูลการฝึกอบรมและการตรวจสอบความถูกต้องที่มีอยู่ ทำตามขั้นตอนต่อไปนี้:
- ประการแรก สร้างโครงการ Amazon Rekognition.
- จากนั้น สร้างชุดข้อมูลการฝึกอบรมและการตรวจสอบความถูกต้อง.
- ในที่สุด ติดตั้ง AWS SAM CLI.
ปรับใช้เวิร์กโฟลว์
หากต้องการปรับใช้เวิร์กโฟลว์ ให้โคลนไฟล์ พื้นที่เก็บข้อมูล GitHub:
คำสั่งเหล่านี้สร้าง จัดแพคเกจ และปรับใช้แอปพลิเคชันของคุณกับ AWS พร้อมชุดคำสั่งตามที่อธิบายไว้ในที่เก็บ
เรียกใช้เวิร์กโฟลว์
หากต้องการทดสอบเวิร์กโฟลว์ ให้ไปที่เวิร์กโฟลว์ที่ใช้งานบนคอนโซล Step Functions แล้วเลือก เริ่มดำเนินการ.
เวิร์กโฟลว์อาจใช้เวลาสองสามนาทีถึงสองสามชั่วโมงจึงจะเสร็จสมบูรณ์ หากโมเดลผ่านเกณฑ์การประเมิน จุดสิ้นสุดสำหรับโมเดลจะถูกสร้างขึ้นใน Amazon Rekognition ถ้าโมเดลไม่ผ่านเกณฑ์การประเมินหรือการฝึกอบรมล้มเหลว เวิร์กโฟลว์จะล้มเหลว คุณสามารถตรวจสอบสถานะของเวิร์กโฟลว์ได้ที่คอนโซล Step Functions สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การดูและการดีบักการดำเนินการบนคอนโซล Step Functions.
ทำการคาดการณ์แบบจำลอง
หากต้องการดำเนินการคาดการณ์กับโมเดล คุณสามารถโทรหา Amazon Rekognition DetectCustomLabels API. ในการเรียกใช้ API นี้ ผู้เรียกใช้จำเป็นต้องมีสิ่งที่จำเป็น AWS Identity และการจัดการการเข้าถึง (IAM) สิทธิ์ สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการคาดคะเนโดยใช้ API นี้ โปรดดูที่ การวิเคราะห์ภาพด้วยแบบจำลองที่ผ่านการฝึกอบรม.
อย่างไรก็ตาม หากคุณต้องการเปิดเผย DetectCustomLabels API ต่อสาธารณะ คุณสามารถแสดง DetectCustomLabels API ได้ Amazon API Gateway Amazon. API Gateway เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งทำให้นักพัฒนาสามารถสร้าง เผยแพร่ บำรุงรักษา ตรวจสอบ และรักษาความปลอดภัยของ API ในทุกขนาดได้อย่างง่ายดาย API Gateway ทำหน้าที่เป็นประตูหน้าสำหรับ DetectCustomLabels API ของคุณ ดังที่แสดงในไดอะแกรมสถาปัตยกรรมต่อไปนี้
API Gateway ส่งต่อคำขออนุมานของผู้ใช้ไปที่ AWS แลมบ์ดา. Lambda เป็นบริการประมวลผลแบบไร้เซิร์ฟเวอร์ที่ขับเคลื่อนด้วยเหตุการณ์ ซึ่งช่วยให้คุณเรียกใช้โค้ดสำหรับแอปพลิเคชันหรือบริการแบ็คเอนด์ทุกประเภทโดยไม่ต้องจัดเตรียมหรือจัดการเซิร์ฟเวอร์ Lambda ได้รับคำขอ API และเรียกใช้ Amazon Rekognition DetectCustomLabels API ด้วยสิทธิ์ IAM ที่จำเป็น สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีตั้งค่า API Gateway ด้วยการรวม Lambda โปรดดูที่ ตั้งค่าการรวมพร็อกซี Lambda ใน API Gateway.
ต่อไปนี้คือตัวอย่างโค้ดฟังก์ชัน Lambda เพื่อเรียกใช้ DetectCustomLabels API:
ทำความสะอาด
หากต้องการลบเวิร์กโฟลว์ ให้ใช้ AWS SAM CLI:
หากต้องการลบโมเดล Rekognition Custom Labels คุณสามารถใช้ Amazon Rekognition Console หรือ AWS SDK สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การลบโมเดล Amazon Rekognition Custom Labels.
สรุป
ในโพสต์นี้ เราแนะนำเวิร์กโฟลว์ Step Functions เพื่อสร้างชุดข้อมูล จากนั้นฝึก ประเมิน และใช้โมเดล Rekognition Custom Labels เวิร์กโฟลว์ช่วยให้นักพัฒนาแอปพลิเคชันและวิศวกร ML ทำขั้นตอนการจำแนกฉลากแบบกำหนดเองโดยอัตโนมัติสำหรับกรณีการใช้งานคอมพิวเตอร์วิทัศน์ รหัสสำหรับเวิร์กโฟลว์เป็นแบบโอเพ่นซอร์ส
สำหรับแหล่งข้อมูลการเรียนรู้แบบไร้เซิร์ฟเวอร์เพิ่มเติม โปรดไปที่ ที่ดินไร้เซิร์ฟเวอร์. หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับป้ายกำกับที่กำหนดเองของ Rekognition โปรดไปที่ ป้ายกำกับที่กำหนดเองของ Amazon Rekognition.
เกี่ยวกับผู้เขียน
พระเวท รามัน เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญอาวุโสสำหรับการเรียนรู้ของเครื่องในแมริแลนด์ Veda ทำงานร่วมกับลูกค้าเพื่อช่วยให้พวกเขาออกแบบแอปพลิเคชันแมชชีนเลิร์นนิงที่มีประสิทธิภาพ ปลอดภัย และปรับขนาดได้ พระเวทสนใจที่จะช่วยเหลือลูกค้าในการใช้เทคโนโลยีไร้เซิร์ฟเวอร์สำหรับการเรียนรู้ของเครื่อง
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :เป็น
- $ ขึ้น
- 100
- 7
- 8
- a
- เกี่ยวกับเรา
- เข้า
- แม่นยำ
- ข้าม
- การกระทำ
- นอกจากนี้
- หลังจาก
- กับ
- อัลกอริทึม
- ช่วยให้
- แล้ว
- อเมซอน
- ความหมายของ Amazon
- การวิเคราะห์
- วิเคราะห์
- และ
- API
- APIs
- การใช้งาน
- การใช้งาน
- สถาปัตยกรรม
- เป็น
- AS
- การชุมนุม
- At
- โดยอัตโนมัติ
- อัตโนมัติ
- โดยอัตโนมัติ
- ใช้ได้
- AWS
- ฟังก์ชันขั้นตอนของ AWS
- แบ็กเอนด์
- ยอดคงเหลือ
- ตาม
- เพราะ
- จะกลายเป็น
- เริ่ม
- หลัง
- เบื้องหลัง
- ระหว่าง
- ร่างกาย
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- โทรศัพท์
- ผู้เรียก
- โทร
- CAN
- ความสามารถในการ
- ซึ่ง
- กรณี
- หมวดหมู่
- CD
- อักขระ
- ตรวจสอบ
- Choose
- การจัดหมวดหมู่
- แยกประเภท
- ไคลเอนต์
- รหัส
- สมบูรณ์
- คำนวณ
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- ปลอบใจ
- สิ่งแวดล้อม
- ได้
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- เกณฑ์
- ประเพณี
- ลูกค้า
- ข้อมูล
- ชุดข้อมูล
- การตัดสินใจ
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- รายละเอียด
- การตรวจพบ
- นักพัฒนา
- โดยตรง
- เห็นความแตกต่าง
- กระจาย
- ไม่
- ประตู
- ง่าย
- ง่ายต่อการใช้งาน
- ที่มีประสิทธิภาพ
- ทั้ง
- ปลายทาง
- วิศวกร
- พอ
- อีเธอร์ (ETH)
- ประเมินค่า
- การประเมินการ
- การประเมินผล
- เหตุการณ์
- ตัวอย่าง
- ที่มีอยู่
- ความชำนาญ
- อธิบาย
- f1
- ล้มเหลว
- ล้มเหลว
- ข้อเสนอแนะ
- สองสาม
- เนื้อไม่มีมัน
- หา
- ชื่อจริง
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- ราคาเริ่มต้นที่
- ด้านหน้า
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชั่น
- เกตเวย์
- การสร้าง
- ไป
- พื้น
- มี
- แข็งแรง
- หนัก
- ยกของหนัก
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- โฮสติ้ง
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- HTTPS
- AMI
- แยกแยะ
- เอกลักษณ์
- ภาพ
- การวิเคราะห์ภาพ
- การจำแนกรูปภาพ
- ภาพ
- in
- ข้อมูล
- แทน
- รวบรวม
- บูรณาการ
- การผสานรวม
- สนใจ
- อินเตอร์เฟซ
- ที่เกี่ยวข้องกับการ
- IT
- JSON
- ฉลาก
- การติดฉลาก
- ป้ายกำกับ
- ใหญ่
- เรียนรู้
- การเรียนรู้
- ช่วยให้
- เลฟเวอเรจ
- facelift
- Line
- โหลด
- ในประเทศ
- โลโก้
- เครื่อง
- เรียนรู้เครื่อง
- เก็บรักษา
- ทำ
- ทำให้
- การจัดการ
- การจัดการ
- คู่มือ
- งานด้วยตนเอง
- หลาย
- แมรี่แลนด์
- ภาพบรรยากาศ
- วิธีการ
- เมตริก
- ตัวชี้วัด
- microservices
- อาจ
- ล้าน
- นาที
- ML
- อัลกอริทึม ML
- แบบ
- การตรวจสอบ
- เดือน
- ข้อมูลเพิ่มเติม
- นำทาง
- จำเป็น
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- วัตถุ
- การตรวจจับวัตถุ
- of
- on
- OS
- เอาท์พุต
- แพ็คเกจ
- Parallel
- ส่วน
- ผ่าน
- ดำเนินการ
- การปฏิบัติ
- ที่มีประสิทธิภาพ
- สิทธิ์
- พืช
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- โพสต์
- โพสต์
- ความแม่นยำ
- การคาดการณ์
- เตรียมการ
- ก่อน
- กระบวนการ
- ผลิตภัณฑ์
- โครงการ
- ให้
- ให้
- หนังสือมอบฉันทะ
- สาธารณชน
- ประกาศ
- โลกแห่งความจริง
- เรียลไทม์
- ที่ได้รับ
- ที่ได้รับ
- ลด
- กรุ
- เป็นตัวแทนของ
- ขอ
- ต้องการ
- ต้อง
- แหล่งข้อมูล
- คำตอบ
- กลับ
- วิ่ง
- s
- sagemaker
- แซม
- ความพึงพอใจ
- พอใจกับ
- ที่ปรับขนาดได้
- ขนาด
- ฉาก
- คะแนน
- SDK
- ปลอดภัย
- ระดับอาวุโส
- ชุด
- serverless
- เซิร์ฟเวอร์
- บริการ
- บริการ
- ชุด
- หลาย
- ชั้นวาง
- โชว์
- แสดง
- สำคัญ
- ง่าย
- ง่ายดาย
- ตั้งแต่
- เล็ก
- สังคม
- โซเชียลมีเดีย
- โพสต์โซเชียลมีเดีย
- โซลูชัน
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- เริ่มต้น
- Status
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- โครงสร้าง
- เอา
- การ
- ทีม
- เทคโนโลยี
- ทดสอบ
- ที่
- พื้นที่
- พวกเขา
- พัน
- ตลอด
- เวลา
- ไปยัง
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- รถไฟ
- เป็นปกติ
- ใช้
- ใช้กรณี
- การตรวจสอบ
- ผ่านทาง
- วิดีโอ
- จวน
- วิสัยทัศน์
- เยี่ยมชมร้านค้า
- เดิน
- ที่
- กับ
- ภายใน
- ไม่มี
- งาน
- เวิร์กโฟลว์
- โรงงาน
- ของคุณ
- ลมทะเล