In den letzten zehn Jahren waren Computer-Vision-Anwendungsfälle ein wachsender Trend, insbesondere in Branchen wie Versicherungen, Automobil, E-Commerce, Energie, Einzelhandel, Fertigung und anderen. Kunden erstellen Computer-Vision-Modelle für maschinelles Lernen (ML), um betriebliche Effizienz und Automatisierung in ihre Prozesse zu bringen. Solche Modelle helfen dabei, die Klassifizierung von Bildern oder die Erkennung von Objekten von Interesse in Bildern zu automatisieren, die spezifisch und einzigartig für Ihr Unternehmen sind.
Um den ML-Modellerstellungsprozess zu vereinfachen, haben wir eingeführt Amazon SageMaker-JumpStart im Dezember 2020. JumpStart hilft Ihnen beim schnellen und einfachen Einstieg in ML. Es bietet die Ein-Klick-Bereitstellung und Feinabstimmung einer Vielzahl von vortrainierten Modellen sowie eine Auswahl von End-to-End-Lösungen. Dadurch entfällt die schwere Arbeit aus jedem Schritt des ML-Prozesses, was die Entwicklung hochwertiger Modelle erleichtert und die Zeit bis zur Bereitstellung verkürzt. Es erfordert jedoch einige Vorkenntnisse, um bei der Modellauswahl aus einem Katalog von über 200 vortrainierten Computer-Vision-Modellen zu helfen. Anschließend müssen Sie die Modellleistung mit verschiedenen Hyperparametereinstellungen vergleichen und das beste Modell auswählen, das in der Produktion bereitgestellt werden soll.
Um diese Erfahrung zu vereinfachen und Entwicklern mit wenig bis gar keinen ML-Kenntnissen das Erstellen benutzerdefinierter Computer-Vision-Modelle zu ermöglichen, veröffentlichen wir ein neues Beispiel-Notebook innerhalb von JumpStart, das verwendet Benutzerdefinierte Etiketten von Amazon Rekognition, ein vollständig verwalteter Dienst zum Erstellen benutzerdefinierter Computer-Vision-Modelle. Rekognition Custom Labels bauen auf den vortrainierten Modellen in auf Amazon-Anerkennung, die bereits mit Millionen von Bildern in vielen Kategorien trainiert wurden. Anstelle von Tausenden von Bildern können Sie mit einem kleinen Satz von Schulungsbildern (ein paar Hundert oder weniger) beginnen, die für Ihren Anwendungsfall spezifisch sind. Rekognition Custom Labels abstrahiert die Komplexität, die mit der Erstellung eines benutzerdefinierten Modells verbunden ist. Es überprüft automatisch die Trainingsdaten, wählt die richtigen ML-Algorithmen aus, wählt den Instanztyp aus, trainiert mehrere Kandidatenmodelle mit unterschiedlichen Hyperparametern und gibt das am besten trainierte Modell aus. Rekognition Custom Labels bietet auch eine benutzerfreundliche Oberfläche von der AWS-Managementkonsole für den gesamten ML-Workflow, einschließlich Beschriften von Bildern, Training, Bereitstellen eines Modells und Visualisieren der Testergebnisse.
Dieses Beispiel-Notebook innerhalb von JumpStart mit Rekognition Custom Labels löst jede Bildklassifizierungs- oder Objekterkennungs-Computer-Vision-ML-Aufgabe und macht es für Kunden, die damit vertraut sind, einfach Amazon Sage Maker um eine Computer-Vision-Lösung zu entwickeln, die am besten zu Ihrem Anwendungsfall, Ihren Anforderungen und Ihren Fähigkeiten passt.
In diesem Beitrag stellen wir Schritt-für-Schritt-Anleitungen zur Verwendung dieses Beispiel-Notebooks in JumpStart bereit. Das Notebook demonstriert, wie Sie die vorhandenen Trainings- und Inferenz-APIs von Rekognition Custom Labels einfach verwenden können, um ein Bildklassifizierungsmodell, ein Multi-Label-Klassifizierungsmodell und ein Objekterkennungsmodell zu erstellen. Um Ihnen den Einstieg zu erleichtern, haben wir für jedes Modell Beispieldatensätze bereitgestellt.
Trainieren und implementieren Sie ein Computer-Vision-Modell mit Rekognition Custom Labels
In diesem Abschnitt suchen wir das gewünschte Notebook in JumpStart und demonstrieren, wie die Inferenz auf dem bereitgestellten Endpunkt trainiert und ausgeführt wird.
Beginnen wir mit der Amazon SageMaker-Studio Launcher.
- Wählen Sie im Studio Launcher Gehen Sie zu SageMaker JumpStart.
Die JumpStart-Zielseite enthält Abschnitte für Karussells für Lösungen, Textmodelle und Visionsmodelle. Es hat auch eine Suchleiste. - Geben Sie in die Suchleiste ein
Rekognition Custom Labels
und wähle das Erkennung benutzerdefinierter Etiketten für Vision Notebook.
Das Notizbuch wird im schreibgeschützten Modus geöffnet. - Auswählen
Notizbuch importieren um das Notebook in Ihre Umgebung zu importieren.
Das Notebook bietet eine Schritt-für-Schritt-Anleitung zum Trainieren und Ausführen von Inferenz mithilfe von Rekognition Custom Labels aus der JumpStart-Konsole. Es stellt die folgenden vier Beispieldatensätze bereit, um die Bildklassifizierung mit einem und mehreren Labels und die Objekterkennung zu demonstrieren.
-
- Bildklassifizierung mit einem einzigen Label – Dieser Datensatz zeigt, wie Bilder als zu einem Satz vordefinierter Labels gehörend klassifiziert werden. Beispielsweise können Immobilienunternehmen Rekognition Custom Labels verwenden, um ihre Bilder von Wohnzimmern, Hinterhöfen, Schlafzimmern und anderen Orten im Haushalt zu kategorisieren. Das Folgende ist ein Beispielbild aus diesem Dataset, das Teil des Notebooks ist.
- Bildklassifizierung mit mehreren Labels – Dieser Datensatz zeigt, wie Bilder in mehrere Kategorien eingeteilt werden können, z. B. Farbe, Größe, Textur und Art einer Blume. Beispielsweise können Pflanzenzüchter Rekognition Custom Labels verwenden, um zwischen verschiedenen Arten von Blumen zu unterscheiden und festzustellen, ob sie gesund, beschädigt oder infiziert sind. Das folgende Bild ist ein Beispiel aus diesem Datensatz.
- Objekterkennung – Dieser Datensatz demonstriert die Objektlokalisierung, um Teile zu lokalisieren, die in Produktions- oder Fertigungslinien verwendet werden. In der Elektronikindustrie können Rekognition Custom Labels beispielsweise dabei helfen, die Anzahl der Kondensatoren auf einer Leiterplatte zu zählen. Das folgende Bild ist ein Beispiel aus diesem Datensatz.
- Marken- und Logoerkennung – Dieser Datensatz demonstriert das Auffinden von Logos oder Marken in einem Bild. In der Medienbranche kann beispielsweise ein Objekterkennungsmodell dabei helfen, die Position von Sponsorenlogos auf Fotos zu identifizieren. Das Folgende ist ein Beispielbild aus diesem Datensatz.
- Bildklassifizierung mit einem einzigen Label – Dieser Datensatz zeigt, wie Bilder als zu einem Satz vordefinierter Labels gehörend klassifiziert werden. Beispielsweise können Immobilienunternehmen Rekognition Custom Labels verwenden, um ihre Bilder von Wohnzimmern, Hinterhöfen, Schlafzimmern und anderen Orten im Haushalt zu kategorisieren. Das Folgende ist ein Beispielbild aus diesem Dataset, das Teil des Notebooks ist.
- Befolgen Sie die Schritte im Notizbuch, indem Sie jede Zelle ausführen.
Dieses Notebook zeigt, wie Sie ein einzelnes Notebook verwenden können, um sowohl Anwendungsfälle für die Bildklassifizierung als auch für die Objekterkennung über die Rekognition Custom Label APIs zu adressieren.
Während Sie mit dem Notizbuch fortfahren, haben Sie die Möglichkeit, einen der oben genannten Beispieldatensätze auszuwählen. Wir empfehlen Ihnen, das Notebook für jedes Dataset auszuführen.
Zusammenfassung
In diesem Beitrag haben wir Ihnen gezeigt, wie Sie die Rekognition Custom Labels APIs verwenden, um eine Bildklassifizierung oder ein Computer-Vision-Modell zur Objekterkennung zu erstellen, um Objekte in Bildern zu klassifizieren und zu identifizieren, die für Ihre Geschäftsanforderungen spezifisch sind. Um ein Modell zu trainieren, können Sie beginnen, indem Sie anstelle von Tausenden Dutzende bis Hunderte von beschrifteten Bildern bereitstellen. Rekognition Custom Labels vereinfacht das Modelltraining, indem Parameterauswahlen wie Maschinentyp, Algorithmustyp oder algorithmusspezifische Hyperparameter (einschließlich der Anzahl der Schichten im Netzwerk, der Lernrate und der Stapelgröße) berücksichtigt werden. Rekognition Custom Labels vereinfacht auch das Hosten eines trainierten Modells und bietet eine einfache Operation zum Durchführen von Inferenzen mit einem trainierten Modell.
Rekognition Custom Labels bietet eine benutzerfreundliche Konsolenerfahrung für den Trainingsprozess, die Modellverwaltung und die Visualisierung von Datensatzbildern. Wir empfehlen Ihnen, mehr darüber zu erfahren Erkennung benutzerdefinierter Labels und probieren Sie es mit Ihren unternehmensspezifischen Datensätzen aus.
Um zu beginnen, können Sie zum Beispiel-Notebook Rekognition Custom Labels in navigieren SageMaker-JumpStart.
Über die Autoren
Pashmeen Mistry ist Senior Product Manager für Amazon Rekognition Custom Labels. Außerhalb der Arbeit genießt Pashmeen abenteuerliche Wanderungen, Fotografie und verbringt Zeit mit seiner Familie.
Abhishek Gupta ist Senior AI Services Solution Architect bei AWS. Er unterstützt Kunden bei der Entwicklung und Implementierung von Computer-Vision-Lösungen.
- Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
- CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
- Quelle: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- Abstracts
- über
- Adresse
- AI
- KI-Dienste
- Algorithmus
- Algorithmen
- bereits
- Amazon
- APIs
- automatisieren
- Automation
- Automobilindustrie
- AWS
- Benchmark
- BESTE
- Tafel
- Marken
- bauen
- Building
- baut
- Geschäft
- Kann bekommen
- Kandidat
- österreichische Unternehmen
- Fälle
- Entscheidungen
- Auswählen
- Einstufung
- Unternehmen
- Computer
- Konsul (Console)
- erstellen
- Original
- Kunden
- technische Daten
- Jahrzehnte
- zeigen
- einsetzen
- Einsatz
- Bereitstellen
- Einsatz
- Design
- Entdeckung
- entwickeln
- Entwickler
- anders
- leicht
- einfach zu bedienende
- E-EINKAUF
- Elektronik
- ermutigen
- Endpunkt
- Energie
- Enter
- Arbeitsumfeld
- insbesondere
- Sommer
- Beispiel
- vorhandenen
- ERFAHRUNGEN
- Expertise
- Familie
- Folgende
- persönlichem Wachstum
- Guide
- Hilfe
- hilft
- hochwertige
- Hosting
- Haushalt
- Ultraschall
- Hilfe
- aber
- HTTPS
- hunderte
- identifizieren
- Image
- implementieren
- inklusive
- Einschließlich
- Branchen
- Energiegewinnung
- Versicherung
- Interesse
- Schnittstelle
- beteiligt
- IT
- Wissen
- Beschriftung
- Etiketten
- LERNEN
- lernen
- Facelift
- wenig
- Leben
- Standorte
- Standorte
- Logo
- Maschine
- Maschinelles Lernen
- Making
- verwaltet
- Management
- Manager
- Herstellung
- Medien
- Millionen
- ML
- Modell
- für
- mehr
- mehrere
- Bedürfnisse
- Netzwerk
- Notizbuch
- Anzahl
- öffnet
- Betrieb
- Option
- Andere
- Teil
- Leistung
- Durchführung
- Fotografie
- Prozessdefinierung
- anpassen
- Produkt
- Produktion
- die
- bietet
- Bereitstellung
- schnell
- Immobilien
- Reduzierung
- Voraussetzungen:
- erfordert
- Die Ergebnisse
- Einzelhandel
- Schlafzimmer
- Führen Sie
- Laufen
- Suche
- Leistungen
- kompensieren
- Einfacher
- Größe
- klein
- Lösung
- Lösungen
- Löst
- einige
- Ausgabe
- Sponsor
- Anfang
- begonnen
- Studio Adressen
- Einnahme
- Test
- Tausende
- Zeit
- Ausbildung
- schult Ehrenamtliche
- Typen
- einzigartiges
- -
- Vielfalt
- Seh-
- Visualisierung
- .
- Arbeiten