Benutzerdefinierte Etiketten von Amazon Rekognition ist ein vollständig verwalteter Computer-Vision-Service, der es Entwicklern ermöglicht, benutzerdefinierte Modelle zu erstellen, um Objekte in Bildern zu klassifizieren und zu identifizieren, die spezifisch und einzigartig für Ihr Unternehmen sind.
Rekognition Custom Labels erfordert keine Vorkenntnisse im Bereich Computer Vision. Sie können beginnen, indem Sie einfach Dutzende von Bildern anstelle von Tausenden hochladen. Wenn die Bilder bereits beschriftet sind, können Sie mit nur wenigen Klicks mit dem Training eines Modells beginnen. Wenn nicht, können Sie sie direkt in der Rekognition Custom Labels-Konsole beschriften oder verwenden Amazon Sagemaker Ground Truth sie zu beschriften. Rekognition Custom Labels verwendet Transfer Learning, um die Trainingsdaten automatisch zu untersuchen, das richtige Modell-Framework und den richtigen Algorithmus auszuwählen, die Hyperparameter zu optimieren und das Modell zu trainieren. Wenn Sie mit der Modellgenauigkeit zufrieden sind, können Sie das trainierte Modell mit nur einem Klick hosten.
Wenn Sie jedoch ein Geschäftsanwender sind, der ein Computer-Vision-Problem lösen, Inferenzergebnisse des benutzerdefinierten Modells visualisieren und Benachrichtigungen erhalten möchte, wenn solche Inferenzergebnisse verfügbar sind, müssen Sie sich beim Erstellen einer solchen Anwendung auf Ihr Ingenieurteam verlassen. Beispielsweise kann ein landwirtschaftlicher Betriebsleiter benachrichtigt werden, wenn bei einer Ernte eine Krankheit festgestellt wird, ein Winzer kann benachrichtigt werden, wenn die Trauben reif für die Ernte sind, oder ein Filialleiter kann benachrichtigt werden, wenn es Zeit ist, Vorräte wie Erfrischungsgetränke aufzufüllen in einem vertikalen Kühlschrank.
In diesem Beitrag führen wir Sie durch den Prozess der Erstellung einer Lösung, mit der Sie das Inferenzergebnis visualisieren und Benachrichtigungen an abonnierte Benutzer senden können, wenn bestimmte Beschriftungen in Bildern identifiziert werden, die mithilfe von Modellen verarbeitet werden, die von Rekognition Custom Labels erstellt wurden.
Lösungsüberblick
Das folgende Diagramm zeigt unsere Lösungsarchitektur.
Diese Lösung nutzt die folgenden AWS-Services, um eine skalierbare und kostengünstige Architektur zu implementieren:
- Amazonas Athena – Ein serverloser interaktiver Abfragedienst, der die Analyse von Daten in Amazon S3 mithilfe von Standard-SQL vereinfacht.
- AWS Lambda – Ein serverloser Rechendienst, mit dem Sie Code als Reaktion auf Auslöser wie Datenänderungen, Änderungen im Systemstatus oder Benutzeraktionen ausführen können. Da Amazon S3 eine Lambda-Funktion direkt auslösen kann, können Sie eine Vielzahl von Echtzeitfunktionen erstellen Serverlos Datenverarbeitungssysteme.
- Amazon QuickSight – Ein sehr schneller, benutzerfreundlicher, cloudbasierter Geschäftsanalysedienst, der es einfach macht, Visualisierungen zu erstellen, Ad-hoc-Analysen durchzuführen und schnell geschäftliche Erkenntnisse aus den Daten zu gewinnen.
- Benutzerdefinierte Etiketten von Amazon Rekognition – Ermöglicht Ihnen, ein benutzerdefiniertes Computer-Vision-Modell zu trainieren, um die Objekte und Szenen in Bildern zu identifizieren, die speziell auf Ihre Geschäftsanforderungen zugeschnitten sind.
- Amazon Simple Notification Service – Amazon SNS ist ein vollständig verwalteter Messaging-Dienst für die Kommunikation von Anwendung zu Anwendung (A2A) und von Anwendung zu Person (A2P).
- Amazon Simple Queue-Dienst – Amazon SQS ist ein vollständig verwalteter Nachrichtenwarteschlangendienst, der es Ihnen ermöglicht, Mikrodienste, verteilte Systeme und serverlose Anwendungen zu entkoppeln und zu skalieren.
- Amazon Simple Storage-Service – Amazon S3 dient als Objektspeicher für Ihre Dokumente und ermöglicht eine zentrale Verwaltung mit fein abgestimmten Zugriffskontrollen.
Die Lösung nutzt einen serverlosen Workflow, der ausgelöst wird, wenn ein Bild in den Eingabe-S3-Bucket hochgeladen wird. Eine SQS-Warteschlange empfängt eine Ereignisbenachrichtigung zur Objekterstellung. Die Lösung schafft auch Warteschlangen für unzustellbare Nachrichten (DLQs) um Nachrichten beiseite zu legen und zu isolieren, die nicht richtig verarbeitet werden können. Eine Lambda-Funktion speist sich aus der SQS-Warteschlange und macht das DetectLabels
API-Aufruf zum Erkennen aller Beschriftungen im Bild. Um diese Lösung zu skalieren und sie zu einem lose gekoppelten Design zu machen, sendet die Lambda-Funktion die Vorhersageergebnisse an eine andere SQS-Warteschlange. Diese SQS-Warteschlange löst eine weitere Lambda-Funktion aus, die alle in den Vorhersagen gefundenen Labels analysiert. Basierend auf den Benutzereinstellungen (konfiguriert während der Lösungsbereitstellung) veröffentlicht die Funktion eine Nachricht in einem SNS-Thema. Das SNS-Thema ist so konfiguriert, dass E-Mail-Benachrichtigungen an den Benutzer gesendet werden. Sie können die Lambda-Funktion so konfigurieren, dass der an Amazon SNS gesendeten Nachricht eine URL hinzugefügt wird, um auf das Bild zuzugreifen (mithilfe eines Amazon S3 vorsignierte URL). Schließlich lädt die Lambda-Funktion ein Vorhersageergebnis und Bildmetadaten in einen S3-Bucket hoch. Anschließend können Sie Athena und QuickSight verwenden, um die Ergebnisse aus dem S3-Bucket zu analysieren und zu visualisieren.
Voraussetzungen:
Sie benötigen ein Modell, das mit Rekognition Custom Labels trainiert und ausgeführt wird.
Mit Rekognition Custom Labels können Sie den Trainingsprozess des maschinellen Lernmodells auf dem verwalten Amazon-Anerkennung Konsole, die den End-to-End-Modellentwicklungsprozess vereinfacht. Für diesen Beitrag verwenden wir Ein Klassifizierungsmodell, das darauf trainiert ist, Pflanzenblattkrankheiten zu erkennen.
Stellen Sie die Lösung bereit
Sie stellen eine bereit AWS CloudFormation Vorlage zur Bereitstellung der erforderlichen Ressourcen, einschließlich S3-Buckets, SQS-Warteschlangen, SNS-Thema, Lambda-Funktionen usw AWS Identity and Access Management and (IAM)-Rollen. Die Vorlage erstellt den Stack in der Region us-east-1. Sie können die Vorlage jedoch verwenden, um Ihren Stack in jeder Region zu erstellen, in der die oben genannten AWS-Services verfügbar sind.
- Starten Sie die folgende CloudFormation-Vorlage in der Region und im AWS-Konto, in der Sie das Rekognition Custom Labels-Modell bereitgestellt haben:
- Aussichten für Stapelname, geben Sie einen Stapelnamen ein, z
rekognition-customlabels-analytics-and-notification
. - Aussichten für CustomModelARNGeben Sie den ARN des Amazon Rekognition Custom Labels-Modells ein, das Sie verwenden möchten.
Das Rekognition Custom Labels-Modell muss im selben AWS-Konto bereitgestellt werden.
- Aussichten für Email BenachrichtigungGeben Sie eine E-Mail-Adresse ein, an die Sie Benachrichtigungen erhalten möchten.
- Aussichten für EingabeBucketName, geben Sie einen eindeutigen Namen für den S3-Bucket ein, den der Stack erstellt; zum Beispiel,
plant-leaf-disease-data-input
.
Hier werden die eingehenden Pflanzenblattbilder gespeichert.
- Aussichten für LabelsofInterestkönnen Sie bis zu 10 verschiedene Labels, über die Sie benachrichtigt werden möchten, im durch Kommas getrennten Format eingeben. Geben Sie für unser Beispiel einer Pflanzenkrankheit ein
bacterial-leaf-blight,leaf-smut
. - Aussichten für MinConfidenceGeben Sie den Mindestkonfidenzschwellenwert ein, um eine Benachrichtigung zu erhalten. Labels, die mit einer Konfidenz unter dem Wert „MinConfidence“ erkannt wurden, werden in der Antwort nicht zurückgegeben und generieren keine Benachrichtigung.
- Aussichten für AusgabeBucketName, geben Sie einen eindeutigen Namen für den S3-Bucket ein, den der Stack erstellt; zum Beispiel,
plant-leaf-disease-data-output
.
Der Ausgabe-Bucket enthält JSON-Dateien mit Bildmetadaten (gefundene Beschriftungen und Konfidenzbewertung).
- Auswählen Weiter.
- Auf dem Konfigurieren Sie die Stapeloptionen Legen Sie auf dieser Seite alle zusätzlichen Parameter für den Stapel fest, einschließlich Tags.
- Auswählen Weiter.
- Im Fähigkeiten und Transformationen Aktivieren Sie im Abschnitt das Kontrollkästchen, um zu bestätigen, dass AWS CloudFormation möglicherweise erstellt IAM-Ressourcen.
- Auswählen Stapel erstellen.
Die Stack-Detailseite sollte den Status des Stacks anzeigen als CREATE_IN_PROGRESS
. Es kann bis zu 5 Minuten dauern, bis sich der Status ändert CREATE_COMPLETE
.
Amazon SNS sendet eine Abonnementbestätigungsnachricht an die E-Mail-Adresse. Du brauchst Bestätigen Sie das Abonnement.
Testen Sie die Lösung
Nachdem wir die Ressourcen bereitgestellt haben, können wir die Lösung testen. Stell sicher, dass du Starten Sie das Modell.
- Wählen Sie in der Amazon S3-Konsole aus Eimer.
- Wählen Sie den Eingabe-S3-Bucket aus.
- Laden Sie Testbilder in den Bucket hoch.
In der Produktion können Sie automatisierte Prozesse einrichten, um Bilder an diesen Bucket zu liefern.
Diese Bilder lösen den Workflow aus. Wenn die Etikettenkonfidenz den angegebenen Schwellenwert überschreitet, erhalten Sie eine E-Mail-Benachrichtigung wie die folgende.
Sie können das SNS-Thema auch so konfigurieren, dass diese Benachrichtigungen an alle gesendet werden Reiseziele vom Dienst unterstützt.
Analysieren Sie die Vorhersageergebnisse
Nachdem Sie die Lösung getestet haben, können Sie die Lösung erweitern, um eine visuelle Analyse für die Vorhersagen verarbeiteter Bilder zu erstellen. Zu diesem Zweck nutzen wir Athena, einen interaktiven Abfragedienst, der die einfache Analyse von Daten direkt aus Amazon S3 mithilfe von Standard-SQL ermöglicht, und QuickSight zur Visualisierung der Daten.
Konfigurieren Sie Athena
Wenn Sie mit Amazon Athena nicht vertraut sind, lesen Sie Dieses Tutorial. Erstellen Sie auf der Athena-Konsole eine Tabelle im Athena-Datenkatalog mit dem folgenden Code:
Füllen Sie die Location
Feld in der vorherigen Abfrage mit Ihrem Ausgabe-Bucket-Namen, z. B plant-leaf-disease-data-output
.
Dieser Code teilt Athena mit, wie jede Textzeile im S3-Bucket zu interpretieren ist.
Sie können nun die Daten abfragen:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Konfigurieren Sie QuickSight
Führen Sie die folgenden Schritte aus, um QuickSight zu konfigurieren:
- Öffnen Sie den Microsoft Store auf Ihrem Windows-PC. QuickSight-Konsole.
- Wenn Sie nicht bei QuickSight registriert sind, werden Sie aufgefordert, sich anzumelden. Befolgen Sie die Schritte zu Melden Sie sich an, um QuickSight zu nutzen.
- Nachdem Sie sich bei QuickSight angemeldet haben, wählen Sie QuickSight verwalten unter Ihrem Konto.
- Wählen Sie im Navigationsbereich Sicherheit & Berechtigungen.
- Der QuickSight-Zugriff auf AWS-Services, wählen Hinzufügen oder entfernen.
Es erscheint eine Seite zum Aktivieren des QuickSight-Zugriffs auf AWS-Dienste.
- Auswählen Amazon Athena.
- Wählen Sie im Popup-Fenster Weiter.
- Wählen Sie auf der Registerkarte S3 die erforderlichen S3-Buckets aus. Für diesen Beitrag wähle ich den Bucket aus, der meine Athena-Abfrageergebnisse speichert.
- Wählen Sie für jeden Bucket auch aus Schreibberechtigung für Athena Workgroup.
- Auswählen Endziel.
- Auswählen Aktualisierung.
- Wählen Sie in der QuickSight-Konsole Eine neue Analyse.
- Auswählen Neuer Datensatz.
- Aussichten für Datensätze, wählen Athena.
- Aussichten für Name der Datenquelle, eingeben
Athena-CustomLabels-analysis
. - Aussichten für Athena Arbeitsgruppe, wählen primär.
- Auswählen Datenquelle erstellen.
- Aussichten für Datenbase, wählen
default
im Dropdown-Menü. - Aussichten für Tische, wählen Sie die Tabelle aus
rekognition_customlabels_analytics
. - Auswählen Wählen.
- Auswählen Visualize.
- Auf dem Visualize Seite unter der Felder Liste, wählen Sie Etikette und wählen Sie das Kreisdiagramm aus Visuelle Typen.
Sie können dem Dashboard weitere Visualisierungen hinzufügen. Wenn Ihre Analyse fertig ist, können Sie auswählen Teilen um ein Dashboard zu erstellen und es innerhalb Ihrer Organisation zu teilen.
Zusammenfassung
In diesem Beitrag haben wir gezeigt, wie Sie mit Rekognition Custom Labels eine Lösung erstellen können, um Benachrichtigungen für bestimmte Etiketten (z. B. bakterielle Blattfäule oder Blattbrand) zu erhalten, die in verarbeiteten Bildern gefunden werden. Darüber hinaus haben wir gezeigt, wie Sie mit Athena und QuickSight Dashboards zur Visualisierung der Ergebnisse erstellen können.
Sie können solche Visualisierungs-Dashboards jetzt ganz einfach mit Geschäftsanwendern teilen und ihnen ermöglichen, Benachrichtigungen zu abonnieren, anstatt sich beim Erstellen einer solchen Anwendung auf Ihre Ingenieurteams verlassen zu müssen.
Über die Autoren
Jay Rao ist Principal Solutions Architect bei AWS. Er bietet Kunden gerne technische und strategische Beratung und hilft ihnen bei der Entwicklung und Implementierung von Lösungen auf AWS.
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.
- 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/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- Zugang
- Konto
- Aktionen
- Ad
- Zusatz
- Zusätzliche
- Adresse
- Algorithmus
- Alle
- bereits
- Amazon
- Analyse
- Analytik
- Ein anderer
- Bienen
- Anwendung
- Anwendungen
- Architektur
- Automatisiert
- verfügbar
- AWS
- Grenze
- Box
- bauen
- Building
- Geschäft
- rufen Sie uns an!
- Kann bekommen
- Übernehmen
- Auswählen
- Einstufung
- Code
- Kommunikation
- Berechnen
- Vertrauen
- Konsul (Console)
- enthält
- kostengünstiger
- gekoppelt
- schafft
- Schaffung
- Ernte
- Original
- Kunden
- Armaturenbrett
- technische Daten
- einsetzen
- Einsatz
- Einsatz
- Design
- erkannt
- Entwickler
- Entwicklung
- anders
- Direkt
- Krankheit
- verteilt
- Unterlagen
- Tut nicht
- leicht
- ermöglichen
- Entwicklung
- Enter
- Event
- Beispiel
- Expertise
- erweitern
- Familie
- FAST
- Endlich
- folgen
- Folgende
- Format
- gefunden
- Unser Ansatz
- Funktion
- erzeugen
- mit
- Ultraschall
- Hilfe
- HTTPS
- identifizieren
- Identitätsschutz
- Image
- implementieren
- Einschließlich
- Varianten des Eingangssignals:
- Einblicke
- interaktive
- IT
- nur einer
- Etiketten
- lernen
- Liste
- Standorte
- suchen
- Maschine
- Maschinelles Lernen
- MACHT
- verwaltet
- Management
- Manager
- Messaging
- Minimum
- Modell
- für
- mehr
- Navigation
- Benachrichtigung
- Einkauf & Prozesse
- Option
- Organisation
- Fotografie
- Prognose
- Prognosen
- Principal
- Aufgabenstellung:
- Prozessdefinierung
- anpassen
- Produkt
- Produktion
- Bereitstellung
- Zweck
- schnell
- Echtzeit
- erhalten
- erfordern
- Downloads
- Antwort
- Die Ergebnisse
- Führen Sie
- Laufen
- skalierbaren
- Skalieren
- Szenen
- Serverlos
- Leistungen
- kompensieren
- Teilen
- Einfacher
- Lösung
- Lösungen
- LÖSEN
- Ausgabe
- Stapel
- Standard
- Anfang
- begonnen
- Bundesstaat
- Status
- Lagerung
- speichern
- Läden
- Strategisch
- Abonnieren
- Abonnement
- Unterstützte
- System
- Systeme und Techniken
- Team
- Technische
- erzählt
- Test
- Tausende
- Durch
- Zeit
- Ausbildung
- privaten Transfer
- einzigartiges
- -
- Nutzer
- Wert
- Vielfalt
- Seh-
- Visualisierung
- .
- Arbeiten
- Arbeitsgruppen