з Спеціальні етикетки Amazon Rekogmination, ти можеш мати Amazon Rekognition навчіть спеціальну модель для виявлення об’єктів або класифікації зображень відповідно до потреб вашого бізнесу. Наприклад, Rekognition Custom Labels може знаходити ваш логотип у публікаціях у соціальних мережах, ідентифікувати ваші продукти на полицях магазинів, класифікувати деталі машин на конвеєрі, розрізняти здорові та заражені рослини або виявляти анімаційних персонажів у відео.
Розробка моделі користувальницьких міток Rekognition для аналізу зображень є серйозною справою, яка потребує часу, досвіду та ресурсів і часто триває місяцями. Крім того, часто потрібні тисячі або десятки тисяч зображень, позначених вручну, щоб надати моделі достатньо даних для точного прийняття рішень. Збір цих даних може тривати кілька місяців і потребуватиме великих команд етикетників, щоб підготувати їх для використання в машинному навчанні (ML).
З Rekognition Custom Labels ми подбаємо про важку роботу за вас. Rekognition Custom Labels базується на існуючих можливостях Amazon Rekognition, які вже навчені на десятках мільйонів зображень у багатьох категоріях. Замість тисяч зображень вам просто потрібно завантажити невеликий набір навчальних зображень (зазвичай кілька сотень зображень або менше), які відповідають вашому випадку використання через нашу просту у використанні консоль. Якщо ваші зображення вже позначені, Amazon Rekognition може розпочати навчання всього за кілька кліків. Якщо ні, ви можете позначити їх безпосередньо в інтерфейсі маркування Amazon Rekognition або скористатися Основна правда Amazon SageMaker щоб позначити їх для вас. Після того як Amazon Rekognition почне навчання з вашого набору зображень, він створить для вас спеціальну модель аналізу зображення всього за кілька годин. За лаштунками Rekognition Custom Labels автоматично завантажує та перевіряє навчальні дані, вибирає правильні алгоритми ML, навчає модель і надає показники ефективності моделі. Потім ви можете використовувати власну модель за допомогою Rekognition Custom Labels API та інтегрувати її у свої програми.
Однак побудова моделі користувацьких міток Rekognition і її розміщення для передбачень у реальному часі включає кілька етапів: створення проекту, створення наборів даних для навчання та перевірки, навчання моделі, оцінювання моделі, а потім створення кінцевої точки. Після розгортання моделі для логічного висновку вам, можливо, доведеться перенавчити модель, коли з’являться нові дані або якщо буде отримано зворотний зв’язок із логічних висновків у реальному світі. Автоматизація всього робочого процесу може допомогти зменшити ручну роботу.
У цій публікації ми покажемо, як ви можете використовувати Функції кроку AWS побудувати та автоматизувати робочий процес. Step Functions — це служба візуального робочого процесу, яка допомагає розробникам використовувати служби AWS для створення розподілених програм, автоматизації процесів, оркестрування мікросервісів і створення даних і конвеєрів машинного навчання.
Огляд рішення
Робочий процес крокових функцій виглядає наступним чином:
- Спочатку ми створюємо проект Amazon Rekognition.
- Паралельно ми створюємо набори даних для навчання та перевірки, використовуючи наявні набори даних. Ми можемо використовувати такі методи:
- Імпортувати структуру папок із Служба простого зберігання Amazon (Amazon S3) з папками, що представляють мітки.
- Використовуйте локальний комп'ютер.
- Використовуйте Ground Truth.
- Створіть набір даних, використовуючи наявний набір даних за допомогою AWS SDK.
- Створіть набір даних із файлом маніфесту за допомогою AWS SDK.
- Після створення наборів даних ми навчаємо модель спеціальних міток за допомогою CreateProjectVersion API. Це може тривати від хвилин до годин.
- Після того, як модель навчена, ми оцінюємо модель, використовуючи вихідні дані F1 з попереднього кроку. Ми використовуємо оцінку F1 як метрику оцінки, оскільки вона забезпечує баланс між точністю та запам’ятовуванням. Ви також можете використовувати точність або відкликання як показники оцінки моделі. Щоб отримати додаткові відомості про метрики оцінки спеціальної мітки, див Метрики для оцінки вашої моделі.
- Потім ми починаємо використовувати модель для прогнозів, якщо нас задовольняє оцінка F1.
Наступна діаграма ілюструє робочий процес крокових функцій.
Передумови
Перш ніж розгортати робочий процес, нам потрібно створити наявні набори даних для навчання та перевірки. Виконайте наступні дії:
- По-перше, створити проект Amazon Rekognition.
- Потім створити набори даних для навчання та перевірки.
- Нарешті, інсталюйте AWS SAM CLI.
Розгорніть робочий процес
Щоб розгорнути робочий процес, клонуйте GitHub сховище:
Ці команди створюють, упаковують і розгортають вашу програму в AWS із серією підказок, як описано в репозиторії.
Запустіть робочий процес
Щоб перевірити робочий процес, перейдіть до розгорнутого робочого процесу на консолі Step Functions, а потім виберіть Почати виконання.
Робочий процес може тривати від кількох хвилин до кількох годин. Якщо модель відповідає критеріям оцінювання, в Amazon Rekognition створюється кінцева точка моделі. Якщо модель не відповідає критеріям оцінювання або навчання не вдалося, робочий процес не вдається. Ви можете перевірити статус робочого циклу на консолі Step Functions. Для отримання додаткової інформації див Перегляд і налагодження виконання на консолі Step Functions.
Виконайте прогнозування моделі
Щоб виконувати прогнози щодо моделі, ви можете викликати API Amazon Rekognition DetectCustomLabels. Щоб викликати цей API, абонент повинен мати необхідні Управління ідентифікацією та доступом AWS (IAM) дозволи. Докладніше про виконання прогнозів за допомогою цього API див Аналіз зображення за допомогою тренованої моделі.
Однак, якщо вам потрібно оприлюднити API DetectCustomLabels, ви можете передати API DetectCustomLabels за допомогою API -шлюз Amazon. API Gateway — це повністю керована служба, яка дозволяє розробникам легко створювати, публікувати, підтримувати, контролювати та захищати API будь-якого масштабу. Шлюз API діє як вхідні двері для вашого API DetectCustomLabels, як показано на наведеній нижче схемі архітектури.
API Gateway пересилає запит користувача на висновки AWS Lambda. Lambda — це безсерверний обчислювальний сервіс, керований подіями, який дозволяє запускати код практично для будь-якого типу додатків або серверних служб без підготовки та керування серверами. Lambda отримує запит API та викликає Amazon Rekognition DetectCustomLabels API з необхідними дозволами IAM. Додаткову інформацію про те, як налаштувати шлюз API з інтеграцією Lambda, див Налаштуйте інтеграцію лямбда-проксі в API Gateway.
Нижче наведено приклад коду функції Lambda для виклику API DetectCustomLabels:
Прибирати
Щоб видалити робочий процес, використовуйте AWS SAM CLI:
Щоб видалити модель користувацьких міток Rekognition, ви можете скористатися консоллю Amazon Rekognition або AWS SDK. Для отримання додаткової інформації див Видалення моделі спеціальних міток Amazon Rekognition.
Висновок
У цій публікації ми ознайомилися з робочим процесом Step Functions, щоб створити набір даних, а потім навчити, оцінити та використати модель Rekognition Custom Labels. Робочий процес дозволяє розробникам додатків та інженерам ML автоматизувати етапи класифікації власних міток для будь-якого випадку використання комп’ютерного зору. Код робочого процесу є відкритим.
Щоб отримати більше безсерверних навчальних ресурсів, відвідайте Земля без серверів. Щоб дізнатися більше про спеціальні мітки Rekognition, відвідайте веб-сторінку Спеціальні етикетки Amazon Rekogmination.
Про автора
Веда Раман є старшим фахівцем з розробки рішень для машинного навчання в Меріленді. Veda працює з клієнтами, щоб допомогти їм розробити ефективні, безпечні та масштабовані програми машинного навчання. Veda зацікавлена в тому, щоб допомогти клієнтам використовувати безсерверні технології для машинного навчання.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :є
- $UP
- 100
- 7
- 8
- a
- МЕНЮ
- доступ
- точно
- через
- акти
- Додатково
- після
- проти
- алгоритми
- дозволяє
- вже
- Amazon
- Amazon Rekognition
- аналіз
- аналізувати
- та
- API
- Інтерфейси
- додаток
- застосування
- архітектура
- ЕСТЬ
- AS
- збірка
- At
- автоматизувати
- автоматично
- автоматизація
- доступний
- AWS
- Функції кроку AWS
- Backend
- Balance
- заснований
- оскільки
- стає
- починати
- за
- за лаштунками
- між
- тіло
- будувати
- Створюємо
- Будує
- бізнес
- call
- гість
- Виклики
- CAN
- можливості
- який
- випадок
- категорії
- CD
- символи
- перевірка
- Вибирати
- класифікація
- Класифікувати
- клієнт
- код
- повний
- обчислення
- комп'ютер
- Комп'ютерне бачення
- Консоль
- контекст
- може
- створювати
- створений
- створення
- Критерії
- виготовлений на замовлення
- Клієнти
- дані
- набори даних
- рішення
- розгортання
- розгорнути
- розгортання
- розгортання
- деталі
- Виявлення
- розробників
- безпосередньо
- розрізняти
- розподілений
- Ні
- Двері
- легко
- легкий у використанні
- ефективний
- або
- Кінцева точка
- Інженери
- досить
- Ефір (ETH)
- оцінювати
- оцінки
- оцінка
- Event
- приклад
- існуючий
- експертиза
- пояснені
- f1
- не вдалося
- зазнає невдачі
- зворотний зв'язок
- кілька
- філе
- знайти
- Перший
- після
- слідує
- для
- від
- перед
- повністю
- функція
- Функції
- шлюз
- породжує
- Git
- Земля
- Мати
- здоровий
- важкий
- важкий підйом
- допомога
- допомогу
- допомагає
- хостинг
- ГОДИННИК
- Як
- How To
- HTML
- HTTPS
- IAM
- ідентифікувати
- Особистість
- зображення
- аналіз зображення
- Класифікація зображень
- зображень
- in
- інформація
- замість
- інтегрувати
- інтеграція
- інтеграцій
- зацікавлений
- інтерфейс
- включає в себе
- IT
- json
- етикетка
- маркування
- етикетки
- великий
- УЧИТЬСЯ
- вивчення
- дозволяє
- Важіль
- підйомний
- Лінія
- вантажі
- місцевий
- логотип
- машина
- навчання за допомогою машини
- підтримувати
- зробити
- РОБОТИ
- вдалося
- управління
- керівництво
- ручна робота
- багато
- Меріленд
- Медіа
- методика
- метрика
- Метрика
- мікросервіс
- може бути
- мільйони
- протокол
- ML
- Алгоритми ML
- модель
- монітор
- місяців
- більше
- Переміщення
- необхідно
- Необхідність
- потреби
- Нові
- об'єкт
- Виявлення об'єктів
- of
- on
- OS
- вихід
- пакет
- Паралельні
- частини
- проходить
- виконувати
- продуктивність
- виконанні
- Дозволи
- рослин
- plato
- Інформація про дані Платона
- PlatoData
- пошта
- Пости
- Точність
- Прогнози
- Готувати
- попередній
- процеси
- Продукти
- проект
- забезпечувати
- забезпечує
- повноваження
- публічно
- публікувати
- Реальний світ
- реального часу
- отримано
- отримує
- зменшити
- Сховище
- представляє
- запросити
- вимагати
- Вимагається
- ресурси
- відповідь
- повертати
- прогін
- s
- мудрець
- Сем
- Незадоволений
- задоволений
- масштабовані
- шкала
- сцени
- рахунок
- Sdk
- безпечний
- старший
- Серія
- Без сервера
- Сервери
- обслуговування
- Послуги
- комплект
- кілька
- полиці
- Показувати
- показаний
- значний
- простий
- просто
- з
- невеликий
- соціальна
- соціальні медіа
- Повідомлення в соціальних мережах
- Рішення
- спеціаліст
- конкретний
- старт
- Статус
- Крок
- заходи
- зберігання
- зберігати
- структура
- Приймати
- взяття
- команди
- Технології
- тест
- Що
- Команда
- Їх
- тисячі
- через
- час
- до
- поїзд
- навчений
- Навчання
- поїзда
- типово
- використання
- використання випадку
- перевірка достовірності
- через
- Відео
- фактично
- бачення
- візит
- пішов
- який
- з
- в
- без
- Work
- робочий
- працює
- вашу
- зефірнет