Tilpassede etiketter til Amazon-genkendelse er en fuldt administreret computervisionstjeneste, der giver udviklere mulighed for at bygge brugerdefinerede modeller til at klassificere og identificere objekter i billeder, der er specifikke og unikke for din virksomhed.
Rekognition Custom Labels kræver ikke, at du har nogen forudgående ekspertise inden for computersyn. Du kan komme i gang ved blot at uploade titusinder af billeder i stedet for tusindvis. Hvis billederne allerede er mærket, kan du begynde at træne en model med blot et par klik. Hvis ikke, kan du mærke dem direkte i Rekognition Custom Labels-konsollen eller bruge Amazon SageMaker Ground Truth at mærke dem. Rekognition Custom Labels bruger transfer learning til automatisk at inspicere træningsdataene, vælge den rigtige modelramme og algoritme, optimere hyperparametrene og træne modellen. Når du er tilfreds med modellens nøjagtighed, kan du begynde at hoste den trænede model med blot et enkelt klik.
Men hvis du er en forretningsbruger, der ønsker at løse et computersynsproblem, visualisere slutningsresultater af den tilpassede model og modtage meddelelser, når sådanne slutningsresultater er tilgængelige, skal du stole på dit ingeniørteam til at bygge en sådan applikation. For eksempel kan en driftsleder for landbruget få besked, når en afgrøde viser sig at have en sygdom, en vinproducent kan få besked, når druerne er høstmodne, eller en butikschef kan få besked, når det er tid til at genopbygge lagerbeholdninger såsom læskedrikke i et lodret køleskab.
I dette indlæg guider vi dig gennem processen med at bygge en løsning, der giver dig mulighed for at visualisere slutningsresultatet og sende meddelelser til abonnerede brugere, når specifikke etiketter identificeres i billeder, der behandles ved hjælp af modeller bygget af Rekognition Custom Labels.
Løsningsoversigt
Følgende diagram illustrerer vores løsningsarkitektur.
Denne løsning bruger følgende AWS-tjenester til at implementere en skalerbar og omkostningseffektiv arkitektur:
- Amazonas Athena – En serverløs interaktiv forespørgselstjeneste, der gør det nemt at analysere data i Amazon S3 ved hjælp af standard SQL.
- AWS Lambda – En serverløs beregningstjeneste, der lader dig køre kode som svar på triggere såsom ændringer i data, skift i systemtilstand eller brugerhandlinger. Fordi Amazon S3 direkte kan udløse en Lambda-funktion, kan du bygge en række realtid serverless databehandlingssystemer.
- Amazon QuickSight – En meget hurtig, brugervenlig, cloud-drevet virksomhedsanalysetjeneste, der gør det nemt at bygge visualiseringer, udføre ad hoc-analyser og hurtigt få forretningsindsigt fra dataene.
- Tilpassede etiketter til Amazon-genkendelse – Giver dig mulighed for at træne en brugerdefineret computervisionsmodel til at identificere objekter og scener i billeder, der er specifikke for din virksomheds behov.
- Amazon Simple Notification Service – Amazon SNS er en fuldt administreret meddelelsestjeneste til både applikation-til-applikation (A2A) og applikation-til-person (A2P) kommunikation.
- Amazon Simple Queue Service – Amazon SQS er en fuldt administreret beskedkø-tjeneste, der giver dig mulighed for at afkoble og skalere mikrotjenester, distribuerede systemer og serverløse applikationer.
- Amazon Simple Storage Service – Amazon S3 fungerer som et objektlager for dine dokumenter og giver mulighed for central styring med finjusteret adgangskontrol.
Løsningen anvender en serverløs arbejdsgang, der udløses, når et billede uploades til input S3-bøtten. En SQS-kø modtager en hændelsesmeddelelse til objektoprettelse. Løsningen skaber også døde bogstavskøer (DLQ'er) at tilsidesætte og isolere beskeder, der ikke kan behandles korrekt. En Lambda-funktion feeds fra SQS-køen og gør DetectLabels
API-kald for at registrere alle etiketter i billedet. For at skalere denne løsning og gøre den til et løst koblet design sender Lambda-funktionen forudsigelsesresultaterne til en anden SQS-kø. Denne SQS-kø udløser en anden Lambda-funktion, som analyserer alle de etiketter, der findes i forudsigelserne. Baseret på brugerpræferencen (konfigureret under løsningsimplementering) udgiver funktionen en besked til et SNS-emne. SNS-emnet er konfigureret til at levere e-mail-meddelelser til brugeren. Du kan konfigurere Lambda-funktionen til at tilføje en URL til meddelelsen sendt til Amazon SNS for at få adgang til billedet (ved hjælp af en Amazon S3 foruddefineret URL). Endelig uploader Lambda-funktionen et forudsigelsesresultat og billedmetadata til en S3-bøtte. Du kan derefter bruge Athena og QuickSight til at analysere og visualisere resultaterne fra S3-spanden.
Forudsætninger
Du skal have en model trænet og kørende med Rekognition Custom Labels.
Rekognition Custom Labels giver dig mulighed for at styre træningsprocessen for maskinlæringsmodeller på Amazon-anerkendelse konsol, som forenkler end-to-end modeludviklingsprocessen. Til dette indlæg bruger vi en klassifikationsmodel trænet til at påvise plantebladssygdom.
Implementer løsningen
Du indsætter en AWS CloudFormation skabelon til at levere de nødvendige ressourcer, herunder S3-buckets, SQS-køer, SNS-emne, Lambda-funktioner og AWS identitets- og adgangsstyring (IAM) roller. Skabelonen opretter stakken us-east-1-regionen, men du kan bruge skabelonen til at oprette din stak i enhver region, hvor ovenstående AWS-tjenester er tilgængelige.
- Start følgende CloudFormation-skabelon i regionen og AWS-kontoen, hvor du implementerede Rekognition Custom Labels-modellen:
- Til Staknavn, indtast et staknavn, som f.eks
rekognition-customlabels-analytics-and-notification
. - Til CustomModelARN, skal du indtaste ARN for Amazon Rekognition Custom Labels-modellen, som du vil bruge.
Rekognition Custom Labels-modellen skal implementeres i den samme AWS-konto.
- Til E-mailbesked, indtast en e-mailadresse, hvor du vil modtage meddelelser.
- Til Input BucketName, indtast et unikt navn for den S3-spand, som stakken opretter; for eksempel,
plant-leaf-disease-data-input
.
Det er her de indkommende plantebladsbilleder gemmes.
- Til Etiketter af interesse, kan du indtaste op til 10 forskellige etiketter, du vil have besked om, i kommasepareret format. For vores plantesygdomseksempel, indtast
bacterial-leaf-blight,leaf-smut
. - Til MinConfidence, skal du indtaste den minimale konfidensgrænse for at modtage besked. Etiketter, der registreres med en konfidens under værdien af MinConfidence, returneres ikke i svaret og genererer ikke meddelelser.
- Til OutputBucketName, indtast et unikt navn for den S3-spand, som stakken opretter; for eksempel,
plant-leaf-disease-data-output
.
Output-bøtten indeholder JSON-filer med billedmetadata (etiketter fundet og konfidensscore).
- Vælg Næste.
- På Konfigurer stakindstillinger side, skal du indstille eventuelle yderligere parametre for stakken, inklusive tags.
- Vælg Næste.
- I Evner og transformationer sektion, skal du markere afkrydsningsfeltet for at anerkende, at AWS CloudFormation kan oprette IAM ressourcer.
- Vælg Opret stak.
Siden med stakdetaljer skal vise stakkens status som CREATE_IN_PROGRESS
. Det kan tage op til 5 minutter, før status ændres til CREATE_COMPLETE
.
Amazon SNS sender en abonnementsbekræftelse til e-mailadressen. Du skal bekræfte abonnementet.
Test løsningen
Nu hvor vi har implementeret ressourcerne, er vi klar til at teste løsningen. Vær sikker på at du starte modellen.
- På Amazon S3-konsollen skal du vælge spande.
- Vælg input S3-bøtten.
- Upload testbilleder til bøtten.
I produktionen kan du opsætte automatiserede processer til at levere billeder til denne bucket.
Disse billeder udløser arbejdsgangen. Hvis etikettens konfidens overstiger den angivne tærskel, modtager du en e-mailmeddelelse som følgende.
Du kan også konfigurere SNS-emnet til at levere disse meddelelser til enhver destinationer understøttet af tjenesten.
Analyser forudsigelsesresultaterne
Når du har testet løsningen, kan du udvide løsningen for at skabe en visuel analyse for forudsigelser af behandlede billeder. Til dette formål bruger vi Athena, en interaktiv forespørgselstjeneste, der gør det nemt at analysere data direkte fra Amazon S3 ved hjælp af standard SQL, og QuickSight til at visualisere dataene.
Konfigurer Athena
Hvis du ikke er bekendt med Amazon Athena, se denne tutorial. På Athena-konsollen skal du oprette en tabel i Athena-datakataloget med følgende kode:
Befolke Location
felt i den foregående forespørgsel med dit output-spandnavn, som f.eks plant-leaf-disease-data-output
.
Denne kode fortæller Athena, hvordan hver række af teksten i S3-bøtten skal fortolkes.
Du kan nu forespørge dataene:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Konfigurer QuickSight
For at konfigurere QuickSight skal du udføre følgende trin:
- Åbne QuickSight konsol.
- Hvis du ikke er tilmeldt QuickSight, bliver du bedt om muligheden for at tilmelde dig. Følg trinene til tilmeld dig for at bruge QuickSight.
- Når du har logget ind på QuickSight, skal du vælge Administrer QuickSight under din konto.
- Vælg i navigationsruden Sikkerhed og tilladelser.
- Under QuickSight-adgang til AWS-tjenester, vælg Tilføj eller fjern.
Der vises en side for at aktivere QuickSight-adgang til AWS-tjenester.
- Type Amazon Athena.
- Vælg i pop op-vinduet Næste.
- På fanen S3 skal du vælge de nødvendige S3-spande. Til dette indlæg vælger jeg den bøtte, der gemmer mine Athena-forespørgselsresultater.
- For hver spand skal du også vælge Skrivetilladelse til Athena Workgroup.
- Vælg Finish.
- Vælg Opdatering.
- Vælg på QuickSight-konsollen Ny analyse.
- Vælg Nyt datasæt.
- Til datasæt, vælg Athena.
- Til Datakildenavn, gå ind
Athena-CustomLabels-analysis
. - Til Athena arbejdsgruppe, vælg primære.
- Vælg Opret datakilde.
- Til Database, vælg
default
i rullemenuen. - Til tabeller, vælg tabellen
rekognition_customlabels_analytics
. - Vælg Vælg.
- Vælg Visualiser.
- På Visualiser side under Fields liste, vælg label og vælg cirkeldiagrammet fra Visuelle typer.
Du kan tilføje flere visualiseringer i dashboardet. Når din analyse er klar, kan du vælge Del at oprette et dashboard og dele det i din organisation.
Resumé
I dette indlæg viste vi, hvordan du kan oprette en løsning til at modtage meddelelser om specifikke etiketter (såsom bakteriel bladskimmel eller bladsmuts) fundet i behandlede billeder ved hjælp af Rekognition Custom Labels. Derudover viste vi, hvordan du kan oprette dashboards for at visualisere resultaterne ved hjælp af Athena og QuickSight.
Du kan nu nemt dele sådanne visualiseringsdashboards med forretningsbrugere og give dem mulighed for at abonnere på notifikationer i stedet for at skulle stole på, at dine ingeniørteams kan bygge en sådan applikation.
Om forfatterne
Jay Rao er Principal Solutions Architect hos AWS. Han nyder at yde teknisk og strategisk vejledning til kunder og hjælpe dem med at designe og implementere løsninger på AWS.
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.
- 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/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- adgang
- Konto
- aktioner
- Ad
- Desuden
- Yderligere
- adresse
- algoritme
- Alle
- allerede
- Amazon
- analyse
- analytics
- En anden
- api
- Anvendelse
- applikationer
- arkitektur
- Automatiseret
- til rådighed
- AWS
- grænse
- Boks
- bygge
- Bygning
- virksomhed
- ringe
- Kan få
- lave om
- Vælg
- klassificering
- kode
- Kommunikation
- Compute
- tillid
- Konsol
- indeholder
- omkostningseffektiv
- koblede
- skaber
- skabelse
- afgrøde
- skik
- Kunder
- instrumentbræt
- data
- indsætte
- indsat
- implementering
- Design
- opdaget
- udviklere
- Udvikling
- forskellige
- direkte
- Sygdom
- distribueret
- dokumenter
- Er ikke
- nemt
- muliggør
- Engineering
- Indtast
- begivenhed
- eksempel
- ekspertise
- udvide
- familie
- FAST
- Endelig
- følger
- efter
- format
- fundet
- Framework
- funktion
- generere
- have
- Hvordan
- How To
- HTTPS
- identificere
- Identity
- billede
- gennemføre
- Herunder
- indgang
- indsigt
- interaktiv
- IT
- bare en
- Etiketter
- læring
- Liste
- placering
- leder
- maskine
- machine learning
- maerker
- lykkedes
- ledelse
- leder
- messaging
- minimum
- model
- modeller
- mere
- Navigation
- underretning
- Produktion
- Option
- organisation
- fotografering
- forudsigelse
- Forudsigelser
- Main
- Problem
- behandle
- Processer
- Produkt
- produktion
- leverer
- formål
- hurtigt
- realtid
- modtage
- kræver
- Ressourcer
- svar
- Resultater
- Kør
- kører
- skalerbar
- Scale
- scener
- Serverless
- tjeneste
- Tjenester
- sæt
- Del
- Simpelt
- løsninger
- Løsninger
- SOLVE
- udgifterne
- stable
- standard
- starte
- påbegyndt
- Tilstand
- Status
- opbevaring
- butik
- forhandler
- Strategisk
- Hold mig opdateret
- abonnement
- Understøttet
- systemet
- Systemer
- hold
- Teknisk
- fortæller
- prøve
- tusinder
- Gennem
- tid
- Kurser
- overførsel
- enestående
- brug
- brugere
- værdi
- række
- vision
- visualisering
- inden for
- Arbejde
- arbejdsgruppe