Χρησιμοποιήστε την όραση υπολογιστή για να μετρήσετε την απόδοση της γεωργίας με τις προσαρμοσμένες ετικέτες αναγνώρισης Amazon

Στον τομέα της γεωργίας, το πρόβλημα της αναγνώρισης και της καταμέτρησης της ποσότητας των καρπών στα δέντρα παίζει σημαντικό ρόλο στην εκτίμηση της καλλιέργειας. Η έννοια της ενοικίασης και της μίσθωσης ενός δέντρου γίνεται δημοφιλής, όπου ένας ιδιοκτήτης δέντρου μισθώνει το δέντρο κάθε χρόνο πριν από τη συγκομιδή με βάση την εκτιμώμενη απόδοση καρπού. Η κοινή πρακτική της χειροκίνητης μέτρησης των φρούτων είναι μια χρονοβόρα και χρονοβόρα διαδικασία. Είναι μια από τις πιο δύσκολες αλλά πιο σημαντικές εργασίες για να επιτύχετε καλύτερα αποτελέσματα στο σύστημα διαχείρισης των καλλιεργειών σας. Αυτή η εκτίμηση της ποσότητας φρούτων και λουλουδιών βοηθά τους αγρότες να λάβουν καλύτερες αποφάσεις — όχι μόνο για τις τιμές μίσθωσης, αλλά και για τις πρακτικές καλλιέργειας και την πρόληψη των ασθενειών των φυτών.

Αυτό είναι όπου μια λύση αυτοματοποιημένης μηχανικής μάθησης (ML) για την όραση υπολογιστή (CV) μπορεί να βοηθήσει τους αγρότες. Προσαρμοσμένες ετικέτες αναγνώρισης Amazon είναι μια πλήρως διαχειριζόμενη υπηρεσία όρασης υπολογιστή που επιτρέπει στους προγραμματιστές να δημιουργούν προσαρμοσμένα μοντέλα για την ταξινόμηση και την αναγνώριση αντικειμένων σε εικόνες που είναι συγκεκριμένα και μοναδικά για την επιχείρησή σας.

Το Rekognition Custom Labels δεν απαιτεί να έχετε προηγούμενη εμπειρία στην όραση υπολογιστή. Μπορείτε να ξεκινήσετε απλά ανεβάζοντας δεκάδες εικόνες αντί για χιλιάδες. Εάν οι εικόνες έχουν ήδη επισημανθεί, μπορείτε να ξεκινήσετε την εκπαίδευση ενός μοντέλου με λίγα μόνο κλικ. Εάν όχι, μπορείτε να τα επισημάνετε απευθείας στην κονσόλα Προσαρμοσμένων ετικετών αναγνώρισης ή να τα χρησιμοποιήσετε Amazon SageMaker Ground Αλήθεια για να τους χαρακτηρίσουν. Το Rekognition Custom Labels χρησιμοποιεί εκμάθηση μεταφοράς για να επιθεωρήσει αυτόματα τα δεδομένα εκπαίδευσης, να επιλέξει το σωστό πλαίσιο και αλγόριθμο μοντέλου, να βελτιστοποιήσει τις υπερπαραμέτρους και να εκπαιδεύσει το μοντέλο. Όταν είστε ικανοποιημένοι με την ακρίβεια του μοντέλου, μπορείτε να αρχίσετε να φιλοξενείτε το εκπαιδευμένο μοντέλο με ένα μόνο κλικ.

Σε αυτήν την ανάρτηση, παρουσιάζουμε πώς μπορείτε να δημιουργήσετε μια ολοκληρωμένη λύση χρησιμοποιώντας προσαρμοσμένες ετικέτες αναγνώρισης για τον εντοπισμό και την καταμέτρηση των φρούτων για τη μέτρηση της απόδοσης της γεωργίας.

Επισκόπηση λύσεων

Δημιουργούμε ένα προσαρμοσμένο μοντέλο για την ανίχνευση φρούτων χρησιμοποιώντας τα ακόλουθα βήματα:

1. Επισημάνετε ένα σύνολο δεδομένων με εικόνες που περιέχουν φρούτα χρησιμοποιώντας Amazon SageMaker Ground Αλήθεια.
2. Δημιουργήστε ένα έργο στις Προσαρμοσμένες Ετικέτες Αναγνώρισης.
3. Εισαγάγετε το επισημασμένο σύνολο δεδομένων σας.
4. Εκπαιδεύστε το μοντέλο.
5. Δοκιμάστε το νέο προσαρμοσμένο μοντέλο χρησιμοποιώντας το αυτόματα τελικό σημείο API

Το Rekognition Custom Labels σάς επιτρέπει να διαχειρίζεστε τη διαδικασία εκπαίδευσης μοντέλων ML στην κονσόλα Amazon Rekognition, η οποία απλοποιεί τη διαδικασία ανάπτυξης και εξαγωγής μοντέλων από άκρο σε άκρο.

Προϋποθέσεις

Για να δημιουργήσετε ένα μοντέλο μέτρησης της απόδοσης της γεωργίας, πρέπει πρώτα να προετοιμάσετε ένα σύνολο δεδομένων για να εκπαιδεύσετε το μοντέλο. Για αυτήν την ανάρτηση, το σύνολο δεδομένων μας αποτελείται από εικόνες φρούτων. Οι παρακάτω εικόνες δείχνουν μερικά παραδείγματα.

Βρήκαμε τις εικόνες μας από τον δικό μας κήπο. Μπορείτε να κάνετε λήψη των αρχείων εικόνας από το GitHub repo.

Για αυτήν την ανάρτηση, χρησιμοποιούμε μόνο λίγες εικόνες για να παρουσιάσουμε την περίπτωση χρήσης απόδοσης φρούτων. Μπορείτε να πειραματιστείτε περαιτέρω με περισσότερες εικόνες.

Για να προετοιμάσετε το σύνολο δεδομένων σας, ακολουθήστε τα παρακάτω βήματα:

1. Δημιουργία ενός Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος.
2. Δημιουργήστε δύο φακέλους μέσα σε αυτόν τον κάδο, που ονομάζεται raw_data και test_data, για αποθήκευση εικόνων για επισήμανση και δοκιμή μοντέλων.
3. Επιλέξτε Μεταφόρτωση για να ανεβάσετε τις εικόνες στους αντίστοιχους φακέλους τους από το αποθετήριο GitHub.
   

Οι μεταφορτωμένες εικόνες δεν φέρουν ετικέτα. Επισημάνετε τις εικόνες στο επόμενο βήμα.

Επισημάνετε το σύνολο δεδομένων σας χρησιμοποιώντας Ground Truth

Για να εκπαιδεύσετε το μοντέλο ML, χρειάζεστε εικόνες με ετικέτα. Το Ground Truth παρέχει μια εύκολη διαδικασία για την επισήμανση των εικόνων. Το έργο της επισήμανσης εκτελείται από ανθρώπινο εργατικό δυναμικό. σε αυτήν την ανάρτηση, δημιουργείτε ένα ιδιωτικό εργατικό δυναμικό. Μπορείς να χρησιμοποιήσεις Αμαζόν Μηχανολόγος Τούρκος για την επισήμανση σε κλίμακα.

Δημιουργήστε ένα εργατικό δυναμικό επισήμανσης

Ας δημιουργήσουμε πρώτα το εργατικό δυναμικό μας για τις ετικέτες. Ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα SageMaker, κάτω Βασική αλήθεια στο παράθυρο πλοήγησης, επιλέξτε Επισήμανση εργατικού δυναμικού.
2. Στις Private καρτέλα, επιλέξτε Δημιουργήστε ιδιωτική ομάδα.
   
3. Για Ονομα ομάδας, εισαγάγετε ένα όνομα για το εργατικό δυναμικό σας (για αυτήν την ανάρτηση, labeling-team).
4. Επιλέξτε Δημιουργήστε ιδιωτική ομάδα.
   
5. Επιλέξτε Προσκαλέστε νέους εργαζόμενους.
   
   
6. Στο Προσθήκη εργαζομένων μέσω διεύθυνσης ηλεκτρονικού ταχυδρομείου στην ενότητα, πληκτρολογήστε τις διευθύνσεις email των εργαζομένων σας. Για αυτήν την ανάρτηση, πληκτρολογήστε τη δική σας διεύθυνση email.
7. Επιλέξτε Προσκαλέστε νέους εργαζόμενους.
   

Έχετε δημιουργήσει ένα εργατικό δυναμικό ετικετών, το οποίο χρησιμοποιείτε στο επόμενο βήμα κατά τη δημιουργία μιας εργασίας επισήμανσης.

Δημιουργήστε μια εργασία επισήμανσης βασικής αλήθειας

Για να βελτιώσετε τη δουλειά σας στην ετικετοποίηση, ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα SageMaker, κάτω Βασική αλήθεια, επιλέξτε Ετικέτες εργασίας.
2. Επιλέξτε Δημιουργήστε εργασία επισήμανσης.
   
3. Για Όνομα εργασίας, εισαγω fruits-detection.
4. Αγορά Θέλω να ορίσω ένα όνομα χαρακτηριστικού ετικέτας διαφορετικό από το όνομα της εργασίας επισήμανσης.
5. Για Όνομα χαρακτηριστικού ετικέταςεισαγω Labels.
6. Για Ρύθμιση δεδομένων εισαγωγής, Επιλέξτε Αυτοματοποιημένη ρύθμιση δεδομένων.
7. Για Θέση S3 για σύνολα δεδομένων εισόδου, εισαγάγετε τη θέση S3 των εικόνων, χρησιμοποιώντας τον κάδο που δημιουργήσατε νωρίτερα (s3://{your-bucket-name}/raw-data/images/).
8. Για Θέση S3 για σύνολα δεδομένων εξόδου, Επιλέξτε Καθορίστε μια νέα τοποθεσία και εισαγάγετε τη θέση εξόδου για σχολιασμένα δεδομένα (s3://{your-bucket-name}/annotated-data/).
9. Για Τύπος δεδομένων, επιλέξτε Εικόνα.
10. Επιλέξτε Ολοκληρωμένη ρύθμιση δεδομένων.
    Αυτό δημιουργεί το αρχείο δήλωσης εικόνας και ενημερώνει τη διαδρομή θέσης εισαγωγής S3. Περιμένετε να εμφανιστεί το μήνυμα "Επιτυχής σύνδεση δεδομένων εισαγωγής".
    
11. Ανάπτυξη Επιπλέον διαμόρφωση.
12. Επιβεβαίωσε ότι Πλήρες σύνολο δεδομένων έχει επιλεγεί.
    Αυτό χρησιμοποιείται για να καθορίσετε εάν θέλετε να παρέχετε όλες τις εικόνες στην εργασία επισήμανσης ή ένα υποσύνολο εικόνων με βάση φίλτρα ή τυχαία δειγματοληψία.
    
13. Για Κατηγορία εργασιών, επιλέξτε Εικόνα γιατί αυτό είναι μια εργασία για σχολιασμό εικόνας.
14. Επειδή πρόκειται για περίπτωση χρήσης ανίχνευσης αντικειμένων, για Επιλογή εργασιών, Επιλέξτε Οριοθέτηση.
15. Αφήστε τις άλλες επιλογές ως προεπιλογές και επιλέξτε Επόμενο.
    
16. Επιλέξτε Επόμενο.
    
    Τώρα προσδιορίζετε τους εργαζομένους σας και διαμορφώνετε το εργαλείο επισήμανσης.
17. Για Τύποι εργαζομένων, Επιλέξτε Private.Για αυτήν την ανάρτηση, χρησιμοποιείτε ένα εσωτερικό εργατικό δυναμικό για να σχολιάσετε τις εικόνες. Έχετε επίσης την επιλογή να επιλέξετε ένα εργατικό δυναμικό με συμβόλαιο δημοσίου (Amazon Mechanical Turk) ή συνεργάτη εργατικού δυναμικού (Διαχειρίστηκε ο προμηθευτής) ανάλογα με την περίπτωση χρήσης σας.
18. Για Ιδιωτικές ομάδες¸ επιλέξτε την ομάδα που δημιουργήσατε νωρίτερα.
19. Αφήστε τις άλλες επιλογές ως προεπιλογές και μετακινηθείτε προς τα κάτω στο Εργαλείο επισήμανσης κουτιού οριοθέτησης.Είναι σημαντικό να παρέχετε σαφείς οδηγίες εδώ στο εργαλείο επισήμανσης για την ομάδα ιδιωτικών ετικετών. Αυτές οι οδηγίες λειτουργούν ως οδηγός για τους σχολιαστές κατά την τοποθέτηση ετικετών. Οι καλές οδηγίες είναι συνοπτικές, επομένως συνιστούμε να περιορίσετε τις προφορικές ή τις κειμενικές οδηγίες σε δύο προτάσεις και να εστιάσετε σε οπτικές οδηγίες. Στην περίπτωση ταξινόμησης εικόνων, συνιστούμε να παρέχετε μία εικόνα με ετικέτα σε κάθε μία από τις κατηγορίες ως μέρος των οδηγιών.
20. Προσθέστε δύο ετικέτες: fruit και no_fruit.
21. Εισαγάγετε λεπτομερείς οδηγίες στο Πεδίο περιγραφής για παροχή οδηγίες προς τους εργαζόμενους. Για παράδειγμα: You need to label fruits in the provided image. Please ensure that you select label 'fruit' and draw the box around the fruit just to fit the fruit for better quality of label data. You also need to label other areas which look similar to fruit but are not fruit with label 'no_fruit'.Μπορείτε επίσης προαιρετικά να παρέχετε παραδείγματα εικόνων καλών και κακών ετικετών. Πρέπει να βεβαιωθείτε ότι αυτές οι εικόνες είναι δημόσια προσβάσιμες.
22. Επιλέξτε Δημιουργία για τη δημιουργία της εργασίας επισήμανσης.
    

Αφού δημιουργηθεί με επιτυχία η εργασία, το επόμενο βήμα είναι η επισήμανση των εικόνων εισόδου.

Ξεκινήστε τη δουλειά επισήμανσης

Μόλις δημιουργήσετε με επιτυχία την εργασία, η κατάσταση της εργασίας είναι InProgress. Αυτό σημαίνει ότι η θέση εργασίας δημιουργείται και το ιδιωτικό εργατικό δυναμικό ενημερώνεται μέσω email σχετικά με την εργασία που τους έχει ανατεθεί. Επειδή έχετε αναθέσει την εργασία στον εαυτό σας, θα πρέπει να λάβετε ένα email με οδηγίες για να συνδεθείτε στο έργο Ground Truth Labeling.

1. Ανοίξτε το email και επιλέξτε τον σύνδεσμο που παρέχεται.
2. Εισαγάγετε το όνομα χρήστη και τον κωδικό πρόσβασης που παρέχονται στο email.
   Ίσως χρειαστεί να αλλάξετε τον προσωρινό κωδικό πρόσβασης που παρέχεται στο email σε νέο κωδικό πρόσβασης μετά τη σύνδεση.
3. Αφού συνδεθείτε, επιλέξτε την εργασία σας και επιλέξτε Αρχισε να δουλεύεις, άρχισε τη δουλειά.
   
   Μπορείτε να χρησιμοποιήσετε τα παρεχόμενα εργαλεία για μεγέθυνση, σμίκρυνση, μετακίνηση και σχεδίαση πλαισίων οριοθέτησης στις εικόνες.
4. Επιλέξτε την ετικέτα σας (fruit or no_fruit) και στη συνέχεια σχεδιάστε ένα πλαίσιο οριοθέτησης στην εικόνα για να το σχολιάσετε.
5. Όταν τελειώσετε, επιλέξτε Υποβολη.

Τώρα έχετε επισημάνει σωστά τις εικόνες που θα χρησιμοποιηθούν από το μοντέλο ML για εκπαίδευση.

Δημιουργήστε το έργο σας Amazon Rekognition

Για να δημιουργήσετε το έργο μέτρησης της απόδοσης της γεωργίας, ολοκληρώστε τα ακόλουθα βήματα:

1. Στην Amazon Recognition κονσόλα, επιλέξτε Προσαρμοσμένες ετικέτες.
2. Επιλέξτε Ξεκινήστε Τώρα.
3. Για Όνομα έργου, εισαγω fruits_yield.
4. Επιλέξτε Δημιουργία έργου.
   

Μπορείτε επίσης να δημιουργήσετε ένα έργο στο Έργα σελίδα. Μπορείτε να αποκτήσετε πρόσβαση στο Έργα σελίδα μέσω του παραθύρου πλοήγησης. Το επόμενο βήμα είναι να παρέχετε εικόνες ως είσοδο.

Εισαγάγετε το σύνολο δεδομένων σας

Για να δημιουργήσετε το δικό σας μοντέλο μέτρησης της απόδοσης της γεωργίας, πρέπει πρώτα να εισαγάγετε ένα σύνολο δεδομένων για να εκπαιδεύσετε το μοντέλο. Για αυτήν την ανάρτηση, το σύνολο δεδομένων μας έχει ήδη επισημανθεί με τη χρήση Ground Truth.

1. Για Εισαγωγή εικόνων, Επιλέξτε Εισαγάγετε εικόνες με ετικέτα SageMaker Ground Truth.
   
2. Για Προφανής θέση αρχείου, εισαγάγετε τη θέση του κάδου S3 του αρχείου μανιφέστου σας (s3://{your-bucket-name}/fruits_image/annotated_data/fruits-labels/manifests/output/output.manifest).
3. Επιλέξτε Δημιουργία συνόλου δεδομένων.
   

Μπορείτε να δείτε το επισημασμένο σύνολο δεδομένων σας.

Τώρα έχετε το σύνολο δεδομένων εισόδου για το μοντέλο ML για να ξεκινήσετε την εκπαίδευση σε αυτά.

Εκπαιδεύστε το μοντέλο σας

Αφού επισημάνετε τις εικόνες σας, είστε έτοιμοι να εκπαιδεύσετε το μοντέλο σας.

1. Επιλέξτε Μοντέλο αμαξοστοιχίας.
2. Για Επιλέξτε έργο, επιλέξτε το έργο σας fruits_yield.
3. Επιλέξτε Μοντέλο τρένων.
   

Περιμένετε να ολοκληρωθεί η εκπαίδευση. Τώρα μπορείτε να ξεκινήσετε να δοκιμάζετε την απόδοση για αυτό το εκπαιδευμένο μοντέλο.

Δοκιμάστε το μοντέλο σας

Το μοντέλο μέτρησης της απόδοσης της γεωργίας είναι τώρα έτοιμο για χρήση και θα πρέπει να βρίσκεται στο Running κατάσταση. Για να δοκιμάσετε το μοντέλο, ολοκληρώστε τα παρακάτω βήματα:

Βήμα 1: Ξεκινήστε το μοντέλο

Στη σελίδα λεπτομερειών μοντέλου, στο Χρησιμοποιήστε το μοντέλο καρτέλα, επιλέξτε Αρχική.

Το Rekognition Custom Labels παρέχει επίσης τις κλήσεις API για την εκκίνηση, τη χρήση και τη διακοπή του μοντέλου σας.

Βήμα 2: Δοκιμάστε το μοντέλο

Όταν το μοντέλο βρίσκεται στο Running κατάσταση, μπορείτε να χρησιμοποιήσετε το δείγμα σεναρίου δοκιμής analyzeImage.py για να μετρήσετε την ποσότητα των φρούτων σε μια εικόνα.

1. Κατεβάστε αυτό το σενάριο από το GitHub repo.
2. Επεξεργαστείτε αυτό το αρχείο για να αντικαταστήσετε την παράμετρο bucket με το όνομα του κάδου σας και model με το μοντέλο αναγνώρισης Amazon ARN.

Χρησιμοποιούμε τις παραμέτρους photo και min_confidence ως είσοδο για αυτό το σενάριο Python.

Μπορείτε να εκτελέσετε αυτό το σενάριο τοπικά χρησιμοποιώντας το Διεπαφή γραμμής εντολών AWS (AWS CLI) ή χρησιμοποιώντας AWS CloudShell. Στο παράδειγμά μας, εκτελέσαμε το σενάριο μέσω της κονσόλας CloudShell. Σημειώστε ότι το CloudShell είναι ελεύθερη για χρήση.

Βεβαιωθείτε ότι έχετε εγκαταστήσει τις απαιτούμενες εξαρτήσεις χρησιμοποιώντας την εντολή pip3 install boto3 PILLOW εάν δεν είναι ήδη εγκατεστημένο.

3. Ανεβάστε το αρχείο analyzeImage.py στο CloudShell χρησιμοποιώντας το Δράσεις μενού.
   

Το ακόλουθο στιγμιότυπο οθόνης δείχνει την έξοδο, η οποία εντόπισε δύο φρούτα στην εικόνα εισόδου. Παρέχαμε 15.jpeg ως όρισμα φωτογραφίας και 85 ως όρισμα min_confidence αξία.

Το παρακάτω παράδειγμα δείχνει την εικόνα 15.jpeg με δύο πλαίσια οριοθέτησης.

Μπορείτε να εκτελέσετε το ίδιο σενάριο με άλλες εικόνες και να πειραματιστείτε αλλάζοντας περαιτέρω τη βαθμολογία εμπιστοσύνης.

Βήμα 3: Σταματήστε το μοντέλο

Όταν τελειώσετε, θυμηθείτε να σταματήσετε το μοντέλο για να αποφύγετε περιττές χρεώσεις. Στη σελίδα λεπτομερειών μοντέλου, στην καρτέλα Χρήση μοντέλου, επιλέξτε Διακοπή.

εκκαθάριση

Για να αποφύγετε την επιβολή περιττών χρεώσεων, διαγράψτε τους πόρους που χρησιμοποιούνται σε αυτήν την αναλυτική περιγραφή όταν δεν χρησιμοποιούνται. Πρέπει να διαγράψουμε το έργο Amazon Rekognition και τον κάδο S3.

Διαγράψτε το έργο Amazon Rekognition

Για να διαγράψετε το έργο Amazon Rekognition, ολοκληρώστε τα παρακάτω βήματα:

1. Στην Amazon Recognition κονσόλα, επιλέξτε Χρησιμοποιήστε προσαρμοσμένες ετικέτες.
2. Επιλέξτε Αγορά.
3. Στο παράθυρο πλοήγησης, επιλέξτε Έργα.
4. Στις Έργα σελίδα, επιλέξτε το έργο που θέλετε να διαγράψετε.
   1. Επιλέξτε Διαγραφή.
      Η Διαγραφή έργου εμφανίζεται το πλαίσιο διαλόγου.
5. Εάν το έργο δεν έχει σχετικά μοντέλα:
   1. εισάγετε διαγράψετε για να διαγράψετε το έργο.
   2. Επιλέξτε Διαγραφή για να διαγράψετε το έργο.
6. Εάν το έργο έχει συσχετισμένα μοντέλα ή σύνολα δεδομένων:
   1. εισάγετε διαγράψετε για να επιβεβαιώσετε ότι θέλετε να διαγράψετε το μοντέλο και τα σύνολα δεδομένων.
   2. Επιλέξτε είτε Διαγραφή συσχετισμένων μοντέλων, Διαγραφή συσχετισμένων συνόλων δεδομένων, ή Διαγραφή συσχετισμένων συνόλων δεδομένων και μοντέλων, ανάλογα με το αν το μοντέλο έχει σύνολα δεδομένων, μοντέλα ή και τα δύο.

   Η διαγραφή μοντέλου μπορεί να χρειαστεί λίγο χρόνο για να ολοκληρωθεί. Σημειώστε ότι η κονσόλα Amazon Rekognition δεν μπορεί να διαγράψει μοντέλα που βρίσκονται σε προπόνηση ή σε λειτουργία. Δοκιμάστε ξανά αφού σταματήσετε τα μοντέλα που εκτελούνται στη λίστα και περιμένετε μέχρι να ολοκληρωθούν τα μοντέλα που αναφέρονται ως εκπαίδευση. Εάν κλείσετε το παράθυρο διαλόγου κατά τη διαγραφή μοντέλου, τα μοντέλα εξακολουθούν να διαγράφονται. Αργότερα, μπορείτε να διαγράψετε το έργο επαναλαμβάνοντας αυτήν τη διαδικασία.

7. εισάγετε διαγράψετε για να επιβεβαιώσετε ότι θέλετε να διαγράψετε το έργο.
8. Επιλέξτε Διαγραφή για να διαγράψετε το έργο.

Διαγράψτε τον κάδο S3 σας

Πρώτα πρέπει να αδειάσετε τον κάδο και μετά να τον διαγράψετε.

1. Στις Amazon S3 κονσόλα, επιλέξτε Κουβάδες.
2. Επιλέξτε τον κάδο που θέλετε να αδειάσετε και μετά επιλέξτε Αδειάστε.
3. Επιβεβαιώστε ότι θέλετε να αδειάσετε τον κάδο εισάγοντας το όνομα του κάδου στο πεδίο κειμένου και, στη συνέχεια, επιλέξτε Αδειάστε.
4. Επιλέξτε Διαγραφή.
5. Επιβεβαιώστε ότι θέλετε να διαγράψετε τον κάδο εισάγοντας το όνομα του κάδου στο πεδίο κειμένου και, στη συνέχεια, επιλέξτε Διαγραφή κάδου.

Συμπέρασμα

Σε αυτήν την ανάρτηση, σας δείξαμε πώς να δημιουργήσετε ένα μοντέλο ανίχνευσης αντικειμένων με προσαρμοσμένες ετικέτες αναγνώρισης. Αυτή η δυνατότητα καθιστά εύκολη την εκπαίδευση ενός προσαρμοσμένου μοντέλου που μπορεί να ανιχνεύσει μια κλάση αντικειμένου χωρίς να χρειάζεται να προσδιορίσει άλλα αντικείμενα ή να χάσει την ακρίβεια στα αποτελέσματά του.

Για περισσότερες πληροφορίες σχετικά με τη χρήση προσαρμοσμένων ετικετών, δείτε Τι είναι οι προσαρμοσμένες ετικέτες Amazon Recognition;

---

Σχετικά με τους συγγραφείς

Dhiraj Thakur είναι αρχιτέκτονας λύσεων με τις υπηρεσίες Web της Amazon. Συνεργάζεται με πελάτες και συνεργάτες της AWS για να παρέχει καθοδήγηση σχετικά με την υιοθέτηση, τη μετανάστευση και τη στρατηγική εταιρικού cloud. Είναι παθιασμένος με την τεχνολογία και του αρέσει να χτίζει και να πειραματίζεται στον χώρο ανάλυσης και AI/ML.

Σάμιερ Γκόελ είναι αρχιτέκτονας λύσεων Sr. στην Ολλανδία, ο οποίος οδηγεί την επιτυχία των πελατών χτίζοντας πρωτότυπα σε πρωτοβουλίες αιχμής. Πριν από την ένταξή του στην AWS, ο Sameer αποφοίτησε με μεταπτυχιακό από τη Βοστώνη, με εστίαση στην επιστήμη δεδομένων. Του αρέσει να δημιουργεί και να πειραματίζεται με έργα AI/ML στο Raspberry Pi. Μπορείτε να τον βρείτε LinkedIn.