Amazon-anerkendelse gør det nemt at tilføje billed- og videoanalyse til dine applikationer. Det er baseret på den samme gennemprøvede, meget skalerbare, deep learning-teknologi udviklet af Amazons computervisionsforskere til at analysere milliarder af billeder og videoer dagligt. Det kræver ingen maskinlæringsekspertise (ML) at bruge, og vi tilføjer løbende nye computervisionsfunktioner til tjenesten. Amazon Rekognition inkluderer en enkel, brugervenlig API, der hurtigt kan analysere enhver billed- eller videofil, der er gemt i Amazon Simple Storage Service (Amazon S3).
Kunder på tværs af brancher såsom reklame- og marketingteknologi, spil, medier og detail- og e-handel stoler på billeder uploadet af deres slutbrugere (brugergenereret indhold eller UGC) som en kritisk komponent for at skabe engagement på deres platform. De bruger Amazon Rekognition indholdsmoderering at opdage upassende, uønsket og stødende indhold for at beskytte deres brands omdømme og fremme sikre brugerfællesskaber.
I dette indlæg vil vi diskutere følgende:
- Content Moderation model version 7.0 og muligheder
- Hvordan fungerer Amazon Rekognition Bulk Analysis til indholdsmoderering
- Sådan forbedrer du forudsigelse af indholdsmoderering med masseanalyse og tilpasset moderering
Indholdsmodereringsmodel version 7.0 og muligheder
Amazon Rekognition Content Moderation version 7.0 tilføjer 26 nye moderationsetiketter og udvider moderationsetikettaksonomien fra en to-lags til en tre-tier etiketkategori. Disse nye etiketter og den udvidede taksonomi gør det muligt for kunderne at opdage finkornede begreber på det indhold, de ønsker at moderere. Derudover introducerer den opdaterede model en ny mulighed for at identificere to nye indholdstyper, animeret og illustreret indhold. Dette giver kunderne mulighed for at oprette detaljerede regler for at inkludere eller ekskludere sådanne indholdstyper fra deres moderationsworkflow. Med disse nye opdateringer kan kunder moderere indhold i overensstemmelse med deres indholdspolitik med højere nøjagtighed.
Lad os se på et eksempel på registrering af moderationsetiket for det følgende billede.
Følgende tabel viser moderationsetiketter, indholdstype og konfidensscore, der returneres i API-svaret.
Modereringsetiketter | Taksonomi niveau | Tillidsresultater |
Vold | L1 | 92.6 % |
Grafisk vold | L2 | 92.6 % |
Eksplosioner og eksplosioner | L3 | 92.6 % |
Indholdstyper | Tillidsresultater |
illustreret | 93.9 % |
Besøg vores for at få den fulde taksonomi for Content Moderation version 7.0 udviklervejledning.
Masseanalyse til indholdsmoderering
Amazon Rekognition Content Moderering giver også batch-billedmoderering ud over moderering i realtid ved hjælp af Amazon Anerkendelse Bulk Analyse. Det giver dig mulighed for at analysere store billedsamlinger asynkront for at opdage upassende indhold og få indsigt i de moderationskategorier, der er tildelt billederne. Det eliminerer også behovet for at bygge en batch-billedmodereringsløsning til kunder.
Du kan få adgang til masseanalysefunktionen enten via Amazon Rekognition-konsollen eller ved at kalde API'erne direkte ved hjælp af AWS CLI og AWS SDK'erne. På Amazon Rekognition-konsollen kan du uploade de billeder, du vil analysere, og få resultater med et par klik. Når masseanalysejobbet er fuldført, kan du identificere og se forudsigelserne om moderationetiketter, såsom eksplicit, ikke-eksplicit nøgenhed af intime dele og kys, vold, stoffer og tobak og mere. Du modtager også en tillidsscore for hver etiketkategori.
Opret et masseanalysejob på Amazon Rekognition-konsollen
Udfør følgende trin for at prøve Amazon Rekognition Bulk Analysis:
- På Amazon Rekognition-konsollen skal du vælge Bulk Analyse i navigationsruden.
- Vælg Start masseanalyse.
- Indtast et jobnavn, og angiv de billeder, der skal analyseres, enten ved at indtaste en S3-spandplacering eller ved at uploade billeder fra din computer.
- Eventuelt kan du vælge en adapter at analysere billeder ved hjælp af den brugerdefinerede adapter, som du har trænet ved hjælp af Custom Moderation.
- Vælg Start analyse at køre jobbet.
Når processen er færdig, kan du se resultaterne på Amazon Rekognition-konsollen. Desuden vil en JSON-kopi af analyseresultaterne blive gemt på Amazon S3-outputplaceringen.
Amazon Rekognition Bulk Analysis API-anmodning
I dette afsnit guider vi dig gennem oprettelse af et masseanalysejob til billedmoderering ved hjælp af programmeringsgrænseflader. Hvis dine billedfiler ikke allerede er i en S3-bøtte, skal du uploade dem for at sikre adgang fra Amazon Rekognition. Svarende til at oprette et masseanalysejob på Amazon Rekognition-konsollen, når du påberåber Start medieanalysejob API, skal du angive følgende parametre:
- OperationsConfig – Disse er konfigurationsmulighederne for det medieanalysejob, der skal oprettes:
- MinConfidence – Minimumssikkerhedsniveauet med det gyldige interval på 0–100 for modereringsetiketterne at returnere. Amazon Rekognition returnerer ikke nogen etiketter med et konfidensniveau, der er lavere end denne angivne værdi.
- Input – Dette omfatter følgende:
- S3 Objekt – S3-objektoplysningerne for input-manifestfilen, inklusive bucket og navnet på filen. inputfilen inkluderer JSON-linjer for hvert billede, der er gemt på S3-bøtten. for eksempel:
{"source-ref": "s3://MY-INPUT-BUCKET/1.jpg"}
- S3 Objekt – S3-objektoplysningerne for input-manifestfilen, inklusive bucket og navnet på filen. inputfilen inkluderer JSON-linjer for hvert billede, der er gemt på S3-bøtten. for eksempel:
- OutputConfig – Dette omfatter følgende:
- S3 Bucket – S3-bøttenavnet for outputfilerne.
- S3KeyPrefix – Nøglepræfikset for outputfilerne.
Se følgende kode:
Du kan påberåbe den samme medieanalyse ved at bruge følgende AWS CLI-kommando:
Amazon Rekognition Bulk Analysis API resultater
For at få en liste over masseanalysejob, kan du bruge ListMediaAnalysisJobs
. Svaret inkluderer alle detaljer om input- og outputfiler for analysejob og status for jobbet:
Du kan også påberåbe dig list-media-analysis-jobs
kommando via AWS CLI:
Amazon Rekognition Bulk Analysis genererer to outputfiler i output-bøtten. Den første fil er manifest-summary.json
, som inkluderer masseanalysejobstatistikker og en liste over fejl:
Den anden fil er results.json
, som inkluderer én JSON-linje pr. hvert analyseret billede i følgende format. Hvert resultat inkluderer kategori på øverste niveau (L1) af et detekteret mærke og kategorien af mærket på andet niveau (L2), med en konfidensscore mellem 1-100. Nogle Taxonomy Level 2-etiketter kan have Taxonomy Level 3-etiketter (L3). Dette muliggør en hierarkisk klassificering af indholdet.
Du kan bruge Brugerdefinerede modereringsadaptere senere for at analysere dine billeder ved blot at vælge den tilpassede adapter, mens du opretter et nyt masseanalysejob eller via API ved at videregive den tilpassede adapters unikke adapter-id.
Resumé
I dette indlæg har vi givet en oversigt over Content Moderation version 7.0, Bulk Analysis for Content Moderation, og hvordan man forbedrer Content Moderation forudsigelser ved hjælp af Bulk Analysis og Custom Moderation. For at prøve de nye modereringsetiketter og masseanalyse skal du logge ind på din AWS-konto og tjekke Amazon Rekognition-konsollen for Billedmoderering , Bulk Analyse.
Om forfatterne
Mehdy Haghy er en Senior Solutions Architect hos AWS WWCS team med speciale i AI og ML på AWS. Han arbejder med virksomhedskunder og hjælper dem med at migrere, modernisere og optimere deres arbejdsbelastninger til AWS-skyen. I sin fritid nyder han at tilberede persisk mad og elektronik fiksere.
Shipra Kanoria er Principal Product Manager hos AWS. Hun brænder for at hjælpe kunder med at løse deres mest komplekse problemer med kraften i maskinlæring og kunstig intelligens. Før hun kom til AWS, tilbragte Shipra over 4 år hos Amazon Alexa, hvor hun lancerede mange produktivitetsrelaterede funktioner på Alexa-stemmeassistenten.
Maria Handoko er Senior Product Manager hos AWS. Hun fokuserer på at hjælpe kunder med at løse deres forretningsudfordringer gennem machine learning og computervision. I sin fritid nyder hun at vandre, lytte til podcasts og udforske forskellige køkkener.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/improving-content-moderation-with-amazon-rekognition-bulk-analysis-and-custom-moderation/
- :er
- :ikke
- :hvor
- 1
- 10
- 100
- 11
- 12
- 14
- 20
- 22
- 24
- 26 %
- 50
- 60
- 7
- 91
- a
- Om
- adgang
- overensstemmelse
- Konto
- nøjagtighed
- tværs
- tilføje
- tilføje
- Desuden
- Derudover
- Tilføjer
- Reklame
- AI
- Alexa
- Alle
- tillader
- allerede
- også
- Amazon
- Amazon-anerkendelse
- Amazon Web Services
- an
- analyse
- analysere
- analyseret
- ,
- enhver
- api
- API'er
- applikationer
- passende
- ER
- kunstig
- kunstig intelligens
- AS
- tildelt
- Assistant
- At
- AWS
- bund
- baseret
- BE
- før
- jf. nedenstående
- mellem
- milliarder
- brand
- Pause
- Bygning
- virksomhed
- by
- ringer
- CAN
- kapaciteter
- kapacitet
- kategorier
- Boligtype
- udfordringer
- kontrollere
- Vælg
- klassificering
- cli
- Cloud
- kode
- samlinger
- kommando
- Fællesskaber
- fuldføre
- Fuldender
- komplekse
- komponent
- komponenter
- computer
- Computer Vision
- begreber
- tillid
- Konfiguration
- Konsol
- indhold
- Indholdstyper
- løbende
- kopiere
- korrigere
- skabe
- oprettet
- Oprettelse af
- kritisk
- Nuværende
- skik
- Kunder
- dagligt
- dato tid
- dyb
- dyb læring
- detaljer
- opdage
- opdaget
- Detektion
- udviklet
- forskellige
- direkte
- diskutere
- gør
- Er ikke
- køre
- Narkotika
- e
- e-handel
- hver
- nemt
- let
- nem at bruge
- enten
- Elektronik
- eliminerer
- andet
- muliggøre
- muliggør
- engagement
- forbedre
- sikre
- indtastning
- Enterprise
- fejl
- evalueret
- eksempel
- Eksklusive
- udvidet
- udvider
- ekspertise
- Udforskning
- udvide
- mislykkedes
- falsk
- Feature
- Funktionalitet
- få
- File (Felt)
- Filer
- Fornavn
- fokuserer
- følger
- efter
- fødevarer
- Til
- format
- Foster
- fra
- fuld
- Gevinst
- spil
- genererer
- få
- kornet
- vejlede
- Have
- he
- hjælpe
- hende
- hierarkisk
- højere
- stærkt
- hans
- Hvordan
- How To
- HTML
- http
- HTTPS
- i
- ID
- identificere
- if
- billede
- billeder
- importere
- Forbedre
- forbedring
- in
- omfatter
- Herunder
- industrier
- oplysninger
- indgang
- indsigt
- Intelligens
- grænseflader
- intime
- ind
- Introducerer
- IT
- Job
- Karriere
- sammenføjning
- jpg
- json
- Nøgle
- Kissing
- L1
- l2
- etiket
- Etiketter
- stor
- senere
- seneste
- lanceret
- læring
- mindst
- Niveau
- Line (linje)
- linjer
- Liste
- Lytte
- placering
- log
- Se
- lavere
- maskine
- machine learning
- maerker
- leder
- mange
- markere
- Marketing
- Kan..
- Medier
- migrere
- minimum
- ML
- model
- moderat
- mådehold
- modernisere
- modulær
- mere
- mest
- navn
- Navigation
- Behov
- negativ
- negativer
- Ny
- ingen
- objekt
- opnå
- of
- offensiv
- on
- engang
- ONE
- Optimer
- Indstillinger
- or
- ordrer
- OS
- vores
- ud
- output
- i løbet af
- oversigt
- side
- brød
- parametre
- dele
- Passing
- lidenskabelige
- per
- piller
- perron
- plato
- Platon Data Intelligence
- PlatoData
- Podcasts
- politik
- positiv
- Indlæg
- magt
- forudsagde
- forudsigelse
- Forudsigelser
- forudsætning
- præsentere
- Main
- problemer
- behandle
- Produkt
- produktchef
- Produkter
- Programmering
- beskytte
- gennemprøvet
- give
- forudsat
- giver
- hurtigt
- rækkevidde
- realtid
- modtage
- region
- stole
- omdømme
- Kræver
- svar
- resultere
- Resultater
- detail
- afkast
- regler
- Kør
- sikker
- samme
- skalerbar
- forskere
- score
- scores
- sdks
- Anden
- Sektion
- se
- Vælg
- udvælgelse
- senior
- tjeneste
- Tjenester
- Session
- hun
- Shows
- lignende
- Simpelt
- ganske enkelt
- løsninger
- Løsninger
- SOLVE
- nogle
- speciale
- specificeret
- brugt
- statistik
- Status
- Steps
- opbevaring
- opbevaret
- sådan
- RESUMÉ
- bord
- taksonomi
- hold
- Teknologier
- end
- at
- deres
- Them
- derefter
- Disse
- de
- denne
- Gennem
- tid
- til
- Tog
- uddannet
- Kurser
- sand
- prøv
- to
- typen
- typer
- UGC
- enestående
- uønsket
- opdateret
- opdateringer
- uploadet
- Uploading
- brug
- Bruger
- ved brug af
- gyldig
- VALIDATE
- værdi
- Verifikation
- verifikationer
- verificere
- udgave
- via
- video
- Videoer
- Specifikation
- Vold
- vision
- Besøg
- Voice
- Venter
- ønsker
- we
- web
- webservices
- hvornår
- som
- mens
- vilje
- med
- Arbejde
- workflow
- virker
- X
- år
- Du
- Din
- zephyrnet