En la última década, los casos de uso de visión por computadora han sido una tendencia creciente, especialmente en industrias como seguros, automotriz, comercio electrónico, energía, comercio minorista, manufactura y otras. Los clientes están construyendo modelos de aprendizaje automático (ML) de visión por computadora para brindar eficiencia operativa y automatización a sus procesos. Dichos modelos ayudan a automatizar la clasificación de imágenes o la detección de objetos de interés en imágenes que son específicas y exclusivas de su empresa.
Para simplificar el proceso de creación de modelos de ML, presentamos JumpStart de Amazon SageMaker en diciembre de 2020. JumpStart lo ayuda a comenzar rápida y fácilmente con ML. Proporciona implementación y ajuste con un solo clic de una amplia variedad de modelos preentrenados, así como una selección de soluciones integrales. Esto elimina el trabajo pesado de cada paso del proceso de ML, lo que facilita el desarrollo de modelos de alta calidad y reduce el tiempo de implementación. Sin embargo, requiere que tenga algunos conocimientos previos para ayudar en la selección del modelo de un catálogo de más de 200 modelos de visión por computadora pre-entrenados. Luego, debe comparar el rendimiento del modelo con diferentes configuraciones de hiperparámetros y seleccionar el mejor modelo para implementarlo en producción.
Para simplificar esta experiencia y permitir que los desarrolladores con poca o ninguna experiencia en ML creen modelos de visión por computadora personalizados, estamos lanzando un nuevo cuaderno de ejemplo dentro de JumpStart que usa Etiquetas personalizadas de Amazon Rekognition, un servicio totalmente administrado para crear modelos de visión artificial personalizados. Las etiquetas personalizadas de Rekognition se basan en modelos preentrenados en Reconocimiento de amazonas, que ya están capacitados en decenas de millones de imágenes en muchas categorías. En lugar de miles de imágenes, puede comenzar con un pequeño conjunto de imágenes de entrenamiento (algunos cientos o menos) que son específicas para su caso de uso. Rekognition Custom Labels abstrae la complejidad involucrada en la construcción de un modelo personalizado. Inspecciona automáticamente los datos de entrenamiento, selecciona los algoritmos de ML correctos, selecciona el tipo de instancia, entrena múltiples modelos candidatos con diferentes hiperparámetros y genera el modelo mejor entrenado. Rekognition Custom Labels también proporciona una interfaz fácil de usar desde el Consola de administración de AWS para todo el flujo de trabajo de ML, incluido el etiquetado de imágenes, la capacitación, la implementación de un modelo y la visualización de los resultados de las pruebas.
Este cuaderno de ejemplo dentro de JumpStart que utiliza etiquetas personalizadas de Rekognition resuelve cualquier tarea de ML de visión artificial de clasificación de imágenes o detección de objetos, lo que facilita a los clientes familiarizados con Amazon SageMaker para crear una solución de visión por computadora que mejor se adapte a su caso de uso, requisitos y conjunto de habilidades.
En esta publicación, brindamos instrucciones paso a paso para usar este cuaderno de ejemplo dentro de JumpStart. El cuaderno demuestra cómo usar fácilmente las API de inferencia y capacitación existentes de Rekognition Custom Labels para crear un modelo de clasificación de imágenes, un modelo de clasificación de múltiples etiquetas y un modelo de detección de objetos. Para facilitarle el comienzo, proporcionamos conjuntos de datos de ejemplo para cada modelo.
Entrene e implemente un modelo de visión artificial con etiquetas personalizadas de Rekognition
En esta sección, ubicamos el cuaderno deseado en JumpStart y demostramos cómo entrenar y ejecutar la inferencia en el punto final implementado.
Empecemos desde el Estudio Amazon SageMaker Lanzador.
- En Studio Launcher, seleccione Ir a SageMaker JumpStart.
La página de inicio de JumpStart tiene secciones para carruseles de soluciones, modelos de texto y modelos de visión. También tiene una barra de búsqueda. - En la barra de búsqueda, ingrese
Rekognition Custom Labels
Y elige la Etiquetas personalizadas Rekognition para Vision cuaderno.
El cuaderno se abre en modo de solo lectura. - Elige Importar cuaderno para importar el portátil a su entorno.
El cuaderno proporciona una guía paso a paso para entrenar y ejecutar inferencias utilizando las etiquetas personalizadas de Rekognition desde la consola JumpStart. Proporciona los siguientes cuatro conjuntos de datos de muestra para demostrar la detección de objetos y la clasificación de imágenes de etiquetas únicas y múltiples.
-
- Clasificación de imágenes de una sola etiqueta – Este conjunto de datos demuestra cómo clasificar las imágenes como pertenecientes a un conjunto de etiquetas predefinidas. Por ejemplo, las empresas inmobiliarias pueden utilizar las etiquetas personalizadas de Rekognition para categorizar sus imágenes de salas de estar, patios traseros, dormitorios y otros lugares del hogar. La siguiente es una imagen de muestra de este conjunto de datos, que se incluye como parte del cuaderno.
- Clasificación de imágenes de etiquetas múltiples – Este conjunto de datos demuestra cómo clasificar las imágenes en varias categorías, como el color, el tamaño, la textura y el tipo de flor. Por ejemplo, los productores de plantas pueden usar las etiquetas personalizadas de Rekognition para distinguir entre diferentes tipos de flores y si están sanas, dañadas o infectadas. La siguiente imagen es un ejemplo de este conjunto de datos.
- Detección de objetos – Este conjunto de datos demuestra la localización de objetos para localizar piezas utilizadas en líneas de producción o fabricación. Por ejemplo, en la industria electrónica, las etiquetas personalizadas de Rekognition pueden ayudar a contar la cantidad de capacitores en una placa de circuito. La siguiente imagen es un ejemplo de este conjunto de datos.
- Detección de marca y logotipo – Este conjunto de datos demuestra la ubicación de logotipos o marcas en una imagen. Por ejemplo, en la industria de los medios, un modelo de detección de objetos puede ayudar a identificar la ubicación de los logotipos de los patrocinadores en las fotografías. La siguiente es una imagen de muestra de este conjunto de datos.
- Clasificación de imágenes de una sola etiqueta – Este conjunto de datos demuestra cómo clasificar las imágenes como pertenecientes a un conjunto de etiquetas predefinidas. Por ejemplo, las empresas inmobiliarias pueden utilizar las etiquetas personalizadas de Rekognition para categorizar sus imágenes de salas de estar, patios traseros, dormitorios y otros lugares del hogar. La siguiente es una imagen de muestra de este conjunto de datos, que se incluye como parte del cuaderno.
- Siga los pasos en el cuaderno ejecutando cada celda.
Este cuaderno demuestra cómo puede usar un solo cuaderno para abordar los casos de uso de clasificación de imágenes y detección de objetos a través de las API de etiquetas personalizadas de Rekognition.
A medida que avanza con el cuaderno, tiene la opción de seleccionar uno de los conjuntos de datos de muestra mencionados anteriormente. Le recomendamos que intente ejecutar el cuaderno para cada uno de los conjuntos de datos.
Conclusión
En esta publicación, le mostramos cómo usar las API de etiquetas personalizadas de Rekognition para crear una clasificación de imágenes o un modelo de visión artificial de detección de objetos para clasificar e identificar objetos en imágenes que son específicas para sus necesidades comerciales. Para entrenar un modelo, puede comenzar proporcionando decenas o cientos de imágenes etiquetadas en lugar de miles. Las etiquetas personalizadas de Rekognition simplifican el entrenamiento del modelo al ocuparse de las opciones de parámetros, como el tipo de máquina, el tipo de algoritmo o los hiperparámetros específicos del algoritmo (incluido el número de capas en la red, la tasa de aprendizaje y el tamaño del lote). Las etiquetas personalizadas de Rekognition también simplifican el alojamiento de un modelo entrenado y proporcionan una operación simple para realizar inferencias con un modelo entrenado.
Las etiquetas personalizadas de Rekognition brindan una experiencia de consola fácil de usar para el proceso de capacitación, la administración de modelos y la visualización de imágenes de conjuntos de datos. Le animamos a aprender más sobre Etiquetas personalizadas de reconocimiento y pruébelo con los conjuntos de datos específicos de su empresa.
Para comenzar, puede navegar al cuaderno de ejemplo de etiquetas personalizadas de Rekognition en Inicio rápido de SageMaker.
Acerca de los autores
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.
Abhishek Gupta es el arquitecto sénior de soluciones de servicios de IA en AWS. Ayuda a los clientes a diseñar e implementar soluciones de visión artificial.
- 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/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- enviados
- a través de
- dirección
- AI
- Servicios de IA
- algoritmo
- algoritmos
- ya haya utilizado
- Amazon
- API
- automatizado
- Automatización
- automotor
- AWS
- MEJOR
- tablero
- marcas
- build
- Construir la
- construye
- Puede conseguir
- candidato
- servicios sociales
- cases
- opciones
- Elige
- clasificación
- Empresas
- computadora
- Consola
- Para crear
- personalizado
- Clientes
- datos
- década
- demostrar
- desplegar
- desplegado
- Desplegando
- despliegue
- Diseño
- Detección
- desarrollar
- desarrolladores
- una experiencia diferente
- pasan fácilmente
- fácil de usar
- comercio electrónico
- Electrónica
- fomentar
- Punto final
- energía
- Participar
- Entorno
- especialmente
- inmuebles
- ejemplo
- existente
- experience
- Experiencia
- familia
- siguiendo
- Creciendo
- guía
- ayuda
- ayuda
- alta calidad
- hosting
- casa
- Cómo
- Como Hacer
- Sin embargo
- HTTPS
- Cientos
- Identifique
- imagen
- implementar
- incluido
- Incluye
- industrias
- energético
- aseguradora
- intereses
- Interfaz
- involucra
- IT
- especialistas
- etiquetado
- Etiquetas
- APRENDE:
- aprendizaje
- cirugía estética
- pequeño
- alga viva
- Ubicación
- .
- logo
- máquina
- máquina de aprendizaje
- Realizar
- gestionado
- Management
- gerente
- Fabricación
- Medios
- millones
- ML
- modelo
- modelos
- más,
- múltiples
- del sistema,
- cuaderno
- número
- abre
- Inteligente
- Optión
- Otro
- parte
- actuación
- realizar
- fotografía
- en costes
- Producto
- Producción
- proporcionar
- proporciona un
- proporcionando
- con rapidez
- bienes raíces
- la reducción de
- Requisitos
- requiere
- Resultados
- el comercio minorista
- Habitaciones
- Ejecutar
- correr
- Buscar
- de coches
- Servicios
- set
- sencillos
- Tamaño
- chica
- a medida
- Soluciones
- Resuelve
- algo
- Gastos
- patrocinar
- comienzo
- fundó
- estudio
- toma
- test
- miles
- equipo
- Formación
- trenes
- tipos
- único
- utilizan el
- variedad
- visión
- visualización
- dentro de
- Actividades: