شناسایی آمازون اضافه کردن تجزیه و تحلیل تصویر و ویدئو به برنامه های خود را آسان می کند. این مبتنی بر همان فناوری یادگیری عمیق اثبات شده، بسیار مقیاس پذیر و توسعه یافته توسط دانشمندان بینایی کامپیوتر آمازون برای تجزیه و تحلیل روزانه میلیاردها تصویر و ویدیو است. برای استفاده از آن نیازی به تخصص یادگیری ماشین (ML) نیست و ما به طور مداوم ویژگیهای بینایی کامپیوتری جدیدی را به این سرویس اضافه میکنیم. آمازون Rekognition شامل یک API ساده و با کاربری آسان است که می تواند به سرعت هر تصویر یا فایل ویدیویی ذخیره شده در آن را تجزیه و تحلیل کند. سرویس ذخیره سازی ساده آمازون (Amazon S3).
مشتریان در صنایعی مانند فناوری تبلیغات و بازاریابی، بازیها، رسانهها، و خردهفروشی و تجارت الکترونیک به تصاویر آپلود شده توسط کاربران نهایی خود (محتوای تولید شده توسط کاربر یا UGC) به عنوان یک مؤلفه مهم برای ایجاد تعامل در پلتفرم خود متکی هستند. آنها استفاده می کنند تعدیل محتوای شناسایی آمازون برای شناسایی محتوای نامناسب، ناخواسته و توهینآمیز به منظور محافظت از اعتبار برند خود و تقویت جوامع ایمن کاربران.
در این پست به موارد زیر می پردازیم:
- Content Moderation مدل نسخه 7.0 و قابلیت ها
- چگونه تجزیه و تحلیل انبوه شناسایی آمازون برای تعدیل محتوا کار می کند؟
- چگونه می توان پیش بینی اعتدال محتوا را با تجزیه و تحلیل انبوه و تعدیل سفارشی بهبود بخشید
مدل تعدیل محتوا نسخه 7.0 و قابلیت ها
Amazon Rekognition Content Moderation نسخه 7.0 26 برچسب تعدیل جدید اضافه می کند و طبقه بندی برچسب های تعدیل را از دسته برچسب های دو لایه به سه لایه گسترش می دهد. این برچسبهای جدید و طبقهبندی گسترده مشتریان را قادر میسازد تا مفاهیم دقیق محتوایی را که میخواهند تعدیل کنند، شناسایی کنند. علاوه بر این، مدل به روز شده قابلیت جدیدی را برای شناسایی دو نوع محتوای جدید، محتوای متحرک و مصور معرفی می کند. این به مشتریان اجازه می دهد تا قوانین دقیقی را برای گنجاندن یا حذف چنین انواع محتوایی از گردش کار تعدیل خود ایجاد کنند. با این به روز رسانی های جدید، مشتریان می توانند محتوا را مطابق با خط مشی محتوای خود با دقت بالاتر تعدیل کنند.
بیایید به یک مثال تشخیص برچسب اعتدال برای تصویر زیر نگاه کنیم.
جدول زیر برچسبهای تعدیل، نوع محتوا و امتیازات اطمینان بازگشتشده در پاسخ API را نشان میدهد.
برچسب های اعتدال | سطح طبقه بندی | نمرات اعتماد به نفس |
خشونت | L1 | ٪۱۰۰ |
خشونت گرافیکی | L2 | ٪۱۰۰ |
انفجارها و انفجارها | L3 | ٪۱۰۰ |
انواع محتوا | نمرات اعتماد به نفس |
مصور | ٪۱۰۰ |
برای به دست آوردن طبقه بندی کامل برای Content Moderation نسخه 7.0، به ما مراجعه کنید راهنمای توسعه دهنده.
تجزیه و تحلیل انبوه برای تعدیل محتوا
Amazon Rekognition Content Moderation علاوه بر تعدیل در زمان واقعی، تعدیل تصویر دستهای را با استفاده از تجزیه و تحلیل انبوه شناسایی آمازون. این به شما امکان میدهد تا مجموعههای تصویری بزرگ را به صورت ناهمزمان تجزیه و تحلیل کنید تا محتوای نامناسب را شناسایی کنید و بینشهایی در مورد دستههای تعدیل اختصاص داده شده به تصاویر به دست آورید. همچنین نیاز به ساخت راه حل تعدیل تصویر دسته ای برای مشتریان را از بین می برد.
میتوانید از طریق کنسول آمازون Rekognition یا با تماس مستقیم با APIها با استفاده از AWS CLI و AWS SDK به ویژگی تجزیه و تحلیل انبوه دسترسی پیدا کنید. در کنسول آمازون Rekognition می توانید تصاویری را که می خواهید آنالیز کنید بارگذاری کنید و با چند کلیک به نتیجه برسید. پس از تکمیل کار تجزیه و تحلیل انبوه، میتوانید پیشبینیهای برچسب تعدیل را شناسایی و مشاهده کنید، مانند برهنگی صریح، غیر صریح برهنگی اعضای صمیمی و بوسیدن، خشونت، مواد مخدر و تنباکو، و موارد دیگر. همچنین برای هر دسته برچسب یک امتیاز اطمینان دریافت می کنید.
در کنسول آمازون Rekognition یک کار تجزیه و تحلیل انبوه ایجاد کنید
مراحل زیر را تکمیل کنید تا تجزیه و تحلیل انبوه شناسایی آمازون را امتحان کنید:
- در کنسول آمازون Rekognition، را انتخاب کنید تحلیل انبوه در صفحه ناوبری
- را انتخاب کنید تجزیه و تحلیل انبوه را شروع کنید.
- نام شغلی را وارد کنید و تصاویر را برای تجزیه و تحلیل مشخص کنید، یا با وارد کردن یک مکان سطل S3 یا با آپلود تصاویر از رایانه خود.
- به صورت اختیاری، می توانید یک را انتخاب کنید آداپتور برای تجزیه و تحلیل تصاویر با استفاده از آداپتور سفارشی که با استفاده از Custom Moderation آموزش داده اید.
- را انتخاب کنید تجزیه و تحلیل را شروع کنید برای اجرای کار
پس از تکمیل فرآیند، می توانید نتایج را در کنسول شناسایی آمازون مشاهده کنید. همچنین، یک کپی JSON از نتایج تجزیه و تحلیل در محل خروجی آمازون S3 ذخیره خواهد شد.
درخواست API تجزیه و تحلیل انبوه آمازون
در این بخش، ما شما را از طریق ایجاد یک کار تجزیه و تحلیل انبوه برای تعدیل تصویر با استفاده از رابط های برنامه نویسی راهنمایی می کنیم. اگر فایلهای تصویری شما قبلاً در سطل S3 نیستند، آنها را آپلود کنید تا از دسترسی آمازون Rekognition مطمئن شوید. مشابه ایجاد یک کار تجزیه و تحلیل انبوه در کنسول شناسایی آمازون، هنگام فراخوانی StartMediaAnalysisJob API، شما باید پارامترهای زیر را ارائه دهید:
- OperationsConfig – اینها گزینه های پیکربندی برای کار تحلیل رسانه ای هستند که باید ایجاد شوند:
- MinConfidence - حداقل سطح اطمینان با محدوده معتبر 0-100 برای برچسب های تعدیل برای بازگشت. آمازون Rekognition هیچ برچسبی را با سطح اطمینان کمتر از این مقدار مشخص شده بر نمی گرداند.
- ورودی - این شامل موارد زیر است:
- S3Object – اطلاعات شی S3 برای فایل مانیفست ورودی، از جمله سطل و نام فایل. فایل ورودی شامل خطوط JSON برای هر تصویر ذخیره شده در سطل S3 است. مثلا:
{"source-ref": "s3://MY-INPUT-BUCKET/1.jpg"}
- S3Object – اطلاعات شی S3 برای فایل مانیفست ورودی، از جمله سطل و نام فایل. فایل ورودی شامل خطوط JSON برای هر تصویر ذخیره شده در سطل S3 است. مثلا:
- OutputConfig - این شامل موارد زیر است:
- S3Bucket – نام سطل S3 برای فایل های خروجی.
- S3KeyPrefix – پیشوند کلید برای فایل های خروجی.
کد زیر را ببینید:
می توانید همان تحلیل رسانه را با استفاده از دستور AWS CLI زیر فراخوانی کنید:
نتایج API تجزیه و تحلیل انبوه آمازون
برای دریافت لیست کارهای آنالیز انبوه می توانید استفاده کنید ListMediaAnalysisJobs
. پاسخ شامل تمام جزئیات مربوط به فایل های ورودی و خروجی کار تجزیه و تحلیل و وضعیت کار است:
شما همچنین می توانید فراخوانی کنید list-media-analysis-jobs
دستور از طریق AWS CLI:
Amazon Rekognition Bulk Analysis دو فایل خروجی را در سطل خروجی تولید می کند. فایل اول است manifest-summary.json
، که شامل آمار کار تجزیه و تحلیل انبوه و لیستی از خطاها است:
فایل دوم است results.json
، که شامل یک خط JSON برای هر تصویر تجزیه و تحلیل شده در قالب زیر است. هر نتیجه شامل دسته سطح بالا (L1) یک برچسب شناسایی شده و دسته سطح دوم برچسب (L2)، با امتیاز اطمینان بین 1 تا 100. برخی از برچسبهای طبقهبندی سطح 2 ممکن است دارای برچسبهای طبقهبندی سطح 3 (L3) باشند. این اجازه می دهد تا یک طبقه بندی سلسله مراتبی از محتوا.
شما می توانید آداپتورهای تعدیل سفارشی بعداً با انتخاب آداپتور سفارشی و در حین ایجاد یک کار تجزیه و تحلیل انبوه جدید یا از طریق API با ارسال شناسه آداپتور منحصر به فرد آداپتور سفارشی، تصاویر خود را تجزیه و تحلیل کنید.
خلاصه
در این پست، مروری بر Content Moderation نسخه 7.0، تجزیه و تحلیل انبوه برای تعدیل محتوا، و نحوه بهبود پیش بینی های Content Moderation با استفاده از تجزیه و تحلیل انبوه و مدیریت سفارشی ارائه کردیم. برای امتحان برچسبهای تعدیل جدید و تجزیه و تحلیل انبوه، به حساب AWS خود وارد شوید و کنسول شناسایی آمازون را بررسی کنید. تعدیل تصویر و تحلیل انبوه.
درباره نویسندگان
مهدی حقی یک معمار ارشد راه حل در تیم AWS WWCS، متخصص در AI و ML در AWS است. او با مشتریان سازمانی کار می کند و به آنها کمک می کند تا به مهاجرت، مدرن سازی و بهینه سازی حجم کاری خود برای ابر AWS کمک کنند. او در اوقات فراغت از پخت غذاهای ایرانی و قلع و قمع الکترونیک لذت می برد.
شیپرا کانوریا مدیر محصول اصلی در AWS است. او مشتاق کمک به مشتریان برای حل پیچیده ترین مشکلاتشان با قدرت یادگیری ماشینی و هوش مصنوعی است. قبل از پیوستن به AWS، شیپرا بیش از 4 سال را در آمازون الکسا گذراند، جایی که بسیاری از ویژگیهای مرتبط با بهرهوری را در دستیار صوتی الکسا راهاندازی کرد.
ماریا هاندوکو مدیر محصول ارشد در AWS است. او بر کمک به مشتریان برای حل چالش های تجاری خود از طریق یادگیری ماشینی و بینایی کامپیوتر تمرکز دارد. او در اوقات فراغت خود از پیاده روی، گوش دادن به پادکست ها و کاوش در غذاهای مختلف لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/improving-content-moderation-with-amazon-rekognition-bulk-analysis-and-custom-moderation/
- :است
- :نه
- :جایی که
- 1
- 10
- 100
- 11
- 12
- 14
- 20
- 22
- 24
- ٪۱۰۰
- 50
- 60
- 7
- 91
- a
- درباره ما
- دسترسی
- مطابقت
- حساب
- دقت
- در میان
- اضافه کردن
- اضافه کردن
- اضافه
- علاوه بر این
- می افزاید:
- تبلیغات
- AI
- چک
- معرفی
- اجازه می دهد تا
- قبلا
- همچنین
- آمازون
- شناسایی آمازون
- آمازون خدمات وب
- an
- تحلیل
- تحلیل
- تجزیه و تحلیل
- و
- هر
- API
- رابط های برنامه کاربردی
- برنامه های کاربردی
- مناسب
- هستند
- مصنوعی
- هوش مصنوعی
- AS
- اختصاص داده
- دستیار
- At
- AWS
- پایه
- مستقر
- BE
- قبل از
- در زیر
- میان
- میلیاردها
- نام تجاری
- شکستن
- بنا
- کسب و کار
- by
- فراخوانی
- CAN
- قابلیت های
- قابلیت
- دسته
- دسته بندی
- چالش ها
- بررسی
- را انتخاب کنید
- طبقه بندی
- Cli
- ابر
- رمز
- مجموعه
- فرمان
- جوامع
- کامل
- تکمیل شده
- پیچیده
- جزء
- اجزاء
- کامپیوتر
- چشم انداز کامپیوتر
- مفاهیم
- اعتماد به نفس
- پیکر بندی
- کنسول
- محتوا
- انواع محتوا
- به طور مستمر
- کپی کنید
- اصلاح
- ایجاد
- ایجاد شده
- ایجاد
- بحرانی
- جاری
- سفارشی
- مشتریان
- روزانه
- زمان قرار
- عمیق
- یادگیری عمیق
- جزئیات
- تشخیص
- شناسایی شده
- کشف
- توسعه
- مختلف
- مستقیما
- بحث و تبادل نظر
- میکند
- نمی کند
- راندن
- مواد مخدر
- e
- تجارت الکترونیک
- هر
- به آسانی
- ساده
- آسان برای استفاده
- هر دو
- الکترونیک
- حذف می شود
- دیگر
- قادر ساختن
- را قادر می سازد
- نامزدی
- بالا بردن
- اطمینان حاصل شود
- وارد شدن
- سرمایه گذاری
- خطاهای
- ارزیابی
- مثال
- به استثنای
- منبسط
- گسترش می یابد
- تخصص
- بررسی
- گسترش
- ناموفق
- غلط
- ویژگی
- امکانات
- کمی از
- پرونده
- فایل ها
- نام خانوادگی
- تمرکز
- به دنبال
- پیروی
- مواد غذایی
- برای
- قالب
- پرورش دادن
- از جانب
- کامل
- افزایش
- بازی
- تولید می کند
- دریافت کنید
- دانه ای
- راهنمایی
- آیا
- he
- کمک
- او
- سلسله مراتبی
- بالاتر
- خیلی
- خود را
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- i
- ID
- شناسایی
- if
- تصویر
- تصاویر
- واردات
- بهبود
- بهبود
- in
- شامل
- از جمله
- لوازم
- اطلاعات
- ورودی
- بینش
- اطلاعات
- رابط
- صمیمی
- به
- معرفی می کند
- IT
- کار
- شغل ها
- پیوستن
- JPG
- json
- کلید
- بوسیدن
- L1
- l2
- برچسب
- برچسب ها
- بزرگ
- بعد
- آخرین
- راه اندازی
- یادگیری
- کمترین
- سطح
- لاین
- خطوط
- فهرست
- استماع
- محل
- ورود به سیستم
- نگاه کنيد
- کاهش
- دستگاه
- فراگیری ماشین
- باعث می شود
- مدیر
- بسیاری
- علامت
- بازار یابی (Marketing)
- ممکن است..
- رسانه ها
- مهاجرت
- حد اقل
- ML
- مدل
- متوسط
- اعتدال
- نوین کردن
- پیمانهای
- بیش
- اکثر
- نام
- جهت یابی
- نیاز
- منفی
- منفی
- جدید
- نه
- هدف
- گرفتن
- of
- توهین آمیز
- on
- یک بار
- ONE
- بهینه سازی
- گزینه
- or
- سفارش
- OS
- ما
- خارج
- تولید
- روی
- مروری
- با ما
- قطعه
- پارامترهای
- بخش
- عبور
- احساساتی
- برای
- قرص
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- پــادکـست
- سیاست
- مثبت
- پست
- قدرت
- پیش بینی
- پیش گویی
- پیش بینی
- پیش نیاز
- در حال حاضر
- اصلی
- مشکلات
- روند
- محصول
- مدیر تولید
- محصولات
- برنامه نويسي
- محافظت از
- اثبات شده
- ارائه
- ارائه
- فراهم می کند
- به سرعت
- محدوده
- زمان واقعی
- گرفتن
- منطقه
- تکیه
- شهرت
- نیاز
- پاسخ
- نتیجه
- نتایج
- خرده فروشی
- برگشت
- قوانین
- دویدن
- امن
- همان
- مقیاس پذیر
- دانشمندان
- نمره
- نمرات
- sdks
- دوم
- بخش
- دیدن
- را انتخاب کنید
- انتخاب
- ارشد
- سرویس
- خدمات
- جلسه
- او
- نشان می دهد
- مشابه
- ساده
- به سادگی
- راه حل
- مزایا
- حل
- برخی از
- متخصص
- مشخص شده
- صرف
- ارقام
- وضعیت
- مراحل
- ذخیره سازی
- ذخیره شده
- چنین
- خلاصه
- جدول
- طبقه بندی
- تیم
- پیشرفته
- نسبت به
- که
- La
- شان
- آنها
- سپس
- اینها
- آنها
- این
- از طریق
- زمان
- به
- قطار
- آموزش دیده
- آموزش
- درست
- امتحان
- دو
- نوع
- انواع
- ugc
- منحصر به فرد
- ناخواسته
- به روز شده
- به روز رسانی
- آپلود شده
- آپلود
- استفاده کنید
- کاربر
- با استفاده از
- معتبر
- تصدیق
- ارزش
- تایید
- تاییدیه ها
- بررسی
- نسخه
- از طريق
- تصویری
- فیلم های
- چشم انداز
- خشونت
- دید
- بازدید
- صدا
- منتظر
- می خواهم
- we
- وب
- خدمات وب
- چه زمانی
- که
- در حین
- اراده
- با
- مهاجرت کاری
- گردش کار
- با این نسخهها کار
- X
- سال
- شما
- شما
- زفیرنت