Etiquetas personalizadas de Amazon Rekognition es un servicio de visión por computadora completamente administrado que permite a los desarrolladores crear modelos personalizados para clasificar e identificar objetos en imágenes que son específicas y únicas para su negocio.
Las etiquetas personalizadas de Rekognition no requieren que tenga experiencia previa en visión por computadora. Puede comenzar simplemente cargando decenas de imágenes en lugar de miles. Si las imágenes ya están etiquetadas, puede comenzar a entrenar un modelo con solo unos pocos clics. De lo contrario, puede etiquetarlos directamente en la consola de etiquetas personalizadas de Rekognition o usar Verdad fundamental de Amazon SageMaker para etiquetarlos. Las etiquetas personalizadas de Rekognition utilizan el aprendizaje por transferencia para inspeccionar automáticamente los datos de entrenamiento, seleccionar el algoritmo y el marco del modelo correctos, optimizar los hiperparámetros y entrenar el modelo. Cuando esté satisfecho con la precisión del modelo, puede comenzar a alojar el modelo entrenado con solo un clic.
Sin embargo, si es un usuario comercial que busca resolver un problema de visión por computadora, visualizar los resultados de inferencia del modelo personalizado y recibir notificaciones cuando dichos resultados de inferencia estén disponibles, debe confiar en su equipo de ingeniería para crear dicha aplicación. Por ejemplo, un gerente de operaciones agrícolas puede recibir una notificación cuando se descubre que un cultivo tiene una enfermedad, un enólogo puede recibir una notificación cuando las uvas están maduras para la cosecha o un gerente de tienda puede recibir una notificación cuando sea el momento de reabastecer los inventarios, como refrescos. en un refrigerador vertical.
En esta publicación, lo guiaremos a través del proceso de creación de una solución que le permita visualizar el resultado de la inferencia y enviar notificaciones a los usuarios suscritos cuando se identifiquen etiquetas específicas en imágenes que se procesan utilizando modelos creados por Rekognition Custom Labels.
Resumen de la solución
El siguiente diagrama ilustra la arquitectura de nuestra solución.
Esta solución utiliza los siguientes servicios de AWS para implementar una arquitectura escalable y rentable:
- Atenea amazónica – Un servicio de consulta interactivo sin servidor que facilita el análisis de datos en Amazon S3 utilizando SQL estándar.
- AWS Lambda – Un servicio de cómputo sin servidor que le permite ejecutar código en respuesta a disparadores como cambios en los datos, cambios en el estado del sistema o acciones del usuario. Debido a que Amazon S3 puede activar directamente una función Lambda, puede crear una variedad de funciones en tiempo real. sin servidor sistemas de procesamiento de datos.
- Amazon QuickSight – Un servicio de análisis empresarial basado en la nube, muy rápido y fácil de usar que facilita la creación de visualizaciones, la realización de análisis ad hoc y la obtención rápida de información empresarial a partir de los datos.
- Etiquetas personalizadas de Amazon Rekognition – Le permite entrenar un modelo de visión por computadora personalizado para identificar los objetos y escenas en imágenes que son específicas para sus necesidades comerciales.
- Servicio de notificación simple de Amazon – Amazon SNS es un servicio de mensajería completamente administrado para la comunicación de aplicación a aplicación (A2A) y de aplicación a persona (A2P).
- Servicio de cola simple de Amazon – Amazon SQS es un servicio de cola de mensajes completamente administrado que le permite desacoplar y escalar microservicios, sistemas distribuidos y aplicaciones sin servidor.
- Servicio de almacenamiento simple de Amazon – Amazon S3 sirve como un almacén de objetos para sus documentos y permite una administración central con controles de acceso ajustados.
La solución utiliza un flujo de trabajo sin servidor que se activa cuando se carga una imagen en el depósito S3 de entrada. Una cola de SQS recibe una notificación de evento para la creación de objetos. La solución también crea colas de mensajes fallidos (DLQ) para reservar y aislar los mensajes que no se pueden procesar correctamente. Una función de Lambda se alimenta de la cola de SQS y hace que el DetectLabels
Llamada API para detectar todas las etiquetas en la imagen. Para escalar esta solución y convertirla en un diseño débilmente acoplado, la función Lambda envía los resultados de la predicción a otra cola de SQS. Esta cola de SQS activa otra función de Lambda, que analiza todas las etiquetas encontradas en las predicciones. Según la preferencia del usuario (configurada durante la implementación de la solución), la función publica un mensaje en un tema de SNS. El tema de SNS está configurado para enviar notificaciones por correo electrónico al usuario. Puede configurar la función Lambda para agregar una URL al mensaje enviado a Amazon SNS para acceder a la imagen (usando un Amazon S3 URL prefirmada). Finalmente, la función Lambda carga un resultado de predicción y metadatos de imágenes en un depósito S3. Luego puede usar Athena y QuickSight para analizar y visualizar los resultados del depósito S3.
Requisitos previos
Debe tener un modelo entrenado y funcionando con las etiquetas personalizadas de Rekognition.
Las etiquetas personalizadas de Rekognition le permiten administrar el proceso de capacitación del modelo de aprendizaje automático en el Reconocimiento de amazonas consola, que simplifica el proceso de desarrollo de modelos de extremo a extremo. Para esta publicación, usamos un modelo de clasificación entrenado para detectar enfermedades de las hojas de las plantas.
Implementar la solución
Implementas un Formación en la nube de AWS plantilla para aprovisionar los recursos necesarios, incluidos los depósitos de S3, las colas de SQS, el tema de SNS, las funciones de Lambda y Gestión de identidades y accesos de AWS (IAM) roles. La plantilla crea la pila en la región us-east-1, pero puede usar la plantilla para crear su pila en cualquier región donde estén disponibles los servicios de AWS anteriores.
- Inicie la siguiente plantilla de CloudFormation en la región y la cuenta de AWS donde implementó el modelo de etiquetas personalizadas de Rekognition:
- Nombre de pila, ingrese un nombre de pila, como
rekognition-customlabels-analytics-and-notification
. - Modelo personalizadoARN, ingrese el ARN del modelo de etiquetas personalizadas de Amazon Rekognition que desea usar.
El modelo de etiquetas personalizadas de Rekognition debe implementarse en la misma cuenta de AWS.
- Notificación de correo electrónico, ingrese una dirección de correo electrónico donde desea recibir notificaciones.
- Nombre del depósito de entrada, ingrese un nombre único para el depósito S3 que crea la pila; por ejemplo,
plant-leaf-disease-data-input
.
Aquí es donde se almacenan las imágenes de hojas de plantas entrantes.
- etiquetasdeinteres, puede ingresar hasta 10 etiquetas diferentes sobre las que desea recibir notificaciones, en formato separado por comas. Para nuestro ejemplo de enfermedades de las plantas, introduzca
bacterial-leaf-blight,leaf-smut
. - MinConfianza, introduzca el umbral mínimo de confianza para recibir notificaciones. Las etiquetas detectadas con una confianza por debajo del valor de MinConfidence no se devuelven en la respuesta y no generarán una notificación.
- Nombre del depósito de salida, ingrese un nombre único para el depósito S3 que crea la pila; por ejemplo,
plant-leaf-disease-data-output
.
El cubo de salida contiene archivos JSON con metadatos de imagen (etiquetas encontradas y puntuación de confianza).
- Elige Siguiente.
- En Configurar opciones de pila página, establezca cualquier parámetro adicional para la pila, incluidas las etiquetas.
- Elige Siguiente.
- En Capacidades y transformaciones sección, seleccione la casilla de verificación para reconocer que AWS CloudFormation podría crear Recursos de IAM.
- Elige Crear pila.
La página de detalles de la pila debe mostrar el estado de la pila como CREATE_IN_PROGRESS
. El estado puede tardar hasta 5 minutos en cambiar a CREATE_COMPLETE
.
Amazon SNS enviará un mensaje de confirmación de suscripción a la dirección de correo electrónico. Necesitas confirmar la suscripción.
Prueba la solución
Ahora que hemos implementado los recursos, estamos listos para probar la solución. Asegúrese iniciar el modelo.
- En la consola de Amazon S3, elija cubos.
- Elija el depósito S3 de entrada.
- Cargue imágenes de prueba en el cubo.
En producción, puede configurar procesos automatizados para enviar imágenes a este depósito.
Estas imágenes activan el flujo de trabajo. Si la confianza de la etiqueta supera el umbral especificado, recibirá una notificación por correo electrónico como la siguiente.
También puede configurar el tema SNS para enviar estas notificaciones a cualquier destinos apoyado por el servicio.
Analizar los resultados de la predicción
Después de probar la solución, puede ampliarla para crear un análisis visual de las predicciones de las imágenes procesadas. Para ello, utilizamos Athena, un servicio de consulta interactivo que facilita el análisis de datos directamente desde Amazon S3 mediante SQL estándar, y QuickSight para visualizar los datos.
Configurar Atenea
Si no está familiarizado con Amazon Athena, consulte este tutorial. En la consola de Athena, cree una tabla en el catálogo de datos de Athena con el siguiente código:
Llena el Location
campo en la consulta anterior con el nombre del depósito de salida, como plant-leaf-disease-data-output
.
Este código le dice a Athena cómo interpretar cada fila del texto en el depósito S3.
Ahora puede consultar los datos:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Configurar QuickSight
Para configurar QuickSight, complete los siguientes pasos:
- Abra la Consola QuickSight.
- Si no está registrado en QuickSight, se le solicitará la opción de registrarse. Siga los pasos para Regístrese para usar QuickSight.
- Después de iniciar sesión en QuickSight, elija Administrar QuickSight bajo su cuenta.
- En el panel de navegación, elija Seguridad y permisos.
- under Acceso QuickSight a los servicios de AWS, escoger Añadir o quitar.
Aparece una página para permitir el acceso de QuickSight a los servicios de AWS.
- Seleccione Amazon Athena.
- En la ventana emergente, seleccione Siguiente.
- En la pestaña S3, seleccione los depósitos S3 necesarios. Para esta publicación, selecciono el depósito que almacena los resultados de mi consulta de Athena.
- Para cada depósito, seleccione también Permiso de escritura para Athena Workgroup.
- Elige Acabado.
- Elige Actualizar.
- En la consola de QuickSight, elija Nuevo analisis.
- Elige Nuevo conjunto de datos.
- Conjuntos de datos, escoger Athena.
- Nombre de fuente de datos, introduzca
Athena-CustomLabels-analysis
. - Grupo de trabajo de Athena, escoger primario.
- Elige Crear fuente de datos.
- Base de datos, escoger
default
en el menú desplegable. - Mesas, selecciona la tabla
rekognition_customlabels_analytics
. - Elige Seleccionar.
- Elige Visualizar.
- En Visualizar página, debajo de Terrenos lista, elige Label y seleccione el gráfico circular de Tipos visuales.
Puede agregar más visualizaciones en el tablero. Cuando su análisis esté listo, puede elegir Compartir para crear un tablero y compartirlo dentro de su organización.
Resumen
En esta publicación, mostramos cómo puede crear una solución para recibir notificaciones de etiquetas específicas (como el tizón bacteriano de la hoja o el carbón de la hoja) que se encuentran en las imágenes procesadas utilizando las etiquetas personalizadas de Rekognition. Además, mostramos cómo puede crear tableros para visualizar los resultados usando Athena y QuickSight.
Ahora puede compartir fácilmente dichos paneles de visualización con usuarios comerciales y permitirles suscribirse a las notificaciones en lugar de tener que depender de sus equipos de ingeniería para crear dicha aplicación.
Acerca de los autores
jay rao es Arquitecto Principal de Soluciones en AWS. Disfruta brindando orientación técnica y estratégica a los clientes y ayudándolos a diseñar e implementar soluciones en AWS.
misterio pashmeen es el gerente sénior de productos de etiquetas personalizadas de Amazon Rekognition. Fuera del trabajo, Pashmeen disfruta de caminatas aventureras, fotografía y pasar tiempo con su familia.
- Coinsmart. El mejor intercambio de Bitcoin y criptografía de Europa.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. ACCESO LIBRE.
- CriptoHawk. Radar de altcoins. Prueba gratis.
- Fuente: 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
- de la máquina
- Mi Cuenta
- acciones
- Ad
- adición
- Adicionales
- dirección
- algoritmo
- Todos
- ya haya utilizado
- Amazon
- análisis
- Analytics
- Otra
- abejas
- Aplicación
- aplicaciones
- arquitectura
- Confirmación de Viaje
- Hoy Disponibles
- AWS
- frontera
- Box
- build
- Construir la
- llamar al
- Puede conseguir
- el cambio
- Elige
- clasificación
- código
- Comunicación
- Calcular
- confianza
- Consola
- contiene
- rentable
- acoplado
- crea
- creación
- cultivo
- personalizado
- Clientes
- página de información de sus operaciones
- datos
- desplegar
- desplegado
- despliegue
- Diseño
- detectado
- desarrolladores
- Desarrollo
- una experiencia diferente
- directamente
- Enfermedades
- distribuidos
- documentos
- No
- pasan fácilmente
- permitiendo
- Ingeniería
- Participar
- Evento
- ejemplo
- Experiencia
- ampliar
- familia
- RÁPIDO
- Finalmente
- seguir
- siguiendo
- formato
- encontrado
- Marco conceptual
- función
- generar
- es
- Cómo
- Como Hacer
- HTTPS
- Identifique
- Identidad
- imagen
- implementar
- Incluye
- Las opciones de entrada
- Insights
- interactivo
- IT
- tan siquiera solo una
- Etiquetas
- aprendizaje
- Lista
- Ubicación
- mirando
- máquina
- máquina de aprendizaje
- HACE
- gestionado
- Management
- gerente
- mensajería
- mínimo
- modelo
- modelos
- más,
- Navegación
- .
- Operaciones
- Optión
- organización
- fotografía
- predicción
- Predicciones
- Director de la escuela
- Problema
- en costes
- Producto
- Producción
- proporcionando
- propósito
- con rapidez
- en tiempo real
- recepción
- exigir
- Recursos
- respuesta
- Resultados
- Ejecutar
- correr
- escalable
- Escala
- Escenas
- Sin servidor
- de coches
- Servicios
- set
- Compartir
- sencillos
- a medida
- Soluciones
- RESOLVER
- Gastos
- montón
- estándar
- comienzo
- fundó
- Estado
- Estado
- STORAGE
- tienda
- tiendas
- Estratégico
- Suscríbase
- suscripción
- Soportado
- te
- Todas las funciones a su disposición
- equipo
- Técnico
- decirles
- test
- miles
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- Formación
- transferir
- único
- utilizan el
- usuarios
- propuesta de
- variedad
- visión
- visualización
- dentro de
- Actividades:
- Forma de interés del Grupo de Trabajo