Κατασκευάστε και εκπαιδεύστε μοντέλα όρασης υπολογιστή για τον εντοπισμό θέσεων αυτοκινήτου σε εικόνες χρησιμοποιώντας το Amazon SageMaker και το Amazon Rekognition | Υπηρεσίες Ιστού της Amazon

Η όραση υπολογιστή (CV) είναι μια από τις πιο κοινές εφαρμογές μηχανικής μάθησης (ML) και βαθιάς μάθησης. Οι περιπτώσεις χρήσης κυμαίνονται από αυτοοδηγούμενα αυτοκίνητα, έλεγχο περιεχομένου σε πλατφόρμες μέσων κοινωνικής δικτύωσης, ανίχνευση καρκίνου και αυτοματοποιημένη ανίχνευση ελαττωμάτων. Αναγνώριση Amazon είναι μια πλήρως διαχειριζόμενη υπηρεσία που μπορεί να εκτελέσει εργασίες βιογραφικού, όπως ανίχνευση αντικειμένων, ανίχνευση τμημάτων βίντεο, εποπτεία περιεχομένου και πολλά άλλα για να εξάγει πληροφορίες από δεδομένα χωρίς την ανάγκη προηγούμενης εμπειρίας ML. Σε ορισμένες περιπτώσεις, μπορεί να χρειαστεί μια πιο προσαρμοσμένη λύση μαζί με την υπηρεσία για την επίλυση ενός πολύ συγκεκριμένου προβλήματος.

Σε αυτήν την ανάρτηση, αντιμετωπίζουμε τομείς όπου μπορεί να εφαρμοστεί το βιογραφικό σημείωμα για τη χρήση περιπτώσεων όπου η στάση των αντικειμένων, η θέση τους και ο προσανατολισμός τους είναι σημαντικές. Μια τέτοια περίπτωση χρήσης θα ήταν οι εφαρμογές για κινητές συσκευές που απευθύνονται σε πελάτες όπου απαιτείται μεταφόρτωση εικόνας. Μπορεί να είναι για λόγους συμμόρφωσης ή για την παροχή συνεπούς εμπειρίας χρήστη και τη βελτίωση της αφοσίωσης. Για παράδειγμα, στις διαδικτυακές πλατφόρμες αγορών, η γωνία με την οποία εμφανίζονται τα προϊόντα στις εικόνες επηρεάζει το ποσοστό αγοράς αυτού του προϊόντος. Μια τέτοια περίπτωση είναι η ανίχνευση της θέσης ενός αυτοκινήτου. Δείχνουμε πώς μπορείτε να συνδυάσετε γνωστές λύσεις ML με μεταεπεξεργασία για να αντιμετωπίσετε αυτό το πρόβλημα στο AWS Cloud.

Χρησιμοποιούμε μοντέλα βαθιάς μάθησης για να λύσουμε αυτό το πρόβλημα. Η εκπαίδευση αλγορίθμων ML για την εκτίμηση πόζας απαιτεί πολλή τεχνογνωσία και προσαρμοσμένα δεδομένα εκπαίδευσης. Και οι δύο απαιτήσεις είναι δύσκολο και δαπανηρό να επιτευχθούν. Επομένως, παρουσιάζουμε δύο επιλογές: μία που δεν απαιτεί τεχνογνωσία ML και χρησιμοποιεί το Amazon Rekognition και μία που χρησιμοποιεί Amazon Sage Maker για να εκπαιδεύσετε και να αναπτύξετε ένα προσαρμοσμένο μοντέλο ML. Στην πρώτη επιλογή, χρησιμοποιούμε το Amazon Rekognition για να εντοπίσουμε τους τροχούς του αυτοκινήτου. Στη συνέχεια συμπεραίνουμε τον προσανατολισμό του αυτοκινήτου από τις θέσεις των τροχών χρησιμοποιώντας ένα σύστημα βασισμένο σε κανόνες. Στη δεύτερη επιλογή, ανιχνεύουμε τους τροχούς και άλλα εξαρτήματα του αυτοκινήτου χρησιμοποιώντας το Ανιχνευτής μοντέλο. Αυτά χρησιμοποιούνται και πάλι για να συμπεράνουμε τη θέση του αυτοκινήτου με κώδικα που βασίζεται σε κανόνες. Η δεύτερη επιλογή απαιτεί εμπειρία ML, αλλά είναι επίσης πιο προσαρμόσιμη. Μπορεί να χρησιμοποιηθεί για περαιτέρω μεταεπεξεργασία της εικόνας, για παράδειγμα, για την περικοπή ολόκληρου του αυτοκινήτου. Και οι δύο επιλογές μπορούν να εκπαιδευτούν σε δημόσια διαθέσιμα σύνολα δεδομένων. Τέλος, δείχνουμε πώς μπορείτε να ενσωματώσετε αυτήν τη λύση ανίχνευσης πόζας αυτοκινήτου στην υπάρχουσα διαδικτυακή σας εφαρμογή χρησιμοποιώντας υπηρεσίες όπως Amazon API Gateway και Ενίσχυση AWS.

Επισκόπηση λύσεων

Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσεων.

Η λύση αποτελείται από μια εικονική διαδικτυακή εφαρμογή στο Amplify όπου ένας χρήστης μπορεί να ανεβάσει μια εικόνα και να επικαλεστεί είτε το μοντέλο αναγνώρισης Amazon είτε το προσαρμοσμένο μοντέλο Detectron για να εντοπίσει τη θέση του αυτοκινήτου. Για κάθε επιλογή, φιλοξενούμε ένα AWS Lambda λειτουργεί πίσω από μια πύλη API που εκτίθεται στην εικονική μας εφαρμογή. Διαμορφώσαμε τη λειτουργία Lambda ώστε να εκτελείται είτε με το μοντέλο Detectron που έχει εκπαιδευτεί στο SageMaker είτε με το Amazon Rekognition.

Προϋποθέσεις

Για αυτήν την καθοδήγηση, θα πρέπει να έχετε τις ακόλουθες προϋποθέσεις:

Δημιουργήστε μια εφαρμογή χωρίς διακομιστή χρησιμοποιώντας το Amazon Rekognition

Η πρώτη μας επιλογή δείχνει πώς μπορείτε να εντοπίσετε τους προσανατολισμούς του αυτοκινήτου σε εικόνες χρησιμοποιώντας το Amazon Rekognition. Η ιδέα είναι να χρησιμοποιήσετε το Amazon Rekognition για να εντοπίσετε τη θέση του αυτοκινήτου και των τροχών του και στη συνέχεια να κάνετε μεταεπεξεργασία για να εξαγάγετε τον προσανατολισμό του αυτοκινήτου από αυτές τις πληροφορίες. Ολόκληρη η λύση αναπτύσσεται χρησιμοποιώντας Lambda όπως φαίνεται στο Αποθήκη Github. Αυτός ο φάκελος περιέχει δύο κύρια αρχεία: ένα Dockerfile που ορίζει την εικόνα Docker που θα εκτελείται στη συνάρτηση Lambda και το app.py αρχείο, το οποίο θα είναι το κύριο σημείο εισόδου της συνάρτησης Lambda:

def lambda_handler(event, context): body_bytes = json.loads(event["body"])["image"].split(",")[-1] body_bytes = base64.b64decode(body_bytes) rek = boto3.client('rekognition') response = rek.detect_labels(Image={'Bytes': body_bytes}, MinConfidence=80) angle, img = label_image(img_string=body_bytes, response=response) buffered = BytesIO() img.save(buffered, format="JPEG") img_str = "data:image/jpeg;base64," + base64.b64encode(buffered.getvalue()).decode('utf-8')

Η συνάρτηση Lambda αναμένει ένα συμβάν που περιέχει μια κεφαλίδα και ένα σώμα, όπου το σώμα θα πρέπει να είναι η εικόνα που απαιτείται για να επισημανθεί ως αποκωδικοποιημένο αντικείμενο βάσης64. Δεδομένης της εικόνας, η Αναγνώριση του Αμαζονίου detect_labels η συνάρτηση καλείται από τη συνάρτηση Λάμδα χρησιμοποιώντας Boto3. Η συνάρτηση επιστρέφει μία ή περισσότερες ετικέτες για κάθε αντικείμενο στην εικόνα και λεπτομέρειες πλαισίου οριοθέτησης για όλες τις ετικέτες αντικειμένων που εντοπίστηκαν ως μέρος της απόκρισης, μαζί με άλλες πληροφορίες όπως η εμπιστοσύνη της εκχωρημένης ετικέτας, οι προγονικές ετικέτες της ανιχνευμένης ετικέτας, πιθανές ψευδώνυμα για την ετικέτα και τις κατηγορίες στις οποίες ανήκει η ετικέτα που εντοπίστηκε. Με βάση τις ετικέτες που επιστρέφονται από το Amazon Rekognition, εκτελούμε τη συνάρτηση label_image, το οποίο υπολογίζει τη γωνία του αυτοκινήτου από τους τροχούς που εντοπίστηκαν ως εξής:

n_wheels = len(wheel_instances) wheel_centers = [np.array(_extract_bb_coords(wheel, img)).mean(axis=0)
for wheel in wheel_instances] wheel_center_comb = list(combinations(wheel_centers, 2))
vecs = [(k, pair[0] - pair[1]) for k,pair in enumerate(wheel_center_comb)]
vecs = sorted(vecs, key = lambda vec: np.linalg.norm(vec[1])) vec_rel = vecs[1] if n_wheels == 3 else vecs[0]
angle = math.degrees(math.atan(vec_rel[1][1]/vec_rel[1][0])) wheel_centers_rel = [tuple(wheel.tolist()) for wheel in
wheel_center_comb[vec_rel[0]]]

Λάβετε υπόψη ότι η εφαρμογή απαιτεί να υπάρχει μόνο ένα αυτοκίνητο στην εικόνα και επιστρέφει ένα σφάλμα εάν δεν συμβαίνει αυτό. Ωστόσο, η μεταεπεξεργασία μπορεί να προσαρμοστεί για να παρέχει πιο λεπτομερείς περιγραφές προσανατολισμού, να καλύπτει πολλά αυτοκίνητα ή να υπολογίζει τον προσανατολισμό πιο περίπλοκων αντικειμένων.

Βελτιώστε την ανίχνευση τροχών

Για να βελτιώσετε περαιτέρω την ακρίβεια της ανίχνευσης τροχού, μπορείτε να χρησιμοποιήσετε Προσαρμοσμένες ετικέτες αναγνώρισης Amazon. Παρόμοια με τη λεπτομέρεια χρησιμοποιώντας το SageMaker για την εκπαίδευση και την ανάπτυξη ενός προσαρμοσμένου μοντέλου ML, μπορείτε να φέρετε τα δικά σας δεδομένα με ετικέτα, ώστε το Amazon Rekognition να μπορεί να δημιουργήσει ένα προσαρμοσμένο μοντέλο ανάλυσης εικόνας για εσάς μέσα σε λίγες μόνο ώρες. Με τις προσαρμοσμένες ετικέτες αναγνώρισης, χρειάζεστε μόνο ένα μικρό σύνολο εικόνων εκπαίδευσης που είναι ειδικά για την περίπτωση χρήσης σας, σε αυτήν την περίπτωση εικόνες αυτοκινήτου με συγκεκριμένες γωνίες, επειδή χρησιμοποιεί τις υπάρχουσες δυνατότητες στο Amazon Rekognition να εκπαιδεύεται σε δεκάδες εκατομμύρια εικόνες πολλές κατηγορίες. Οι προσαρμοσμένες ετικέτες αναγνώρισης μπορούν να ενσωματωθούν με λίγα μόνο κλικ και μικρές προσαρμογές στη λειτουργία Lambda που χρησιμοποιούμε για την τυπική λύση Αναγνώρισης της Amazon.

Εκπαιδεύστε ένα μοντέλο χρησιμοποιώντας μια εργασία εκπαίδευσης SageMaker

Στη δεύτερη επιλογή μας, εκπαιδεύουμε ένα προσαρμοσμένο μοντέλο βαθιάς εκμάθησης στο SageMaker. Χρησιμοποιούμε το Πλαίσιο Detectron2 για την κατάτμηση ανταλλακτικών αυτοκινήτων. Αυτά τα τμήματα χρησιμοποιούνται στη συνέχεια για να συναχθεί η θέση του αυτοκινήτου.

Το πλαίσιο Detectron2 είναι μια βιβλιοθήκη που παρέχει αλγόριθμους ανίχνευσης και τμηματοποίησης τελευταίας τεχνολογίας. Το Detectron παρέχει μια ποικιλία μοντέλων Mask R-CNN που εκπαιδεύτηκαν στο περίφημο σύνολο δεδομένων COCO (Common objects in Context). Για να δημιουργήσουμε το μοντέλο ανίχνευσης αντικειμένων αυτοκινήτου, χρησιμοποιούμε εκμάθηση μεταφοράς για να ρυθμίσουμε με ακρίβεια ένα προεκπαιδευμένο μοντέλο Mask R-CNN στο τμηματοποίηση ανταλλακτικών αυτοκινήτων σύνολο δεδομένων. Αυτό το σύνολο δεδομένων μας επιτρέπει να εκπαιδεύσουμε ένα μοντέλο που μπορεί να ανιχνεύσει τροχούς αλλά και άλλα εξαρτήματα αυτοκινήτου. Αυτές οι πρόσθετες πληροφορίες μπορούν να χρησιμοποιηθούν περαιτέρω στους υπολογισμούς γωνίας αυτοκινήτου σε σχέση με την εικόνα.

Το σύνολο δεδομένων περιέχει σχολιασμένα δεδομένα εξαρτημάτων αυτοκινήτου που θα χρησιμοποιηθούν για εργασίες ανίχνευσης αντικειμένων και σημασιολογικής τμηματοποίησης: περίπου 500 εικόνες σεντάν, pickups και οχημάτων αθλητικής χρήσης (SUV), τραβηγμένες σε πολλαπλές όψεις (εμπρός, πίσω και πλάγια όψη). Κάθε εικόνα σχολιάζεται από 18 μάσκες περιπτώσεων και πλαίσια οριοθέτησης που αντιπροσωπεύουν τα διαφορετικά μέρη ενός αυτοκινήτου όπως τροχούς, καθρέφτες, φώτα και εμπρός και πίσω γυαλί. Τροποποιήσαμε τους βασικούς σχολιασμούς των τροχών έτσι ώστε κάθε τροχός να θεωρείται μεμονωμένο αντικείμενο αντί να θεωρούμε όλους τους διαθέσιμους τροχούς στην εικόνα ως ένα αντικείμενο.

Χρησιμοποιούμε Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) για την αποθήκευση του συνόλου δεδομένων που χρησιμοποιείται για την εκπαίδευση του μοντέλου Detectron μαζί με τα εκπαιδευμένα τεχνουργήματα του μοντέλου. Επιπλέον, το κοντέινερ Docker που εκτελείται στη συνάρτηση Lambda αποθηκεύεται Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR). Το κοντέινερ Docker στη συνάρτηση Lambda είναι απαραίτητο για να περιλαμβάνει τις απαιτούμενες βιβλιοθήκες και εξαρτήσεις για την εκτέλεση του κώδικα. Θα μπορούσαμε εναλλακτικά να χρησιμοποιήσουμε Στρώματα λάμδα, αλλά περιορίζεται σε ένα όριο μεγέθους 250 MB χωρίς συμπιεσμένο πακέτο ανάπτυξης και μπορούν να προστεθούν έως πέντε επίπεδα σε μια συνάρτηση Lambda.

Η λύση μας βασίζεται στο SageMaker: επεκτείνουμε το προκατασκευασμένο Δοχεία SageMaker Docker για να τρέξει ο PyTorch το προσαρμοσμένο μας PyTorch κώδικας εκπαίδευσης. Στη συνέχεια, χρησιμοποιούμε το SageMaker Python SDK για να τυλίξουμε την εικόνα εκπαίδευσης σε έναν εκτιμητή SageMaker PyTorch, όπως φαίνεται στα παρακάτω αποσπάσματα κώδικα:

d2_estimator = Estimator( image_uri=training_image_uri, role=role, sagemaker_session=sm_session, instance_count=1, instance_type=training_instance, output_path=f"s3://{session_bucket}/{prefix_model}", base_job_name=f"detectron2") d2_estimator.fit({ "training": training_channel, "validation": validation_channel, }, wait=True)

Τέλος, ξεκινάμε τη δουλειά της εκπαίδευσης καλώντας το fit() συνάρτηση στον εκτιμητή PyTorch που δημιουργήθηκε. Όταν ολοκληρωθεί η εκπαίδευση, το εκπαιδευμένο τεχνούργημα του μοντέλου αποθηκεύεται στον κάδο συνεδρίας στο Amazon S3 για να χρησιμοποιηθεί για τη διοχέτευση συμπερασμάτων.

Αναπτύξτε το μοντέλο χρησιμοποιώντας το SageMaker και αγωγούς συμπερασμάτων

Χρησιμοποιούμε επίσης το SageMaker για να φιλοξενήσουμε το τελικό σημείο συμπερασμάτων που εκτελεί το προσαρμοσμένο μοντέλο Detectron. Η πλήρης υποδομή που χρησιμοποιείται για την ανάπτυξη της λύσης μας παρέχεται χρησιμοποιώντας το AWS CDK. Μπορούμε να φιλοξενήσουμε το προσαρμοσμένο μοντέλο μας μέσω ενός τελικό σημείο SageMaker σε πραγματικό χρόνο τηλεφωνώντας deploy στον εκτιμητή PyTorch. Αυτή είναι η δεύτερη φορά που επεκτείνουμε ένα προκατασκευασμένο κοντέινερ PyTorch του SageMaker ώστε να περιλαμβάνει το PyTorch Detectron. Το χρησιμοποιούμε για να εκτελέσουμε το σενάριο συμπερασμάτων και να φιλοξενήσουμε το εκπαιδευμένο μας μοντέλο PyTorch ως εξής:

model = PyTorchModel( name="d2-sku110k-model", model_data=d2_estimator.model_data, role=role, sagemaker_session=sm_session, entry_point="predict.py", source_dir="src", image_uri=serve_image_uri, framework_version="1.6.0") predictor = model.deploy( initial_instance_count=1, instance_type="ml.g4dn.xlarge", endpoint_name="detectron-endpoint", serializer=sagemaker.serializers.JSONSerializer(), deserializer=sagemaker.deserializers.JSONDeserializer(), wait=True)

Λάβετε υπόψη ότι χρησιμοποιήσαμε μια GPU ml.g4dn.xlarge για ανάπτυξη, επειδή είναι η μικρότερη διαθέσιμη GPU και επαρκής για αυτήν την επίδειξη. Δύο στοιχεία πρέπει να ρυθμιστούν στο δικό μας σενάριο συμπερασμάτων: φόρτωση μοντέλου και εξυπηρέτηση μοντέλων. Η λειτουργία model_fn() χρησιμοποιείται για τη φόρτωση του εκπαιδευμένου μοντέλου που αποτελεί μέρος του φιλοξενούμενου κοντέινερ Docker και μπορεί επίσης να βρεθεί στο Amazon S3 και να επιστρέψει ένα αντικείμενο μοντέλου που μπορεί να χρησιμοποιηθεί για την προβολή μοντέλων ως εξής:

def model_fn(model_dir: str) -> DefaultPredictor: for p_file in Path(model_dir).iterdir(): if p_file.suffix == ".pth": path_model = p_file cfg = get_cfg() cfg.MODEL.WEIGHTS = str(path_model) return DefaultPredictor(cfg)

η λειτουργία predict_fn() εκτελεί την πρόβλεψη και επιστρέφει το αποτέλεσμα. Εκτός από τη χρήση του εκπαιδευμένου μοντέλου μας, χρησιμοποιούμε μια προεκπαιδευμένη έκδοση του μοντέλου Mask R-CNN που έχει εκπαιδευτεί στο σύνολο δεδομένων COCO για να εξαγάγουμε το κύριο αυτοκίνητο στην εικόνα. Αυτό είναι ένα επιπλέον βήμα μεταεπεξεργασίας για την αντιμετώπιση εικόνων όπου υπάρχουν περισσότερα από ένα αυτοκίνητα. Δείτε τον παρακάτω κώδικα:

def predict_fn(input_img: np.ndarray, predictor: DefaultPredictor) -> Mapping: pretrained_predictor = _get_pretraind_model() car_mask = get_main_car_mask(pretrained_predictor, input_img) outputs = predictor(input_img) fmt_out = { "image_height": input_object.shape[0], "image_width": input_object.shape[1], "pred_boxes": outputs["instances"].pred_boxes.tensor.tolist(), "scores": outputs["instances"].scores.tolist(), "pred_classes": outputs["instances"].pred_classes.tolist(), "car_mask": car_mask.tolist() } return fmt_out

Παρόμοια με τη λύση Αναγνώρισης του Amazon, τα οριοθετημένα πλαίσια προβλέφθηκαν για το wheel η κλάση φιλτράρεται από τις εξόδους ανίχνευσης και παρέχεται στη μονάδα μεταεπεξεργασίας για να αξιολογηθεί η θέση του αυτοκινήτου σε σχέση με την έξοδο.

Τέλος, βελτιώσαμε επίσης την μεταεπεξεργασία για τη λύση Detectron. Χρησιμοποιεί επίσης τα τμήματα διαφορετικών ανταλλακτικών αυτοκινήτων για να συμπεράνει τη λύση. Για παράδειγμα, όποτε ανιχνεύεται εμπρός προφυλακτήρας, αλλά όχι πίσω προφυλακτήρας, υποτίθεται ότι έχουμε μπροστινή όψη του αυτοκινήτου και υπολογίζεται η αντίστοιχη γωνία.

Συνδέστε τη λύση σας στην εφαρμογή web

Τα βήματα για τη σύνδεση των τελικών σημείων του μοντέλου στο Amplify είναι τα εξής:

• Κλωνοποιήστε το αποθετήριο εφαρμογών που δημιούργησε η στοίβα CDK AWS, με όνομα car-angle-detection-website-repo. Βεβαιωθείτε ότι το αναζητάτε στην περιοχή που χρησιμοποιήσατε για την ανάπτυξη.
• Αντιγράψτε τα τελικά σημεία της πύλης API για καθεμία από τις αναπτυγμένες συναρτήσεις Lambda στο index.html αρχείο στο προηγούμενο αποθετήριο (υπάρχουν σύμβολα κράτησης θέσης όπου πρέπει να τοποθετηθεί το τελικό σημείο). Ο παρακάτω κώδικας είναι ένα παράδειγμα της εμφάνισης αυτής της ενότητας του αρχείου .html:

<td align="center" colspan="2">
<select id="endpoint">
<option value="https://ey82aaj8ch.execute-api.eu-central-1.amazonaws.com/prod/"> Amazon Rekognition</option>
<option value="https://nhq6q88xjg.execute-api.eu-central-1.amazonaws.com/prod/"> Amazon SageMaker Detectron</option>
</select>
<input class="btn" type="file" id="ImageBrowse" />
<input class="btn btn-primary" type="submit" value="Upload">
</td>

• Αποθηκεύστε το αρχείο HTML και σπρώξτε την αλλαγή κώδικα στον απομακρυσμένο κύριο κλάδο.

Αυτό θα ενημερώσει το αρχείο HTML στην ανάπτυξη. Η εφαρμογή είναι τώρα έτοιμη για χρήση.

• Μεταβείτε στην κονσόλα Amplify και εντοπίστε το έργο που δημιουργήσατε.

Η διεύθυνση URL της εφαρμογής θα είναι ορατή μετά την ολοκλήρωση της ανάπτυξης.

• Πλοηγηθείτε στη διεύθυνση URL και διασκεδάστε με τη διεπαφή χρήστη.

Συμπέρασμα

Συγχαρητήρια! Έχουμε αναπτύξει μια πλήρη αρχιτεκτονική χωρίς διακομιστή στην οποία χρησιμοποιήσαμε το Amazon Rekognition, αλλά δώσαμε επίσης μια επιλογή για το δικό σας προσαρμοσμένο μοντέλο, με αυτό το παράδειγμα διαθέσιμο στο GitHub. Εάν δεν έχετε τεχνογνωσία ML στην ομάδα σας ή αρκετά προσαρμοσμένα δεδομένα για να εκπαιδεύσετε ένα μοντέλο, μπορείτε να επιλέξετε την επιλογή που χρησιμοποιεί το Amazon Rekognition. Εάν θέλετε περισσότερο έλεγχο στο μοντέλο σας, θέλετε να το προσαρμόσετε περαιτέρω και να έχετε αρκετά δεδομένα, μπορείτε να επιλέξετε τη λύση SageMaker. Εάν έχετε μια ομάδα επιστημόνων δεδομένων, μπορεί επίσης να θέλουν να βελτιώσουν περαιτέρω τα μοντέλα και να επιλέξουν μια πιο προσαρμοσμένη και ευέλικτη επιλογή. Μπορείτε να τοποθετήσετε τη συνάρτηση Lambda και την πύλη API πίσω από την εφαρμογή web σας χρησιμοποιώντας μία από τις δύο επιλογές. Μπορείτε επίσης να χρησιμοποιήσετε αυτήν την προσέγγιση για μια διαφορετική περίπτωση χρήσης για την οποία ίσως θέλετε να προσαρμόσετε τον κώδικα.

Το πλεονέκτημα αυτής της αρχιτεκτονικής χωρίς διακομιστή είναι ότι τα δομικά στοιχεία είναι πλήρως ανταλλάξιμα. Οι ευκαιρίες είναι σχεδόν απεριόριστες. Λοιπόν, ξεκινήστε σήμερα!

Όπως πάντα, το AWS καλωσορίζει τα σχόλια. Υποβάλετε τυχόν σχόλια ή ερωτήσεις.

Σχετικά με τους Συγγραφείς

Μάικλ Γουόλνερ είναι Senior Consultant Data & AI με AWS Professional Services και έχει πάθος να δίνει τη δυνατότητα στους πελάτες στο ταξίδι τους να γίνουν βασισμένοι στα δεδομένα και AWSome στο cloud AWS. Επιπλέον, του αρέσει να σκέφτεται πολλά με τους πελάτες για να καινοτομεί και να εφευρίσκει νέες ιδέες για αυτούς.

Aamna Najmi είναι Επιστήμονας Δεδομένων με AWS Professional Services. Είναι παθιασμένη με το να βοηθά τους πελάτες να καινοτομούν με τεχνολογίες Big Data και Τεχνητής Νοημοσύνης για να αξιοποιήσουν την επιχειρηματική αξία και τις πληροφορίες από τα δεδομένα. Έχει εμπειρία στην εργασία σε πλατφόρμες δεδομένων και έργα AI/ML στον κλάδο της υγείας και των βιοεπιστημών. Στον ελεύθερο χρόνο της, της αρέσει η κηπουρική και τα ταξίδια σε νέα μέρη.

David Sauerwein είναι Ανώτερος Επιστήμονας Δεδομένων στο AWS Professional Services, όπου δίνει τη δυνατότητα στους πελάτες στο ταξίδι τους AI/ML στο cloud AWS. Ο David εστιάζει στα ψηφιακά δίδυμα, την πρόβλεψη και τον κβαντικό υπολογισμό. Έχει διδακτορικό στη θεωρητική φυσική από το Πανεπιστήμιο του Ίνσμπρουκ της Αυστρίας. Ήταν επίσης διδακτορικός και μεταδιδακτορικός ερευνητής στο Max-Planck-Institute for Quantum Optics στη Γερμανία. Στον ελεύθερο χρόνο του λατρεύει να διαβάζει, να κάνει σκι και να περνά χρόνο με την οικογένειά του.

Srikrishna Chaitanya Konduru είναι Ανώτερος Επιστήμονας Δεδομένων με υπηρεσίες AWS Professional. Υποστηρίζει πελάτες στη δημιουργία πρωτοτύπων και στη λειτουργικότητα των εφαρμογών ML τους στο AWS. Ο Srikrishna εστιάζει στην όραση υπολογιστών και στο NLP. Επίσης, ηγείται πρωτοβουλιών σχεδιασμού πλατφόρμας ML και αναγνώρισης περιπτώσεων χρήσης για πελάτες σε διάφορους κλάδους του κλάδου. Ο Srikrishna έχει M.Sc στη Βιοϊατρική Μηχανική από το πανεπιστήμιο RWTH Aachen, Γερμανία, με εστίαση στην Ιατρική Απεικόνιση.

Ahmed Mansour είναι Επιστήμονας Δεδομένων στην AWS Professional Services. Παρέχει τεχνική υποστήριξη στους πελάτες μέσω του ταξιδιού τους AI/ML στο cloud AWS. Ο Ahmed εστιάζει στις εφαρμογές του NLP στον τομέα της πρωτεΐνης μαζί με το RL. Έχει διδακτορικό στη Μηχανική από το Τεχνικό Πανεπιστήμιο του Μονάχου, Γερμανία. Στον ελεύθερο χρόνο του λατρεύει να πηγαίνει στο γυμναστήριο και να παίζει με τα παιδιά του.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/build-and-train-computer-vision-models-to-detect-car-positions-in-images-using-amazon-sagemaker-and-amazon-rekognition/