Amazon-Anerkennung ist ein Computer-Vision-Dienst, mit dem Sie Ihren Anwendungen mithilfe von bewährter, hoch skalierbarer Deep-Learning-Technologie, für deren Verwendung kein ML-Know-how erforderlich ist, auf einfache Weise Bild- und Videoanalysen hinzufügen können. Mit Amazon Rekognition können Sie Objekte, Personen, Texte, Szenen und Aktivitäten in Bildern und Videos identifizieren und unangemessene Inhalte erkennen. Amazon Rekognition bietet außerdem hochpräzise Gesichtsanalyse- und Gesichtssuchfunktionen, mit denen Sie Gesichter für eine Vielzahl von Anwendungsfällen erkennen, analysieren und vergleichen können.
Benutzerdefinierte Etiketten von Amazon Rekognition Mit dieser Option können Sie die Objekte und Szenen in Bildern identifizieren, die auf Ihre Geschäftsanforderungen zugeschnitten sind. Sie können beispielsweise Ihr Logo in Social-Media-Posts finden, Ihre Produkte in Verkaufsregalen identifizieren, Maschinenteile in einer Montagelinie klassifizieren, gesunde und infizierte Pflanzen unterscheiden und vieles mehr. Der Blogbeitrag Erstellen Sie Ihre eigene Markenerkennung zeigt, wie Sie mithilfe von benutzerdefinierten Etiketten von Amazon Rekognition eine End-to-End-Lösung zum Erkennen von Markenlogos in Bildern und Videos erstellen.
Amazon Rekognition Custom Labels bietet eine einfache End-to-End-Erfahrung, bei der Sie zunächst ein Dataset kennzeichnen. Amazon Rekognition Custom Labels erstellt ein benutzerdefiniertes ML-Modell für Sie, indem Sie die Daten überprüfen und den richtigen ML-Algorithmus auswählen. Nachdem Ihr Modell trainiert wurde, können Sie es sofort für die Bildanalyse verwenden. Wenn Sie Bilder stapelweise verarbeiten möchten (z. B. einmal am Tag oder in der Woche oder zu festgelegten Tageszeiten), können Sie Ihr benutzerdefiniertes Modell zu festgelegten Zeiten bereitstellen.
In diesem Beitrag zeigen wir, wie Sie mit Amazon Rekognition Custom Labels eine kostenoptimale Batch-Lösung erstellen können, die Ihr benutzerdefiniertes Modell zu geplanten Zeiten bereitstellt, alle Ihre Bilder verarbeitet und Ihre Ressourcen deprovisioniert, um zusätzliche Kosten zu vermeiden.
Lösungsübersicht
Das folgende Architekturdiagramm zeigt, wie Sie einen kostengünstigen und hoch skalierbaren Workflow entwerfen können, um Bilder mit Amazon Rekognition Custom Labels stapelweise zu verarbeiten. Es nutzt AWS-Services wie Amazon EventBridge, AWS Step-Funktionen, Amazon Simple Queue-Dienst (Amazon-SQS), AWS Lambda und Amazon Simple Storage-Service (Amazon S3).
Diese Lösung verwendet eine serverlose Architektur und verwaltete Dienste, sodass sie bei Bedarf skaliert werden kann und keine Server bereitgestellt und verwaltet werden müssen. Die Amazon SQS-Warteschlange erhöht die allgemeine Fehlertoleranz der Lösung, indem sie die Bildaufnahme von der Bildverarbeitung entkoppelt und eine zuverlässige Zustellung von Nachrichten für jedes aufgenommene Bild ermöglicht. Mit Step Functions können Sie auf einfache Weise visuelle Workflows erstellen, um eine Reihe einzelner Aufgaben zu koordinieren. Überprüfen Sie beispielsweise, ob ein Bild für die Verarbeitung und Verwaltung des Statuslebenszyklus des Amazon Rekognition Custom Labels-Projekts verfügbar ist. Obwohl die folgende Architektur zeigt, wie Sie mit AWS Lambda eine Stapelverarbeitungslösung für benutzerdefinierte Amazon Rekognition-Labels erstellen können, können Sie mithilfe von Diensten wie z AWS Fargate.
Die folgenden Schritte beschreiben den gesamten Workflow:
- Wenn ein Bild im Amazon S3-Bucket gespeichert wird, wird eine Nachricht ausgelöst, die in einer Amazon SQS-Warteschlange gespeichert wird.
- Amazon EventBridge ist so konfiguriert, dass ein AWS Step Functions-Workflow mit einer bestimmten Häufigkeit (standardmäßig 1 Stunde) ausgelöst wird.
- Während der Ausführung des Workflows werden die folgenden Aktionen ausgeführt:
- Es überprüft die Anzahl der Elemente in der Amazon SQS-Warteschlange. Wenn in der Warteschlange keine zu verarbeitenden Elemente vorhanden sind, wird der Workflow beendet.
- Wenn in der Warteschlange Elemente verarbeitet werden müssen, startet der Workflow das Modell für benutzerdefinierte Beschriftungen von Amazon Rekognition.
- Der Workflow ermöglicht die Integration von Amazon SQS in eine AWS Lambda-Funktion, um diese Bilder zu verarbeiten.
- Wenn die Integration zwischen der Amazon SQS-Warteschlange und AWS Lambda aktiviert ist, treten die folgenden Ereignisse auf:
- AWS Lambda beginnt mit der Verarbeitung von Nachrichten mit den Bilddetails von Amazon SQS.
- Die AWS Lambda-Funktion verwendet das Amazon Rekognition Custom Labels-Projekt, um die Bilder zu verarbeiten.
- Die AWS Lambda-Funktion platziert dann die JSON-Datei mit den abgeleiteten Beschriftungen im endgültigen Bucket. Das Bild wird auch vom Quell-Bucket in den endgültigen Bucket verschoben.
- Wenn alle Bilder verarbeitet wurden, führt der Workflow für AWS-Schrittfunktionen Folgendes aus:
- Das Amazon Rekognition Custom Labels-Modell wird gestoppt.
- Es deaktiviert die Integration zwischen der Amazon SQS-Warteschlange und der AWS Lambda-Funktion, indem der Trigger deaktiviert wird.
Das folgende Diagramm zeigt die Zustandsmaschine für AWS-Schrittfunktionen für diese Lösung.
Voraussetzungen:
Um diese Lösung bereitzustellen, benötigen Sie die folgenden Voraussetzungen:
- Ein AWS-Konto mit der Berechtigung zum Bereitstellen der Lösung mithilfe von AWS CloudFormation, die schafft AWS Identity and Access Management and (IAM) Rollen und andere Ressourcen.
- Der Amazon Resource Name (ARN) des Amazon Rekognition Custom Labels-Projekts (als bezeichnet) ProjektArn) und den Amazon Resource Name (ARN) der Modellversion, die nach dem Training des Modells erstellt wurde (referenziert als ProjektVersionArn). Diese Werte werden benötigt, um den Status des Modells zu überprüfen und um Bilder mit dem Modell zu analysieren.
Informationen zum Trainieren eines Modells finden Sie unter Erste Schritte mit benutzerdefinierten Labels von Amazon Rekognition.
Einsatz
Führen Sie die folgenden Schritte aus, um die Lösung mithilfe von AWS CloudFormation in Ihrem AWS-Konto bereitzustellen GitHub Repo. Es werden die folgenden Ressourcen erstellt:
- Amazon S3 Eimer
- Amazon SQS-Warteschlange
- Workflow für AWS-Schrittfunktionen
- Amazon EventBridge-Regeln zum Auslösen des Workflows
- IAM-Rollen
- AWS Lambda-Funktionen
Sie können die Namen der verschiedenen Ressourcen, die von der Lösung erstellt wurden, im Ausgabeabschnitt des CloudFormation-Stapel.
Testen des Workflows
Führen Sie die folgenden Schritte aus, um Ihren Workflow zu testen:
- Laden Sie Beispielbilder in den von der Lösung erstellten S3-Eingabe-Bucket hoch (z. B. xxxx-sources3bucket-xxxx).
- Wählen Sie in der Step Functions-Konsole die von der Lösung erstellte Statusmaschine aus (z. B. CustomCVStateMachine-xxxx).
Sie sollten sehen, dass die Zustandsmaschine stündlich von der Amazon EventBridge-Regel ausgelöst wird.
- Sie können den Workflow manuell starten, indem Sie auswählen Starten Sie die Ausführung.
- Während die Bilder verarbeitet werden, können Sie zum Ausgabe-S3-Bucket (z. B. xxxx-final3bucket-xxxx) gehen, um die JSON-Ausgabe für jedes Bild anzuzeigen.
Der folgende Screenshot zeigt den Inhalt des endgültigen S3-Buckets mit den Bildern sowie die entsprechende JSON-Ausgabe von Amazon Rekognition Custom Labels.
Zusammenfassung
In diesem Beitrag haben wir gezeigt, wie Sie mit Amazon Rekognition Custom Labels eine kostenoptimale Batch-Lösung erstellen können, mit der Sie Ihr benutzerdefiniertes Modell zu festgelegten Zeiten bereitstellen, alle Ihre Bilder verarbeiten und Ihre Ressourcen deprovisionieren können, um zusätzliche Kosten zu vermeiden. Abhängig von Ihrem Anwendungsfall können Sie das geplante Zeitfenster, in dem die Lösung die Charge verarbeiten soll, problemlos anpassen. Weitere Informationen zum Erstellen, Trainieren, Bewerten und Verwenden eines Modells, das Objekte, Szenen und Konzepte in Bildern erkennt, finden Sie unter Erste Schritte mit benutzerdefinierten Amazon Rekognition-Labels.
Während die in diesem Beitrag beschriebene Lösung zeigte, wie Sie Stapelbilder mit benutzerdefinierten Amazon Rekognition-Labels verarbeiten können, können Sie die Lösung für die Verarbeitung von Stapelbildern problemlos optimieren Amazon Lookout für Vision zur Erkennung von Defekten und Anomalien. Mit Amazon Lookout for Vision können produzierende Unternehmen die Qualität steigern und die Betriebskosten senken, indem sie schnell Unterschiede in den Bildern von Objekten im Maßstab erkennen. Beispielsweise kann Amazon Lookout for Vision verwendet werden, um fehlende Komponenten in Produkten, Schäden an Fahrzeugen oder Strukturen, Unregelmäßigkeiten in Produktionslinien, winzige Defekte in Siliziumwafern und andere ähnliche Probleme zu identifizieren. Weitere Informationen zu Amazon Lookout for Vision finden Sie unter das Entwicklerhandbuch.
Über die Autoren
Rahul Srivastava ist Senior Solutions Architect bei Amazon Web Services und hat seinen Sitz in Großbritannien. Er verfügt über umfangreiche Architekturerfahrung in der Arbeit mit großen Unternehmenskunden. Er unterstützt unsere Kunden bei der Architektur, der Cloud-Einführung, der Entwicklung von Produkten mit einem bestimmten Zweck und nutzt AI / ML, um reale Geschäftsprobleme zu lösen.
Kaschif Imran ist Principal Solutions Architect bei Amazon Web Services. Er arbeitet mit einigen der größten AWS-Kunden zusammen, die AI / ML nutzen, um komplexe Geschäftsprobleme zu lösen. Er bietet technische Anleitungen und Designberatung für die Implementierung von Computer-Vision-Anwendungen in großem Maßstab. Seine Expertise umfasst Anwendungsarchitektur, Serverless, Container, NoSQL und maschinelles Lernen.
