Với Nhãn tùy chỉnh Rekognition của Amazon, bạn có thể có Nhận thức lại Amazon đào tạo một mô hình tùy chỉnh để phát hiện đối tượng hoặc phân loại hình ảnh dành riêng cho nhu cầu kinh doanh của bạn. Ví dụ: Nhãn tùy chỉnh của Rekognition có thể tìm thấy biểu trưng của bạn trong các bài đăng trên mạng xã hội, xác định sản phẩm của bạn trên kệ hàng, phân loại các bộ phận máy trong dây chuyền lắp ráp, phân biệt cây khỏe mạnh và cây bị nhiễm bệnh hoặc phát hiện các nhân vật hoạt hình trong video.
Phát triển mô hình Nhãn tùy chỉnh Rekognition để phân tích hình ảnh là một công việc quan trọng đòi hỏi thời gian, kiến thức chuyên môn và tài nguyên, thường mất vài tháng để hoàn thành. Ngoài ra, nó thường yêu cầu hàng nghìn hoặc hàng chục nghìn hình ảnh được gắn nhãn thủ công để cung cấp cho mô hình đủ dữ liệu để đưa ra quyết định chính xác. Quá trình tạo dữ liệu này có thể mất hàng tháng để thu thập và yêu cầu các nhóm lớn gồm những người gắn nhãn chuẩn bị dữ liệu đó để sử dụng trong máy học (ML).
Với Nhãn tùy chỉnh của Rekognition, chúng tôi sẽ đảm nhận công việc nặng nhọc cho bạn. Nhãn tùy chỉnh của Rekognition được xây dựng dựa trên các khả năng hiện có của Amazon Rekognition, vốn đã được đào tạo trên hàng chục triệu hình ảnh trên nhiều danh mục. Thay vì hàng nghìn hình ảnh, bạn chỉ cần tải lên một tập hợp nhỏ các hình ảnh đào tạo (thường là vài trăm hình ảnh trở xuống) dành riêng cho trường hợp sử dụng của bạn thông qua bảng điều khiển dễ sử dụng của chúng tôi. Nếu hình ảnh của bạn đã được gắn nhãn, Amazon Rekognition có thể bắt đầu đào tạo chỉ sau vài cú nhấp chuột. Nếu không, bạn có thể gắn nhãn chúng trực tiếp trong giao diện gắn nhãn Amazon Rekognition hoặc sử dụng Sự thật về mặt đất của Amazon SageMaker để dán nhãn chúng cho bạn. Sau khi Amazon Rekognition bắt đầu đào tạo từ tập hợp hình ảnh của bạn, nó sẽ tạo ra một mô hình phân tích hình ảnh tùy chỉnh cho bạn chỉ sau vài giờ. Đằng sau hậu trường, Nhãn tùy chỉnh của Rekognition tự động tải và kiểm tra dữ liệu đào tạo, chọn thuật toán ML phù hợp, đào tạo một mô hình và cung cấp các chỉ số hiệu suất của mô hình. Sau đó, bạn có thể sử dụng mô hình tùy chỉnh của mình thông qua API nhãn tùy chỉnh Rekognition và tích hợp nó vào các ứng dụng của mình.
Tuy nhiên, việc xây dựng mô hình Nhãn tùy chỉnh Rekognition và lưu trữ mô hình đó để dự đoán theo thời gian thực bao gồm một số bước: tạo dự án, tạo bộ dữ liệu đào tạo và xác thực, đào tạo mô hình, đánh giá mô hình và sau đó tạo điểm cuối. Sau khi mô hình được triển khai để suy luận, bạn có thể phải đào tạo lại mô hình khi có dữ liệu mới hoặc nếu nhận được phản hồi từ suy luận trong thế giới thực. Tự động hóa toàn bộ quy trình làm việc có thể giúp giảm công việc thủ công.
Trong bài đăng này, chúng tôi chỉ ra cách bạn có thể sử dụng Chức năng bước AWS để xây dựng và tự động hóa quy trình làm việc. Step Functions là một dịch vụ luồng công việc trực quan giúp các nhà phát triển sử dụng các dịch vụ AWS để xây dựng các ứng dụng phân tán, tự động hóa các quy trình, sắp xếp các vi dịch vụ cũng như tạo các đường dẫn dữ liệu và ML.
Tổng quan về giải pháp
Quy trình làm việc của Step Functions như sau:
- Đầu tiên chúng ta tạo một dự án Amazon Rekognition.
- Song song, chúng tôi tạo bộ dữ liệu đào tạo và xác thực bằng cách sử dụng bộ dữ liệu hiện có. Chúng ta có thể sử dụng các phương pháp sau:
- Nhập cấu trúc thư mục từ Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) với các thư mục đại diện cho các nhãn.
- Sử dụng máy tính cục bộ.
- Sử dụng Ground Truth.
- Tạo tập dữ liệu bằng cách sử dụng tập dữ liệu hiện có với AWS SDK.
- Tạo tập dữ liệu có tệp kê khai bằng AWS SDK.
- Sau khi bộ dữ liệu được tạo, chúng tôi đào tạo mô hình Nhãn tùy chỉnh bằng cách sử dụng Phiên bản tạo dự án API. Quá trình này có thể mất từ vài phút đến vài giờ để hoàn thành.
- Sau khi mô hình được đào tạo, chúng tôi đánh giá mô hình bằng cách sử dụng đầu ra điểm F1 từ bước trước. Chúng tôi sử dụng điểm F1 làm chỉ số đánh giá vì điểm này mang lại sự cân bằng giữa độ chính xác và khả năng thu hồi. Bạn cũng có thể sử dụng độ chính xác hoặc thu hồi làm chỉ số đánh giá mô hình của mình. Để biết thêm thông tin về số liệu đánh giá nhãn tùy chỉnh, hãy tham khảo Các chỉ số để đánh giá mô hình của bạn.
- Sau đó, chúng tôi bắt đầu sử dụng mô hình để dự đoán nếu chúng tôi hài lòng với điểm F1.
Sơ đồ sau đây minh họa quy trình làm việc của Step Functions.
Điều kiện tiên quyết
Trước khi triển khai quy trình công việc, chúng ta cần tạo bộ dữ liệu đào tạo và xác thực hiện có. Hoàn thành các bước sau:
- Đầu tiên, tạo dự án Amazon Rekognition.
- Sau đó, tạo bộ dữ liệu đào tạo và xác nhận.
- Ngoài ra, thẻ cào cài đặt AWS SAM CLI.
Triển khai quy trình làm việc
Để triển khai quy trình công việc, hãy sao chép Kho GitHub:
Các lệnh này xây dựng, đóng gói và triển khai ứng dụng của bạn lên AWS, với một loạt lời nhắc như được giải thích trong kho lưu trữ.
Chạy quy trình làm việc
Để kiểm tra quy trình làm việc, hãy điều hướng đến quy trình làm việc đã triển khai trên bảng điều khiển Step Functions, sau đó chọn Bắt đầu thực hiện.
Quy trình công việc có thể mất vài phút đến vài giờ để hoàn thành. Nếu mô hình vượt qua các tiêu chí đánh giá, một điểm cuối cho mô hình sẽ được tạo trong Amazon Rekognition. Nếu mô hình không vượt qua các tiêu chí đánh giá hoặc đào tạo không thành công, quy trình làm việc sẽ thất bại. Bạn có thể kiểm tra trạng thái của quy trình công việc trên bảng điều khiển Step Functions. Để biết thêm thông tin, hãy tham khảo Xem và gỡ lỗi các lần thực thi trên bảng điều khiển Step Functions.
Thực hiện dự đoán mô hình
Để thực hiện dự đoán đối với mô hình, bạn có thể gọi hàm API Amazon Rekognition DetectCustomLabels. Để gọi API này, người gọi cần có thông tin cần thiết Quản lý truy cập và nhận dạng AWS (IAM) quyền. Để biết thêm chi tiết về cách thực hiện các dự đoán bằng API này, hãy tham khảo Phân tích một hình ảnh với một mô hình được đào tạo.
Tuy nhiên, nếu bạn cần hiển thị API DetectCustomLabels một cách công khai, bạn có thể sử dụng API DetectCustomLabels trước Cổng API Amazon. API Gateway là một dịch vụ được quản lý hoàn toàn giúp các nhà phát triển dễ dàng tạo, xuất bản, duy trì, giám sát và bảo mật API ở mọi quy mô. Cổng API hoạt động như cửa trước cho API DetectCustomLabels của bạn, như được hiển thị trong sơ đồ kiến trúc sau.
API Gateway chuyển tiếp yêu cầu suy luận của người dùng tới AWS Lambda. Lambda là một dịch vụ điện toán hướng sự kiện, không cần máy chủ, cho phép bạn chạy mã cho hầu như mọi loại ứng dụng hoặc dịch vụ phụ trợ mà không cần cung cấp hoặc quản lý máy chủ. Lambda nhận yêu cầu API và gọi API Amazon Rekognition DetectCustomLabels với các quyền IAM cần thiết. Để biết thêm thông tin về cách thiết lập API Gateway có tích hợp Lambda, hãy tham khảo Thiết lập tích hợp proxy Lambda trong API Gateway.
Sau đây là mã hàm Lambda mẫu để gọi API DetectCustomLabels:
Làm sạch
Để xóa quy trình công việc, hãy sử dụng AWS SAM CLI:
Để xóa mô hình Nhãn tùy chỉnh Rekognition, bạn có thể sử dụng bảng điều khiển Amazon Rekognition hoặc AWS SDK. Để biết thêm thông tin, hãy tham khảo Xóa mô hình Nhãn tùy chỉnh Rekognition của Amazon.
Kết luận
Trong bài đăng này, chúng tôi đã hướng dẫn quy trình công việc Step Functions để tạo tập dữ liệu, sau đó huấn luyện, đánh giá và sử dụng mô hình Nhãn tùy chỉnh Rekognition. Quy trình làm việc cho phép các nhà phát triển ứng dụng và kỹ sư ML tự động hóa các bước phân loại nhãn tùy chỉnh cho mọi trường hợp sử dụng thị giác máy tính. Mã cho quy trình làm việc có nguồn mở.
Để biết thêm tài nguyên học tập serverless, hãy truy cập Vùng đất không máy chủ. Để tìm hiểu thêm về nhãn tùy chỉnh Rekognition, hãy truy cập Nhãn tùy chỉnh Rekognition của Amazon.
Lưu ý
Veda Raman là Kiến trúc sư Giải pháp Chuyên gia Cao cấp về máy học có trụ sở tại Maryland. Veda làm việc với khách hàng để giúp họ kiến trúc các ứng dụng học máy hiệu quả, an toàn và có thể mở rộng. Veda quan tâm đến việc giúp khách hàng tận dụng các công nghệ máy chủ cho Máy học.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/automate-amazon-rekognition-custom-labels-model-training-and-deployment-using-aws-step-functions/
- :là
- $ LÊN
- 100
- 7
- 8
- a
- Giới thiệu
- truy cập
- chính xác
- ngang qua
- hành vi
- Ngoài ra
- Sau
- chống lại
- thuật toán
- cho phép
- Đã
- đàn bà gan dạ
- Nhận thức lại Amazon
- phân tích
- phân tích
- và
- api
- API
- Các Ứng Dụng
- các ứng dụng
- kiến trúc
- LÀ
- AS
- hợp ngữ
- At
- tự động hóa
- tự động
- tự động hóa
- có sẵn
- AWS
- Chức năng bước AWS
- Backend
- Cân đối
- dựa
- bởi vì
- trở thành
- bắt đầu
- sau
- đằng sau hậu trường
- giữa
- thân hình
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- cuộc gọi
- Caller
- Cuộc gọi
- CAN
- khả năng
- mà
- trường hợp
- đố
- CD
- nhân vật
- kiểm tra
- Chọn
- phân loại
- Phân loại
- khách hàng
- mã
- hoàn thành
- Tính
- máy tính
- Tầm nhìn máy tính
- An ủi
- bối cảnh
- có thể
- tạo
- tạo ra
- Tạo
- tiêu chuẩn
- khách hàng
- khách hàng
- dữ liệu
- bộ dữ liệu
- quyết định
- triển khai
- triển khai
- triển khai
- triển khai
- chi tiết
- Phát hiện
- phát triển
- trực tiếp
- phân biệt
- phân phối
- Không
- Cửa
- dễ dàng
- dễ sử dụng
- hiệu quả
- hay
- Điểm cuối
- Kỹ sư
- đủ
- Ether (ETH)
- đánh giá
- đánh giá
- đánh giá
- Sự kiện
- ví dụ
- hiện tại
- chuyên môn
- Giải thích
- f1
- thất bại
- không
- thông tin phản hồi
- vài
- Tập tin
- Tìm kiếm
- Tên
- tiếp theo
- sau
- Trong
- từ
- trước mặt
- đầy đủ
- chức năng
- chức năng
- cửa ngõ
- tạo ra
- đi
- Mặt đất
- Có
- khỏe mạnh
- nặng
- nâng nặng
- giúp đỡ
- giúp đỡ
- giúp
- lưu trữ
- GIỜ LÀM VIỆC
- Độ đáng tin của
- Hướng dẫn
- HTML
- HTTPS
- IAM
- xác định
- Bản sắc
- hình ảnh
- Phân tích hình ảnh
- Phân loại hình ảnh
- hình ảnh
- in
- thông tin
- thay vì
- tích hợp
- hội nhập
- tích hợp
- quan tâm
- Giao thức
- liên quan đến
- IT
- json
- nhãn
- ghi nhãn
- Nhãn
- lớn
- LEARN
- học tập
- cho phép
- Tỉ lệ đòn bẩy
- nâng
- Dòng
- tải
- địa phương
- Logo
- máy
- học máy
- duy trì
- làm cho
- LÀM CHO
- quản lý
- quản lý
- nhãn hiệu
- công việc thủ công
- nhiều
- Maryland
- Phương tiện truyền thông
- phương pháp
- số liệu
- Metrics
- microservices
- Might
- hàng triệu
- phút
- ML
- Thuật toán ML
- kiểu mẫu
- Màn Hình
- tháng
- chi tiết
- Điều hướng
- cần thiết
- Cần
- nhu cầu
- Mới
- vật
- Phát hiện đối tượng
- of
- on
- OS
- đầu ra
- gói
- Song song
- các bộ phận
- vượt qua
- thực hiện
- hiệu suất
- biểu diễn
- quyền
- nhà máy
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- Bài đăng
- bài viết
- Độ chính xác
- Dự đoán
- Chuẩn bị
- trước
- Quy trình
- Sản phẩm
- dự án
- cho
- cung cấp
- Proxy
- công khai
- xuất bản
- thế giới thực
- thời gian thực
- nhận
- nhận
- giảm
- kho
- đại diện
- yêu cầu
- yêu cầu
- đòi hỏi
- Thông tin
- phản ứng
- trở lại
- chạy
- s
- nhà làm hiền triết
- Sam
- hài lòng
- hài lòng với
- khả năng mở rộng
- Quy mô
- cảnh
- Điểm số
- sdk
- an toàn
- cao cấp
- Loạt Sách
- Không có máy chủ
- Các máy chủ
- dịch vụ
- DỊCH VỤ
- định
- một số
- kệ
- hiển thị
- thể hiện
- có ý nghĩa
- Đơn giản
- đơn giản
- kể từ khi
- nhỏ
- Mạng xã hội
- truyền thông xã hội
- Bài đăng trên mạng xã hội
- Giải pháp
- chuyên gia
- riêng
- Bắt đầu
- Trạng thái
- Bước
- Các bước
- là gắn
- hàng
- cấu trúc
- Hãy
- dùng
- đội
- Công nghệ
- thử nghiệm
- việc này
- Sản phẩm
- Them
- hàng ngàn
- Thông qua
- thời gian
- đến
- Train
- đào tạo
- Hội thảo
- tàu hỏa
- thường
- sử dụng
- ca sử dụng
- xác nhận
- thông qua
- Video
- hầu như
- tầm nhìn
- Truy cập
- đi bộ
- cái nào
- với
- ở trong
- không có
- Công việc
- quy trình làm việc
- công trinh
- trên màn hình
- zephyrnet