I det sidste årti har computervisionsbrug været en voksende tendens, især inden for industrier som forsikring, bilindustrien, e-handel, energi, detailhandel, fremstilling og andre. Kunder bygger computer vision machine learning (ML) modeller for at bringe operationelle effektivitet og automatisering til deres processer. Sådanne modeller hjælper med at automatisere klassificeringen af billeder eller detektering af objekter af interesse i billeder, der er specifikke og unikke for din virksomhed.
For at forenkle ML-modelopbygningsprocessen introducerede vi Amazon SageMaker JumpStart i december 2020. JumpStart hjælper dig hurtigt og nemt i gang med ML. Det giver et-klik-implementering og finjustering af en lang række præ-trænede modeller samt et udvalg af end-to-end-løsninger. Dette fjerner de tunge løft fra hvert trin i ML-processen, hvilket gør det lettere at udvikle højkvalitetsmodeller og reducerer tiden til implementering. Det kræver dog, at du har en vis forhåndsviden for at hjælpe med modelvalg fra et katalog med over 200 fortrænede computervisionsmodeller. Du skal derefter benchmarke modellens ydeevne med forskellige hyperparameterindstillinger og vælge den bedste model, der skal implementeres i produktionen.
For at forenkle denne oplevelse og give udviklere med ringe eller ingen ML-ekspertise mulighed for at bygge brugerdefinerede computervisionsmodeller, udgiver vi en ny eksempelnotebook i JumpStart, der bruger Tilpassede etiketter til Amazon-genkendelse, en fuldt administreret tjeneste til at bygge brugerdefinerede computervisionsmodeller. Rekognition Custom Labels bygger på de fortrænede modeller i Amazon-anerkendelse, som allerede er trænet på titusinder af billeder på tværs af mange kategorier. I stedet for tusindvis af billeder, kan du komme i gang med et lille sæt træningsbilleder (et par hundrede eller mindre), der er specifikke for din use case. Tilpassede etiketter for anerkendelse fjerner kompleksiteten, der er forbundet med at bygge en tilpasset model. Den inspicerer automatisk træningsdataene, vælger de rigtige ML-algoritmer, vælger instanstypen, træner flere kandidatmodeller med forskellige hyperparametre og udsender den bedst trænede model. Rekognition Custom Labels giver også en brugervenlig grænseflade fra AWS Management Console for hele ML-workflowet, herunder mærkning af billeder, træning, implementering af en model og visualisering af testresultaterne.
Dette eksempel på en notesbog i JumpStart ved hjælp af Rekognition Custom Labels løser enhver billedklassificering eller objektdetektering computervision ML-opgave, hvilket gør det nemt for kunder, der er fortrolige med Amazon SageMaker at bygge en computervisionsløsning, der bedst passer til din brugssituation, krav og færdigheder.
I dette indlæg giver vi trin-for-trin instruktioner til at bruge denne eksempelnotesbog i JumpStart. Notesbogen demonstrerer, hvordan man nemt bruger Rekognition Custom Labels eksisterende trænings- og inferens-API'er til at skabe en billedklassifikationsmodel, en multi-label-klassifikationsmodel og en objektdetekteringsmodel. For at gøre det nemt for dig at komme i gang, har vi leveret eksempler på datasæt for hver model.
Træn og implementer en computervisionsmodel ved hjælp af Rekognition Custom Labels
I dette afsnit finder vi den ønskede notesbog i JumpStart og demonstrerer, hvordan man træner og kører inferens på det implementerede slutpunkt.
Lad os starte fra Amazon SageMaker Studio Launcher.
- På Studio Launcher skal du vælge Gå til SageMaker JumpStart.
JumpStart-destinationssiden har sektioner for karruseller til løsninger, tekstmodeller og visionsmodeller. Den har også en søgelinje. - Indtast i søgefeltet
Rekognition Custom Labels
og vælg Anerkendte brugerdefinerede etiketter til Vision notesbog.
Notesbogen åbnes i skrivebeskyttet tilstand. - Vælg Importer notesbog for at importere den bærbare computer til dit miljø.
Notebook'en giver en trin-for-trin guide til træning og løbeslutninger ved hjælp af Rekognition Custom Labels fra JumpStart-konsollen. Det giver følgende fire eksempeldatasæt til at demonstrere enkelt- og multi-label billedklassificering og objektdetektion.
-
- Single-label billedklassificering – Dette datasæt viser, hvordan man klassificerer billeder som tilhørende en af et sæt foruddefinerede etiketter. Ejendomsselskaber kan f.eks. bruge tilpassede etiketter for anerkendelse til at kategorisere deres billeder af stuer, baggårde, soveværelser og andre husstandssteder. Det følgende er et eksempelbillede fra dette datasæt, som er inkluderet som en del af notesbogen.
- Multi-label billedklassificering – Dette datasæt viser, hvordan man klassificerer billeder i flere kategorier, såsom farve, størrelse, tekstur og type af en blomst. For eksempel kan planteavlere bruge Rekognition Custom Labels til at skelne mellem forskellige typer blomster, og om de er sunde, beskadigede eller inficerede. Følgende billede er et eksempel fra dette datasæt.
- Objektdetektion – Dette datasæt demonstrerer objektlokalisering for at lokalisere dele, der bruges i produktions- eller produktionslinjer. For eksempel i elektronikindustrien kan Rekognition Custom Labels hjælpe med at tælle antallet af kondensatorer på et printkort. Følgende billede er et eksempel fra dette datasæt.
- Mærke- og logodetektion – Dette datasæt demonstrerer lokalisering af logoer eller mærker i et billede. For eksempel i medieindustrien kan en objektdetekteringsmodel hjælpe med at identificere placeringen af sponsorlogoer på fotografier. Det følgende er et eksempelbillede fra dette datasæt.
- Single-label billedklassificering – Dette datasæt viser, hvordan man klassificerer billeder som tilhørende en af et sæt foruddefinerede etiketter. Ejendomsselskaber kan f.eks. bruge tilpassede etiketter for anerkendelse til at kategorisere deres billeder af stuer, baggårde, soveværelser og andre husstandssteder. Det følgende er et eksempelbillede fra dette datasæt, som er inkluderet som en del af notesbogen.
- Følg trinene i notesbogen ved at køre hver celle.
Denne notesbog demonstrerer, hvordan du kan bruge en enkelt notesbog til at adressere både billedklassificering og objektdetekteringsbrugssager via Rekognition Custom label API'er.
Når du fortsætter med notesbogen, har du mulighed for at vælge et af de førnævnte eksempeldatasæt. Vi opfordrer dig til at prøve at køre notesbogen for hvert af datasættene.
Konklusion
I dette indlæg viste vi dig, hvordan du bruger Rekognition Custom Labels API'er til at bygge en billedklassificering eller en objektdetekteringscomputervisionsmodel til at klassificere og identificere objekter i billeder, der er specifikke for dine forretningsbehov. For at træne en model kan du komme i gang ved at levere ti til hundredvis af mærkede billeder i stedet for tusindvis. Anerkendte etiketter forenkler modeltræningen ved at tage sig af parametervalg som f.eks. maskintype, algoritmetype eller algoritmespecifikke hyperparametre (herunder antallet af lag i netværket, indlæringshastighed og batchstørrelse). Anerkendte brugerdefinerede etiketter forenkler også hosting af en trænet model og giver en enkel handling til at udføre slutninger med en trænet model.
Rekognition Custom Labels giver en brugervenlig konsoloplevelse til træningsprocessen, modelstyring og visualisering af datasætbilleder. Vi opfordrer dig til at lære mere om Brugerdefinerede etiketter for anerkendelse og prøv det med dine virksomhedsspecifikke datasæt.
For at komme i gang kan du navigere til eksempelnotesbogen Rekognition Custom Labels i SageMaker JumpStart.
Om forfatterne
Pashmeen Mistry er Senior Product Manager for Amazon Rekognition Custom Labels. Uden for arbejdet nyder Pashmeen eventyrlige vandreture, fotografering og at tilbringe tid med sin familie.
Abhishek Gupta er Senior AI Services Solution Architect hos AWS. Han hjælper kunder med at designe og implementere computervisionsløsninger.
- Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
- CryptoHawk. Altcoin radar. Gratis prøveversion.
- Kilde: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- abstracts
- tværs
- adresse
- AI
- AI-tjenester
- algoritme
- algoritmer
- allerede
- Amazon
- API'er
- automatisere
- Automation
- automotive
- AWS
- benchmark
- BEDSTE
- board
- brands
- bygge
- Bygning
- bygger
- virksomhed
- Kan få
- kandidat
- hvilken
- tilfælde
- valg
- Vælg
- klassificering
- Virksomheder
- computer
- Konsol
- skabe
- skik
- Kunder
- data
- årti
- demonstrere
- indsætte
- indsat
- implementering
- implementering
- Design
- Detektion
- udvikle
- udviklere
- forskellige
- nemt
- nem at bruge
- ecommerce
- Elektronik
- tilskynde
- Endpoint
- energi
- Indtast
- Miljø
- især
- ejendom
- eksempel
- eksisterende
- erfaring
- ekspertise
- familie
- efter
- Dyrkning
- vejlede
- hjælpe
- hjælper
- høj kvalitet
- Hosting
- husstand
- Hvordan
- How To
- Men
- HTTPS
- Hundreder
- identificere
- billede
- gennemføre
- medtaget
- Herunder
- industrier
- industrien
- forsikring
- interesse
- grænseflade
- involverede
- IT
- viden
- mærkning
- Etiketter
- LÆR
- læring
- løft
- lidt
- levende
- placering
- placeringer
- logo
- maskine
- machine learning
- Making
- lykkedes
- ledelse
- leder
- Produktion
- Medier
- millioner
- ML
- model
- modeller
- mere
- flere
- behov
- netværk
- notesbog
- nummer
- åbner
- drift
- Option
- Andet
- del
- ydeevne
- udfører
- fotografering
- behandle
- Processer
- Produkt
- produktion
- give
- giver
- leverer
- hurtigt
- fast ejendom
- reducere
- Krav
- Kræver
- Resultater
- detail
- Rum
- Kør
- kører
- Søg
- tjeneste
- Tjenester
- sæt
- Simpelt
- Størrelse
- lille
- løsninger
- Løsninger
- Løser
- nogle
- udgifterne
- sponsorere
- starte
- påbegyndt
- Studio
- tager
- prøve
- tusinder
- tid
- Kurser
- tog
- typer
- enestående
- brug
- række
- vision
- visualisering
- inden for
- Arbejde