برچسب های سفارشی شناسایی آمازون یک سرویس دید کامپیوتری کاملاً مدیریت شده است که به توسعه دهندگان اجازه می دهد تا مدل های سفارشی برای طبقه بندی و شناسایی اشیاء در تصاویر خاص و منحصر به فرد برای کسب و کار شما بسازند. Rekognition Custom Labels نیازی به داشتن تخصص قبلی بینایی رایانه ای ندارد. برای مثال، میتوانید لوگوی خود را در پستهای رسانههای اجتماعی پیدا کنید، محصولات خود را در قفسههای فروشگاه شناسایی کنید، قطعات ماشین را در خط مونتاژ طبقهبندی کنید، گیاهان سالم و آلوده را تشخیص دهید، یا شخصیتهای متحرک را در ویدیوها شناسایی کنید.
توسعه یک مدل سفارشی برای تجزیه و تحلیل تصاویر یک کار مهم است که به زمان، تخصص و منابع نیاز دارد و اغلب ماه ها طول می کشد تا تکمیل شود. علاوه بر این، اغلب به هزاران یا دهها هزار تصویر با برچسب دستی نیاز دارد تا دادههای کافی برای تصمیمگیری دقیق به مدل ارائه شود. جمعآوری این دادهها ممکن است ماهها طول بکشد و به تیمهای بزرگی از برچسبگذاران نیاز دارد تا آن را برای استفاده در یادگیری ماشین (ML) آماده کنند.
Rekognition Custom Labels از قابلیتهای موجود میسازد شناسایی آمازون، که قبلاً روی ده ها میلیون تصویر در بسیاری از دسته ها آموزش داده شده اند. به جای هزاران تصویر، کافی است مجموعه کوچکی از تصاویر آموزشی (معمولاً چند صد تصویر یا کمتر) را که مخصوص مورد استفاده شما هستند با استفاده از کنسول تشخیص آمازون آپلود کنید. اگر تصاویر قبلاً برچسب گذاری شده اند، می توانید آموزش یک مدل را تنها با چند کلیک شروع کنید. اگر نه، می توانید آنها را مستقیماً در کنسول Rekognition Custom Labels برچسب بزنید یا از آنها استفاده کنید Amazon SageMaker Ground Truth برای برچسب زدن به آنها Rekognition Custom Labels از یادگیری انتقال برای بازرسی خودکار داده های آموزشی، انتخاب چارچوب و الگوریتم مدل مناسب، بهینه سازی فراپارامترها و آموزش مدل استفاده می کند. هنگامی که از دقت مدل راضی بودید، می توانید فقط با یک کلیک میزبانی مدل آموزش دیده را شروع کنید.
امروز ما خوشحالیم که راهاندازی ویژگی کپی مدل برچسبهای سفارشی Rekognition را اعلام کنیم. این ویژگی به شما امکان میدهد مدلهای برچسبهای سفارشی Rekognition خود را در سراسر پروژهها کپی کنید، که میتوانند در همان حساب AWS یا در بین حسابهای AWS در همان منطقه AWS باشند، بدون اینکه مدلها را از ابتدا آموزش دهید. این قابلیت جدید، انتقال مدلهای برچسبهای سفارشی Rekognition را در محیطهای مختلف مانند توسعه، تضمین کیفیت، یکپارچهسازی و تولید بدون نیاز به کپی کردن مجموعههای آموزشی و آزمایشی اصلی و آموزش مجدد مدل، آسانتر میکند. می توانید استفاده کنید رابط خط فرمان AWS (AWS CLI) برای کپی کردن مدل های آموزش دیده در سراسر پروژه ها، که می توانند در همان حساب AWS یا در سراسر حساب های AWS باشند.
در این پست به شما نشان می دهیم که چگونه مدل ها را بین حساب های مختلف AWS در همان منطقه AWS کپی کنید.
مزایای ویژگی کپی مدل
این ویژگی جدید دارای مزایای زیر است:
- بهترین شیوه های ML-Ops چند حسابی – میتوانید یکبار یک مدل را آموزش دهید و از استقرار قابل پیشبینی با نتایج منسجم در چندین حساب که در محیطهای مختلف مانند توسعه، تضمین کیفیت، یکپارچهسازی و تولید نگاشت شدهاند، اطمینان حاصل کنید که به شما امکان میدهد بهترین شیوههای ML-Ops را در سازمان خود دنبال کنید.
- صرفه جویی در هزینه و استقرار سریعتر - می توانید به سرعت یک مدل آموزش دیده را بین حساب ها کپی کنید، از زمان صرف شده برای آموزش مجدد در هر حساب اجتناب کنید و در هزینه آموزش مجدد مدل صرفه جویی کنید.
- از مجموعه داده های حساس محافظت کنید - دیگر نیازی به اشتراک گذاری مجموعه داده ها بین حساب های مختلف AWS یا کاربران ندارید. داده های آموزشی باید فقط در حساب AWS که در آن آموزش مدل انجام می شود در دسترس باشد. این برای صنایع خاصی که جداسازی داده ها برای برآوردن الزامات تجاری یا نظارتی ضروری است، بسیار مهم است.
- همکاری آسان - اکنون شرکا یا فروشندگان می توانند به راحتی مدل برچسب های سفارشی شناسایی آمازون را در حساب AWS خود آموزش دهند و مدل ها را با کاربران در حساب های AWS به اشتراک بگذارند.
- عملکرد مداوم - عملکرد مدل اکنون در حساب های مختلف AWS سازگار است. آموزش مدل به طور کلی غیر قطعی است و دو مدل آموزش داده شده با مجموعه داده های یکسان امتیاز عملکرد و پیش بینی های یکسان را تضمین نمی کند. کپی کردن مدل کمک می کند تا اطمینان حاصل شود که رفتار مدل کپی شده با مدل منبع سازگار است و نیازی به آزمایش مجدد مدل را از بین می برد.
بررسی اجمالی راه حل
نمودار زیر معماری راه حل ما را نشان می دهد.
این پست فرض میکند که شما یک مدل برچسبهای سفارشی شناسایی آموزش دیده در حساب منبع خود دارید. برای دستورالعمل، مراجعه کنید آموزش یک مدل تشخیص شی کلاس تک سفارشی با برچسب های سفارشی شناسایی آمازون. در این پست، از پروژه طبقه بندی تصاویر “Rooms” از برچسب های سفارشی Rekognition استفاده کردیم لیست پروژه های نمونه و یک مدل طبقه بندی اتاق را در حساب منبع برای طبقه بندی تصاویر آشپزخانه، حمام، اتاق نشیمن و موارد دیگر آموزش داد.
برای نشان دادن عملکرد ویژگی کپی مدل، مراحل زیر را در حساب منبع انجام می دهیم:
- مدل را شروع کنید و استنتاج ها را روی تصاویر نمونه اجرا کنید.
- یک خطمشی مبتنی بر منبع تعریف کنید تا امکان دسترسی بین حسابها را برای کپی کردن مدل برچسبهای سفارشی Rekognition فراهم کند.
سپس مدل منبع را در حساب هدف کپی می کنیم.
- ایجاد یک سرویس ذخیره سازی ساده آمازون سطل (Amazon S3) که به عنوان ظرفی برای ارزیابی مدل و آمار عملکرد عمل می کند.
- یک پروژه ایجاد کنید.
- مدل آموزش دیده را از اکانت منبع به حساب هدف کپی کنید.
- مدل را شروع کنید و استنتاج را روی تصاویر نمونه اجرا کنید.
- بررسی کنید که نتایج استنتاج با نتایج مدل حساب منبع مطابقت داشته باشد.
پیش نیازها
علاوه بر داشتن یک مدل آموزش دیده در حساب منبع خود، مطمئن شوید که مراحل پیش نیاز زیر را تکمیل کرده اید:
- AWS CLI V2 را نصب کنید.
- AWS CLI خود را با کد زیر پیکربندی کنید و منطقه خود را وارد کنید:
- دستورات زیر را اجرا کنید تا مطمئن شوید که AWS CLI نسخه 2.xx روی هاست محلی خود نصب شده است:
- فایل اعتبارنامه AWS را در زیر به روز کنید
$HOME/.aws/credentials
با ورودی زیر: - دریافت
ProjectArn
وProjectVersionArn
برای حساب منبع AWS.ProjectArn
پروژه مرتبط با مدل منبع شما است.ProjectVersionArn
نسخه مدلی است که شما علاقه مند به کپی کردن آن در حساب هدف هستید. می توانید آن را پیدا کنیدSourceProjectArn
با استفاده از دستور زیر:اگر چندین خط خروجی می بینید، آن را انتخاب کنید
ProjectArn
مرتبط با مدلی است که می خواهید کپی کنید.شما می توانید پیدا کنید
SourceProjectVersionArn
برای مدلی که با استفاده ازSourceProjectArn
(خروجی قبلی). عوض کنSourceProjectArn
در دستور زیر:فرمان را برمی گرداند
SourceProjectVersionArn
. اگر چندین خط خروجی می بینید، آن را انتخاب کنیدProjectVersionArn
مورد علاقه.
اکنون آماده اجرای مراحل اجرای راه حل هستید. مقادیر را جایگزین کنید SourceProjectArn
و SourceProjectVersionArn
در دستورات زیر با مقادیری که تولید کردید.
1. مدل را شروع کنید و استنتاج را روی تصاویر نمونه اجرا کنید
در حساب منبع، کد زیر را برای شروع مدل وارد کنید:
پس از میزبانی مدل و در حالت در حال اجرا، می توانید استنتاج را اجرا کنید.
ما از تصاویر زیر (demo1.jpeg و demo2.jpeg) برای اجرای استنتاج استفاده کردیم. این تصاویر در سیستم فایل محلی ما در همان دایرکتوری قرار دارند که دستورات AWS CLI از آنجا اجرا می شوند.
تصویر زیر demo1.jpeg است که یک حیاط خلوت را نشان می دهد.
کد استنتاج و خروجی زیر را ببینید:
تصویر زیر demo2.jpeg است که یک اتاق خواب را نشان می دهد.
کد استنتاج و خروجی زیر را ببینید:
نتایج استنتاج نشان می دهد که تصویر متعلق به کلاس ها است backyard
و bedroom
، با امتیاز اطمینان 45.77 و 61.84.
2. خط مشی منبع IAM را برای مدل آموزش دیده تعریف کنید تا امکان دسترسی بین حساب ها را فراهم کند
برای ایجاد خط مشی IAM مبتنی بر منبع، مراحل زیر را در حساب منبع تکمیل کنید:
- به حساب AWS خاص خود اجازه دهید تا با استفاده از خط مشی منابع IAM ارائه شده به منابع دسترسی داشته باشد (برای اطلاعات بیشتر، مراجعه کنید ایجاد سند خط مشی پروژه. مقادیر را جایگزین کنید
TargetAWSAccountId
وSourceProjectVersionArn
در سیاست زیر: - با فراخوانی دستور زیر، خط مشی را به پروژه در حساب منبع پیوست کنید.
جایگزین کردن
SourceProjectArn
,PolicyName
,TargetAWSAccountId
وSourceProjectVersionArn
.خروجی شناسه بازنگری خط مشی ایجاد شده را نشان می دهد:
اکنون ما آماده ایم که مدل آموزش دیده را از حساب منبع به حساب هدف کپی کنیم.
3. یک سطل S3 در حساب هدف ایجاد کنید
می توانید از یک سطل S3 موجود در حساب خود استفاده کنید یا یک سطل S3 جدید ایجاد کنید. برای این پست، ما به این سطل S3 می گوییم DestinationS3Bucket
.
4. یک پروژه جدید Rekognition Custom Labels ایجاد کنید
یک پروژه جدید با کد زیر ایجاد کنید:
این یک ایجاد می کند TargetProjectArn
در حساب هدف:
به ارزش پروژه مقصد توجه کنید ProjectArn
رشته. ما از این مقدار در دستور copy model زیر استفاده می کنیم.
5. مدل را از حساب منبع به حساب هدف کپی کنید
منبع و هدف را تامین کنید ProjectArn
، منبع ProjectVersionArn
و سطل S3 و پیشوند کلید S3 را در کد زیر هدف قرار دهید:
این یک مدل کپی شده ایجاد می کند TargetProjectVersionArn
در حساب هدف را TargetVersionName
در مورد ما نام برده شده است copy_rooms_1
:
وضعیت فرآیند کپی مدل را بررسی کنید:
کپی مدل از حساب منبع به حساب هدف زمانی که کامل شد Status
تغییرات COPYING_COMPLETED
:
6. مدل را شروع کنید و استنتاج را اجرا کنید
کد زیر را برای شروع مدل در حساب هدف وارد کنید:
بررسی وضعیت مدل:
مدل اکنون میزبانی شده و در حال اجرا است:
استنتاج را با کد زیر اجرا کنید:
7. بررسی نتایج استنتاج مطابقت
کلاس ها و امتیازات اطمینان برای تصاویر demo1.jpg و demo2.jpg در حساب هدف باید با نتایج موجود در حساب منبع مطابقت داشته باشد.
نتیجه
در این پست، ویژگی کپی مدل برچسب سفارشی Rekognition را نشان دادیم. این ویژگی به شما امکان میدهد یک مدل طبقهبندی یا تشخیص شی را در یک حساب آموزش دهید و سپس مدل را با حساب دیگری در همان منطقه به اشتراک بگذارید. این امر استراتژی چند حسابی را ساده میکند که در آن مدل میتواند یک بار آموزش داده شود و بین حسابهای موجود در همان منطقه بدون نیاز به آموزش مجدد یا اشتراکگذاری مجموعه دادههای آموزشی به اشتراک گذاشته شود. این امکان استقرار قابل پیش بینی را در هر حساب به عنوان بخشی از گردش کار MLOps شما فراهم می کند. برای اطلاعات بیشتر مراجعه کنید کپی کردن مدل برچسب های سفارشی شناسایی آمازون، یا با استفاده از یک پوسته ابری با AWS CLI، راهنما را در این پست امتحان کنید.
از زمان نگارش این مقاله، ویژگی کپی مدل در برچسبهای سفارشی شناسایی آمازون در مناطق زیر در دسترس است:
- شرق ایالات متحده (اوهایو)
- شرق ایالات متحده (N. Virginia)
- غرب ایالات متحده (اورگان)
- آسیا و اقیانوسیه (بمبئی)
- آسیا و اقیانوسیه (سئول)
- آسیا و اقیانوسیه (سنگاپور)
- آسیا و اقیانوسیه (سیدنی)
- آسیا و اقیانوسیه (توکیو)
- اتحادیه اروپا (فرانکفورت)
- اتحادیه اروپا (ایرلند)
- اتحادیه اروپا (لندن)
این ویژگی را امتحان کنید، و لطفاً بازخورد خود را از طریق آن برای ما ارسال کنید انجمن AWS برای آمازون Rekognition یا از طریق مخاطبین پشتیبانی AWS شما.
درباره نویسندگان
آمیت گوپتا یک معمار ارشد راه حل های خدمات هوش مصنوعی در AWS است. او مشتاق است که مشتریان را با راهحلهای یادگیری ماشینی با معماری خوب در مقیاس قادر سازد.
یوگش چاتورودی یک معمار راه حل در AWS با تمرکز بر بینایی کامپیوتر است. او با مشتریان کار می کند تا با استفاده از فناوری های ابری به چالش های تجاری آنها رسیدگی کند. خارج از محل کار، او از پیاده روی، مسافرت و تماشای ورزش لذت می برد.
آکاش دیپ یک مهندس ارشد نرم افزار با AWS است. او از کار بر روی بینایی کامپیوتر، هوش مصنوعی و سیستم های توزیع شده لذت می برد. در خارج از محل کار، از پیاده روی و مسافرت لذت می برد.
Pasmeen Mistry مدیر ارشد محصول برای برچسب های سفارشی شناسایی آمازون است. پشمین خارج از محل کار، از پیاده روی های ماجراجویانه، عکاسی و گذراندن وقت با خانواده اش لذت می برد.
- AI
- آی هنر
- مولد هنر ai
- ربات ai
- شناسایی آمازون
- هوش مصنوعی
- گواهی هوش مصنوعی
- هوش مصنوعی در بانکداری
- ربات هوش مصنوعی
- ربات های هوش مصنوعی
- نرم افزار هوش مصنوعی
- آموزش ماشین AWS
- بلاکچین
- کنفرانس بلاک چین ai
- coingenius
- هوش مصنوعی محاوره ای
- کنفرانس کریپتو ai
- دل-ه
- یادگیری عمیق
- گوگل ai
- فراگیری ماشین
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- بازی افلاطون
- PlatoData
- بازی پلاتو
- مقیاس Ai
- نحو
- زفیرنت