شناسایی آمازون یک سرویس بینایی کامپیوتری است که اضافه کردن تجزیه و تحلیل تصویر و ویدئو به برنامه های کاربردی خود را با استفاده از فناوری یادگیری عمیق اثبات شده، بسیار مقیاس پذیر و بدون نیاز به تخصص یادگیری ماشین (ML) ساده می کند. با آمازون Rekognition میتوانید اشیا، افراد، متن، صحنهها و فعالیتها را در تصاویر و ویدیوها شناسایی کنید و محتوای نامناسب را تشخیص دهید. آمازون Rekognition همچنین قابلیتهای تجزیه و تحلیل چهره و جستجوی چهره بسیار دقیق را ارائه میکند که میتوانید از آن برای شناسایی، تجزیه و تحلیل و مقایسه چهرهها برای موارد مختلف استفاده کنید.
برچسب های سفارشی شناسایی آمازون یکی از ویژگیهای آمازون Rekognition است که ساختن قابلیتهای تخصصی تجزیه و تحلیل تصویر مبتنی بر ML خود را برای شناسایی اشیاء و صحنههای منحصربهفرد که در مورد استفاده خاص شما ضروری هستند، ساده میکند.
برخی از موارد استفاده رایج از برچسبهای سفارشی Rekognition عبارتند از یافتن لوگوی شما در پستهای رسانههای اجتماعی، شناسایی محصولات شما در قفسههای فروشگاه، طبقهبندی قطعات ماشین در خط مونتاژ، تمایز بین گیاهان سالم و آلوده و موارد دیگر.
برچسب های شناسایی آمازون از مکان های دیدنی محبوب مانند پل بروکلین، کولوسئوم، برج ایفل، ماچو پیچو، تاج محل پشتیبانی می کند.، و بیشتر. اگر نشانهها یا ساختمانهای دیگری دارید که هنوز توسط آمازون Rekognition پشتیبانی نمیشوند، همچنان میتوانید از برچسبهای سفارشی شناسایی آمازون استفاده کنید.
در این پست، استفاده از برچسبهای سفارشی شناسایی برای شناسایی ساختمان کرههای آمازون در سیاتل را نشان میدهیم.
با برچسبهای سفارشی شناسایی، AWS کارهای سنگین را برای شما انجام میدهد. Rekognition Custom Labels از قابلیتهای موجود Amazon Rekognition میسازد که قبلاً روی دهها میلیون تصویر در دستههای مختلف آموزش داده شده است. به جای هزاران تصویر، شما به سادگی باید مجموعه کوچکی از تصاویر آموزشی (معمولاً چند صد تصویر یا کمتر) را که مخصوص مورد استفاده شما هستند از طریق کنسول ساده ما آپلود کنید. آمازون Rekognition می تواند آموزش را تنها با چند کلیک شروع کند. پس از اینکه آمازون Rekognition آموزش را از مجموعه تصویر شما آغاز کرد، می تواند یک مدل تجزیه و تحلیل تصویر سفارشی را در عرض چند دقیقه یا چند ساعت برای شما تولید کند. در پشت صحنه، Rekognition Custom Labels به طور خودکار داده های آموزشی را بارگیری و بررسی می کند، الگوریتم های مناسب ML را انتخاب می کند، یک مدل را آموزش می دهد و معیارهای عملکرد مدل را ارائه می دهد. سپس می توانید از مدل سفارشی خود از طریق Rekognition Custom Labels API استفاده کرده و آن را در برنامه های خود ادغام کنید.
بررسی اجمالی راه حل
برای مثال ما از کره های آمازون ساختمان در سیاتل ما یک مدل را با استفاده از برچسبهای سفارشی شناسایی آموزش میدهیم. هر زمان که از تصاویر مشابه استفاده می شود، الگوریتم باید آن را به عنوان شناسایی کند Amazon Spheres
بجای Dome
, Architecture
, Glass building
، یا برچسب های دیگر
بیایید ابتدا نمونه ای از استفاده از ویژگی تشخیص برچسب آمازون Rekognition را نشان دهیم که در آن تصویر Amazon Spheres را بدون هیچ گونه آموزش سفارشی تغذیه می کنیم. ما از کنسول آمازون Rekognition برای باز کردن نسخه نمایشی تشخیص برچسب و آپلود عکس خود استفاده می کنیم.
پس از آپلود و تجزیه و تحلیل تصویر، برچسب هایی را می بینیم که امتیازات اطمینان آنها در زیر است نتایج. در این مورد، Dome
با نمره اطمینان 99.2% شناسایی شد. Architecture
با 99.2٪ ، Building
با 99.2٪ ، Metropolis
با 79.4 درصد و غیره.
ما می خواهیم از برچسب گذاری سفارشی برای تولید یک مدل بینایی کامپیوتری استفاده کنیم که بتواند تصویر را برچسب گذاری کند Amazon Spheres
.
در بخشهای بعدی، شما را در تهیه مجموعه دادههایتان، ایجاد پروژه برچسبهای سفارشی شناسایی، آموزش مدل، ارزیابی نتایج و آزمایش آن با تصاویر اضافی راهنمایی میکنیم.
پیش نیازها
قبل از شروع با مراحل، وجود دارد سهمیه برای برچسب های سفارشی شناسایی که باید از آنها آگاه باشید. اگر می خواهید محدودیت ها را تغییر دهید، می توانید درخواست a افزایش محدودیت خدمات.
مجموعه داده خود را ایجاد کنید
اگر این اولین باری است که از برچسبهای سفارشی شناسایی استفاده میکنید، از شما خواسته میشود که یک برچسب ایجاد کنید سرویس ذخیره سازی ساده آمازون سطل (Amazon S3) برای ذخیره مجموعه داده شما.
برای نمایش این وبلاگ، از تصاویر کرههای آمازون استفاده کردهایم که در حین بازدید از سیاتل، WA از آنها گرفتهایم. با خیال راحت از تصاویر خود بر اساس نیاز خود استفاده کنید.
مجموعه داده خود را در سطل تازه ایجاد شده کپی کنید، که تصاویر شما را در پیشوندهای مربوطه ذخیره می کند.
ایجاد یک پروژه
برای ایجاد پروژه Rekognition Custom Labels، مراحل زیر را انجام دهید:
- در کنسول Rekognition Custom Labels، را انتخاب کنید ایجاد یک پروژه.
- برای نام پروژه، یک نام وارد کنید.
- را انتخاب کنید ایجاد پروژه.
اکنون پیکربندی و مسیر مجموعه آموزشی و آزمایشی شما را مشخص می کنیم. - را انتخاب کنید ایجاد مجموعه داده.
می توانید با پروژه ای شروع کنید که دارای یک مجموعه داده واحد است، یا پروژه ای که دارای مجموعه داده های آموزشی و آزمایشی جداگانه است. اگر با یک مجموعه داده شروع کنید، Rekognition Custom Labels مجموعه داده شما را در طول آموزش تقسیم می کند تا یک مجموعه داده آموزشی (80٪) و یک مجموعه داده آزمایشی (20٪) برای پروژه شما ایجاد کند.
علاوه بر این، میتوانید مجموعه دادههای آموزشی و آزمایشی را با وارد کردن تصاویر از یکی از مکانهای زیر ایجاد کنید:
برای این پست، ما از مجموعه داده های سفارشی Amazon Spheres استفاده می کنیم.
- انتخاب کنید با یک مجموعه داده واحد شروع کنید.
- انتخاب کنید تصاویر را از سطل S3 وارد کنید.
- برای S3 URI، مسیر سطل S3 خود را وارد کنید.
- اگر میخواهید که Rekognition Custom Labels بهطور خودکار تصاویر را بر اساس نام پوشههای موجود در سطل S3 شما برچسبگذاری کند، انتخاب کنید. به طور خودکار برچسب های سطح تصویر را بر اساس نام پوشه به تصاویر اختصاص دهید.
- را انتخاب کنید ایجاد مجموعه داده.
صفحه ای باز می شود که تصاویر را با برچسب آنها به شما نشان می دهد. در صورت مشاهده هر گونه خطایی در برچسب ها به آن مراجعه کنید اشکال زدایی مجموعه داده ها.
مدل را آموزش دهید
پس از اینکه مجموعه داده خود را بررسی کردید، اکنون می توانید مدل را آموزش دهید.
- را انتخاب کنید مدل قطار.
- برای پروژه را انتخاب کنید، ARN را برای پروژه خود وارد کنید اگر قبلاً در لیست نیست.
- را انتخاب کنید مدل قطار.
در مدل در بخش صفحه پروژه، می توانید وضعیت فعلی را در قسمت بررسی کنید وضعیت مدل ستون، جایی که آموزش در حال انجام است. زمان آموزش معمولاً بین 30 دقیقه تا 24 ساعت طول می کشد تا تکمیل شود، بسته به عوامل متعددی مانند تعداد تصاویر و تعداد برچسب ها در مجموعه آموزشی، و انواع الگوریتم های ML مورد استفاده برای آموزش مدل شما.
هنگامی که آموزش مدل کامل شد، می توانید وضعیت مدل را به صورت مشاهده کنید TRAINING_COMPLETED
. در صورت عدم موفقیت به آموزش مراجعه کنید آموزش اشکال زدایی یک مدل ناموفق.
مدل را ارزیابی کنید
صفحه جزئیات مدل را باز کنید. این ارزیابی برگه معیارها را برای هر برچسب و میانگین معیار را برای کل مجموعه داده آزمایشی نشان می دهد.
کنسول Rekognition Custom Labels معیارهای زیر را به عنوان خلاصه ای از نتایج آموزشی و به عنوان معیارهای هر برچسب ارائه می کند:
همانطور که در تصویر زیر نشان داده شده است، می توانید نتایج مدل آموزش دیده خود را برای تصاویر جداگانه مشاهده کنید.
مدل را تست کنید
اکنون که نتایج ارزیابی را مشاهده کردیم، آماده شروع مدل و تجزیه و تحلیل تصاویر جدید هستیم.
شما می توانید مدل را در از مدل استفاده کنید در کنسول Rekognition Custom Labels یا با استفاده از StartProjectVersion عملیات از طریق رابط خط فرمان AWS (AWS CLI) یا Python SDK.
هنگامی که مدل در حال اجرا است، می توانیم تصاویر جدید را با استفاده از آن تجزیه و تحلیل کنیم DetectCustomLabels API. نتیجه از DetectCustomLabels
پیش بینی این است که تصویر شامل اشیاء، صحنه ها یا مفاهیم خاصی است. کد زیر را ببینید:
در خروجی می توانید برچسب را با امتیاز اطمینان آن مشاهده کنید:
همانطور که از نتیجه می بینید، فقط با چند کلیک ساده، می توانید از برچسب های سفارشی شناسایی برای دستیابی به نتایج دقیق برچسب زدن استفاده کنید. میتوانید از این برای بسیاری از موارد استفاده از تصویر، مانند شناسایی برچسبهای سفارشی برای محصولات غذایی، حیوانات خانگی، قطعات ماشینها و موارد دیگر استفاده کنید.
پاک کردن
برای پاکسازی منابعی که بهعنوان بخشی از این پست ایجاد کردهاید و جلوگیری از هرگونه هزینههای تکراری احتمالی، مراحل زیر را انجام دهید:
- بر از مدل استفاده کنید برگه مدل را متوقف کنید.
یا می توانید مدل را با استفاده از StopProjectVersion عملیات از طریق AWS CLI یا Python SDK. صبر کنید تا مدل در آن قرار گیردStopped
قبل از ادامه مراحل بعدی بیان کنید. - مدل را حذف کنید.
- پروژه را حذف کنید.
- مجموعه داده را حذف کنید.
- خالی محتویات سطل S3 و حذف کردن سطل.
نتیجه
در این پست نحوه استفاده از برچسب های سفارشی شناسایی برای تشخیص تصاویر ساختمان را نشان دادیم.
می توانید با مجموعه داده های تصویری سفارشی خود شروع کنید و با چند کلیک ساده بر روی کنسول Rekognition Custom Labels می توانید مدل خود را آموزش دهید و اشیاء را در تصاویر شناسایی کنید. برچسبهای سفارشی شناسایی میتوانند بهطور خودکار دادهها را بارگیری و بازرسی کنند، الگوریتمهای مناسب ML را انتخاب کنند، یک مدل را آموزش دهند و معیارهای عملکرد مدل را ارائه دهند. می توانید معیارهای دقیق عملکرد مانند دقت، فراخوان، امتیازات F1 و امتیازات اطمینان را بررسی کنید.
روزی فرا رسیده است که اکنون میتوانیم ساختمانهای محبوبی مانند ساختمان امپایر استیت در شهر نیویورک، تاج محل در هند و بسیاری دیگر در سراسر جهان را شناسایی کنیم که از قبل برچسبگذاری شدهاند و آماده استفاده برای هوشمندی در برنامههای شما هستند. اما اگر نشانههای دیگری دارید که در حال حاضر توسط Amazon Rekognition Labels پشتیبانی نمیشوند، دیگر به دنبال آن نباشید و Amazon Rekognition Custom Labels را امتحان کنید.
برای اطلاعات بیشتر در مورد استفاده از برچسب های سفارشی، رجوع کنید به برچسب های سفارشی شناسایی آمازون چیست؟ همچنین از ما دیدن فرمایید GitHub repo برای یک گردش کار سرتاسر شناسایی برند سفارشی آمازون Rekognition.
درباره نویسندگان:
سورش پاتنام یک رهبر اصلی BDM – GTM AI/ML در AWS است. او با مشتریان برای ایجاد استراتژی فناوری اطلاعات کار میکند و با استفاده از دادهها و هوش مصنوعی/ML، تحول دیجیتال از طریق ابر را در دسترستر میکند. سورش در اوقات فراغت خود از بازی تنیس و گذراندن وقت با خانواده لذت می برد.
بانی کاوشیک یک معمار راه حل در AWS است. او مشتاق ساخت راه حل های AI/ML بر روی AWS و کمک به مشتریان برای نوآوری در پلتفرم AWS است. در خارج از محل کار، او از پیاده روی، کوهنوردی و شنا 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