Identificación de puntos de referencia con etiquetas personalizadas de Amazon Rekognition

Reconocimiento de amazonas es un servicio de visión por computadora que simplifica la adición de análisis de imágenes y videos a sus aplicaciones utilizando tecnología de aprendizaje profundo probada y altamente escalable que no requiere experiencia en aprendizaje automático (ML). Con Amazon Rekognition, puede identificar objetos, personas, texto, escenas y actividades en imágenes y videos y detectar contenido inapropiado. Amazon Rekognition también proporciona análisis faciales de alta precisión y capacidades de búsqueda facial que puede usar para detectar, analizar y comparar rostros para una amplia variedad de casos de uso.

Etiquetas personalizadas de Amazon Rekognition es una característica de Amazon Rekognition que simplifica la creación de sus propias capacidades especializadas de análisis de imágenes basadas en ML para detectar objetos únicos y escenas integrales para su caso de uso específico.

Algunos casos de uso comunes de las etiquetas personalizadas de Rekognition incluyen encontrar su logotipo en las publicaciones de las redes sociales, identificar sus productos en los estantes de las tiendas, clasificar las piezas de la máquina en una línea de ensamblaje, distinguir entre plantas sanas e infectadas, y más.

Etiquetas de reconocimiento de Amazon admite puntos de referencia populares como el Puente de Brooklyn, el Coliseo, la Torre Eiffel, Machu Picchu, Taj Mahal, y más. Si tiene otros puntos de referencia o edificios que aún no son compatibles con Amazon Rekognition, aún puede usar las etiquetas personalizadas de Amazon Rekognition.

En esta publicación, demostramos el uso de etiquetas personalizadas de Rekognition para detectar el edificio Amazon Spheres en Seattle.

Con las etiquetas personalizadas de Rekognition, AWS se encarga del trabajo pesado por usted. Las etiquetas personalizadas de Rekognition se basan en las capacidades existentes de Amazon Rekognition, que ya está capacitado en decenas de millones de imágenes en muchas categorías. En lugar de miles de imágenes, simplemente necesita cargar un pequeño conjunto de imágenes de entrenamiento (generalmente unos cientos de imágenes o menos) que son específicas para su caso de uso a través de nuestra sencilla consola. Amazon Rekognition puede comenzar a entrenar con solo unos pocos clics. Una vez que Amazon Rekognition comienza a entrenar a partir de su conjunto de imágenes, puede producir un modelo de análisis de imágenes personalizado para usted en cuestión de minutos u horas. Detrás de escena, Rekognition Custom Labels carga e inspecciona automáticamente los datos de entrenamiento, selecciona los algoritmos de ML adecuados, entrena un modelo y proporciona métricas de rendimiento del modelo. Luego puede usar su modelo personalizado a través de la API de etiquetas personalizadas de Rekognition e integrarlo en sus aplicaciones.

Resumen de la solución

Para nuestro ejemplo, usamos el Esferas del Amazonas edificio en Seattle. Entrenamos un modelo utilizando etiquetas personalizadas de Rekognition; siempre que se utilicen imágenes similares, el algoritmo debe identificarlas como Amazon Spheres en lugar de Dome, Architecture, Glass buildingu otras etiquetas.

Primero mostremos un ejemplo del uso de la función de detección de etiquetas de Amazon Rekognition, donde alimentamos la imagen de Amazon Spheres sin ningún entrenamiento personalizado. Usamos la consola de Amazon Rekognition para abrir la demostración de detección de etiquetas y subir nuestra foto.

Después de cargar y analizar la imagen, vemos etiquetas con sus puntajes de confianza debajo Resultados. En este caso, Dome se detectó con una puntuación de confianza del 99.2 %, Architecture con 99.2%, Building con 99.2%, Metropolis con un 79.4%, y así sucesivamente.

Queremos usar el etiquetado personalizado para producir un modelo de visión por computadora que pueda etiquetar la imagen Amazon Spheres.

En las siguientes secciones, lo guiaremos a través de la preparación de su conjunto de datos, la creación de un proyecto de etiquetas personalizadas de Rekognition, la capacitación del modelo, la evaluación de los resultados y la prueba con imágenes adicionales.

Requisitos previos

Antes de comenzar con los pasos, hay cuotas para las etiquetas personalizadas de Rekognition que debe tener en cuenta. Si desea cambiar los límites, puede solicitar una aumento del límite de servicio.

Crea tu conjunto de datos

Si es la primera vez que utiliza las etiquetas personalizadas de Rekognition, se le pedirá que cree una Servicio de almacenamiento simple de Amazon (Amazon S3) depósito para almacenar su conjunto de datos.

Para esta demostración de blog, hemos utilizado imágenes de Amazon Spheres, que capturamos mientras visitábamos Seattle, WA. Siéntase libre de usar sus propias imágenes según sus necesidades.

Copie su conjunto de datos en el depósito recién creado, que almacena sus imágenes dentro de sus respectivos prefijos.

Crear un proyecto

Para crear su proyecto de etiquetas personalizadas de Rekognition, complete los siguientes pasos:

1. En la consola de etiquetas personalizadas de Rekognition, elija Crear un proyecto.
2. Nombre del proyecto, ingresa un nombre.
3. Elige Crear proyecto.
   
   Ahora especificamos la configuración y la ruta de su conjunto de datos de entrenamiento y prueba.
4. Elige Crear conjunto de datos.
   

Puede comenzar con un proyecto que tenga un solo conjunto de datos o un proyecto que tenga conjuntos de datos de entrenamiento y prueba separados. Si comienza con un solo conjunto de datos, las etiquetas personalizadas de Rekognition dividen su conjunto de datos durante el entrenamiento para crear un conjunto de datos de entrenamiento (80 %) y un conjunto de datos de prueba (20 %) para su proyecto.

Además, puede crear conjuntos de datos de prueba y entrenamiento para un proyecto importando imágenes desde una de las siguientes ubicaciones:

Para esta publicación, utilizamos nuestro propio conjunto de datos personalizado de Amazon Spheres.

1. Seleccione Comience con un solo conjunto de datos.
2. Seleccione Importar imágenes desde el depósito de S3.
   
3. URI de S3, ingrese la ruta a su depósito S3.
4. Si desea que las etiquetas personalizadas de Rekognition etiquete automáticamente las imágenes según los nombres de las carpetas en su depósito S3, seleccione Asigne automáticamente etiquetas de nivel de imagen a las imágenes en función del nombre de la carpeta.
   
5. Elige Crear conjunto de datos.

Se abre una página que te muestra las imágenes con sus etiquetas. Si ve algún error en las etiquetas, consulte Depuración de conjuntos de datos.

Entrenar a la modelo

Después de haber revisado su conjunto de datos, ahora puede entrenar el modelo.

1. Elige modelo de tren.
2. Elige proyecto, ingrese el ARN para su proyecto si aún no está en la lista.
3. Elige Modelo de tren.

En fexibles sección de la página del proyecto, puede comprobar el estado actual en la Estado del modelo columna, donde el entrenamiento está en curso. El tiempo de entrenamiento suele tardar entre 30 minutos y 24 horas en completarse, en función de varios factores, como la cantidad de imágenes y la cantidad de etiquetas en el conjunto de entrenamiento, y los tipos de algoritmos de ML utilizados para entrenar su modelo.

Cuando se completa el entrenamiento del modelo, puede ver el estado del modelo como TRAINING_COMPLETED. Si el entrenamiento falla, consulte Depuración de un entrenamiento de modelo fallido.

Evaluar el modelo

Abra la página de detalles del modelo. los Evaluación La pestaña muestra las métricas para cada etiqueta y la métrica promedio para todo el conjunto de datos de prueba.

La consola de etiquetas personalizadas de Rekognition proporciona las siguientes métricas como resumen de los resultados de capacitación y como métricas para cada etiqueta:

Puede ver los resultados de su modelo entrenado para imágenes individuales, como se muestra en la siguiente captura de pantalla.

Prueba el modelo

Ahora que hemos visto los resultados de la evaluación, estamos listos para iniciar el modelo y analizar nuevas imágenes.

Puede iniciar el modelo en el Modelo de uso en la pestaña Etiquetas personalizadas de Rekognition, o mediante el InicioProyectoVersión operación a través de la Interfaz de línea de comandos de AWS (AWS CLI) o SDK de Python.

Cuando el modelo se está ejecutando, podemos analizar las nuevas imágenes usando el Detectar etiquetas personalizadas API. el resultado de DetectCustomLabels es una predicción de que la imagen contiene objetos, escenas o conceptos específicos. Ver el siguiente código:

aws rekognition detect-custom-labels 
--project-version-arn  
--image '{"S3Object": {"Bucket":,"Name":}}' 
--region 

En el resultado, puede ver la etiqueta con su puntuación de confianza:

{
    "Custom Labels": [
        {
            "Name": "Amazon Spheres",
            "Confidence": 93.55500030517578
        }
    ]
}

Como puede ver en el resultado, con solo unos pocos clics, puede usar las etiquetas personalizadas de Rekognition para lograr resultados de etiquetado precisos. Puede usar esto para una multitud de casos de uso de imágenes, como identificar etiquetas personalizadas para productos alimenticios, mascotas, piezas de máquinas y más.

Limpiar

Para limpiar los recursos que creó como parte de esta publicación y evitar posibles costos recurrentes, complete los siguientes pasos:

1. En Modelo de uso lengüeta, detener el modelo.
   Alternativamente, puede detener el modelo usando el Detener versión del proyecto operación a través de AWS CLI o Python SDK. Espere hasta que el modelo esté en el Stopped estado antes de continuar con los siguientes pasos.
2. Eliminar el modelo.
3. Eliminar el proyecto.
4. Eliminar el conjunto de datos.
5. Vacío el contenido del depósito S3 y borrar el cubo.

Conclusión

En esta publicación, mostramos cómo usar las etiquetas personalizadas de Rekognition para detectar imágenes de edificios.

Puede comenzar con sus conjuntos de datos de imágenes personalizados y, con unos simples clics en la consola de etiquetas personalizadas de Rekognition, puede entrenar su modelo y detectar objetos en las imágenes. Las etiquetas personalizadas de Rekognition pueden cargar e inspeccionar automáticamente los datos, seleccionar los algoritmos de ML correctos, entrenar un modelo y proporcionar métricas de rendimiento del modelo. Puede revisar métricas de rendimiento detalladas, como precisión, recuperación, puntajes F1 y puntajes de confianza.

Ha llegado el día en que ahora podemos identificar edificios populares como el Empire State Building en la ciudad de Nueva York, el Taj Mahal en la India y muchos otros en todo el mundo preetiquetados y listos para usar para inteligencia en sus aplicaciones. Pero si tiene otros puntos de referencia que aún no son compatibles con las etiquetas de Amazon Rekognition, no busque más y pruebe las etiquetas personalizadas de Amazon Rekognition.

Para obtener más información sobre el uso de etiquetas personalizadas, consulte ¿Qué son las etiquetas personalizadas de Amazon Rekognition? Además, visite nuestro Repositorio GitHub para un flujo de trabajo integral de detección de marcas personalizadas de Amazon Rekognition.

Sobre los autores:

Suresh Patnam es un líder principal de BDM – GTM AI/ML en AWS. Trabaja con los clientes para crear una estrategia de TI, haciendo que la transformación digital a través de la nube sea más accesible al aprovechar los datos y la IA/ML. En su tiempo libre, a Suresh le gusta jugar al tenis y pasar tiempo con su familia.

conejito kaushik es arquitecto de soluciones en AWS. Le apasiona crear soluciones de IA/ML en AWS y ayudar a los clientes a innovar en la plataforma de AWS. Fuera del trabajo, le gusta caminar, escalar y nadar.