در دهه گذشته، موارد استفاده از بینایی کامپیوتر به ویژه در صنایعی مانند بیمه، خودرو، تجارت الکترونیک، انرژی، خردهفروشی، تولید و غیره روند رو به رشدی داشته است. مشتریان در حال ساخت مدل های یادگیری ماشین بینایی کامپیوتری (ML) هستند تا کارایی عملیاتی و اتوماسیون را به فرآیندهای خود بیاورند. چنین مدل هایی به طبقه بندی خودکار تصاویر یا شناسایی اشیاء مورد علاقه در تصاویری که مختص کسب و کار شما هستند کمک می کند.
برای ساده سازی فرآیند ساخت مدل ML، معرفی کردیم Amazon SageMaker JumpStart در دسامبر 2020. JumpStart به شما کمک می کند تا به سرعت و به راحتی با ML شروع کنید. استقرار و تنظیم دقیق طیف گسترده ای از مدل های از پیش آموزش دیده و همچنین مجموعه ای از راه حل های پایان به انتها را با یک کلیک ارائه می دهد. این کار بار سنگین را از هر مرحله از فرآیند ML حذف میکند و توسعه مدلهای با کیفیت بالا را آسانتر میکند و زمان استقرار را کاهش میدهد. با این حال، برای کمک به انتخاب مدل از کاتالوگ بیش از 200 مدل بینایی کامپیوتری از پیش آموزش دیده، نیاز به دانش قبلی دارید. سپس باید عملکرد مدل را با تنظیمات هایپرپارامترهای مختلف محک بزنید و بهترین مدل را برای استفاده در تولید انتخاب کنید.
برای سادهسازی این تجربه و اجازه به توسعهدهندگان با تخصص اندک یا بدون تخصص ML برای ساخت مدلهای بینایی کامپیوتری سفارشی، ما یک نمونه نوت بوک جدید در JumpStart منتشر میکنیم که از آن استفاده میکند. برچسب های سفارشی شناسایی آمازون، یک سرویس کاملاً مدیریت شده برای ساخت مدل های بینایی کامپیوتری سفارشی. Rekognition Custom Labels از مدل های از پیش آموزش دیده ساخته شده است شناسایی آمازون، که قبلاً روی ده ها میلیون تصویر در بسیاری از دسته ها آموزش داده شده اند. به جای هزاران تصویر، می توانید با مجموعه کوچکی از تصاویر آموزشی (چند صد یا کمتر) که مخصوص مورد استفاده شما هستند شروع کنید. Rekognition Custom Labels پیچیدگی موجود در ساخت یک مدل سفارشی را از بین می برد. به طور خودکار داده های آموزشی را بررسی می کند، الگوریتم های ML مناسب را انتخاب می کند، نوع نمونه را انتخاب می کند، چندین مدل کاندید را با فراپارامترهای مختلف آموزش می دهد و بهترین مدل آموزش دیده را خروجی می دهد. Rekognition Custom Labels همچنین یک رابط کاربری آسان برای استفاده از کنسول مدیریت AWS برای کل گردش کار ML، از جمله برچسب زدن به تصاویر، آموزش، استقرار یک مدل، و تجسم نتایج آزمایش.
این نوت بوک نمونه در JumpStart با استفاده از برچسبهای سفارشی Rekognition، هرگونه طبقهبندی تصویر یا تشخیص اشیاء را با دید کامپیوتری ML حل میکند و این کار را برای مشتریانی که با آن آشنا هستند آسان میکند. آمازون SageMaker برای ساخت یک راه حل بینایی کامپیوتری که به بهترین وجه مناسب مورد استفاده، نیازها و مجموعه مهارت شما باشد.
در این پست، دستورالعمل های گام به گام برای استفاده از این نوت بوک نمونه در JumpStart را ارائه می دهیم. این نوت بوک نشان می دهد که چگونه می توان به راحتی از API های آموزشی موجود و استنتاج برچسب های سفارشی شناسایی برای ایجاد یک مدل طبقه بندی تصویر، یک مدل طبقه بندی چند برچسبی و یک مدل تشخیص اشیا استفاده کرد. برای اینکه شروع به کار را برای شما آسان کنیم، مجموعه داده های نمونه برای هر مدل ارائه کرده ایم.
آموزش و استقرار یک مدل بینایی کامپیوتری با استفاده از برچسبهای سفارشی Rekognition
در این بخش، نوت بوک مورد نظر را در JumpStart پیدا می کنیم و نحوه آموزش و اجرای استنتاج در نقطه پایانی مستقر شده را نشان می دهیم.
بیایید از Amazon SageMaker Studio پرتاب
- در راهانداز استودیو، را انتخاب کنید به SageMaker JumpStart بروید.
صفحه فرود JumpStart دارای بخش هایی برای چرخ فلک برای راه حل ها، مدل های متنی و مدل های دید است. همچنین دارای نوار جستجو است. - در نوار جستجو، وارد کنید
Rekognition Custom Labels
و انتخاب کنید برچسبهای سفارشی شناسایی برای ویژن نوت بوک.
نوت بوک در حالت فقط خواندنی باز می شود. - را انتخاب کنید واردات نوت بوک برای وارد کردن نوت بوک به محیط خود.
این نوت بوک یک راهنمای گام به گام برای آموزش و اجرای استنتاج با استفاده از برچسب های سفارشی شناسایی از کنسول JumpStart ارائه می دهد. این چهار مجموعه داده نمونه زیر را برای نشان دادن طبقه بندی تصویر تک و چند برچسبی و تشخیص شی ارائه می دهد.
-
- طبقه بندی تصویر تک برچسبی - این مجموعه داده نشان می دهد که چگونه می توان تصاویر را به عنوان متعلق به یکی از مجموعه ای از برچسب های از پیش تعریف شده طبقه بندی کرد. برای مثال، شرکتهای املاک و مستغلات میتوانند از برچسبهای سفارشی شناسایی برای دستهبندی تصاویر خود از اتاقهای نشیمن، حیاط خلوت، اتاق خواب و سایر مکانهای خانگی استفاده کنند. تصویر زیر نمونه ای از این مجموعه داده است که به عنوان بخشی از دفترچه یادداشت گنجانده شده است.
- طبقه بندی تصاویر چند برچسبی - این مجموعه داده نشان می دهد که چگونه می توان تصاویر را به دسته بندی های متعدد، مانند رنگ، اندازه، بافت و نوع گل طبقه بندی کرد. به عنوان مثال، پرورش دهندگان گیاهان می توانند از برچسب های سفارشی شناسایی برای تمایز بین انواع مختلف گل و سالم بودن، آسیب دیده بودن یا آلوده بودن آنها استفاده کنند. تصویر زیر نمونه ای از این مجموعه داده است.
- تشخیص اشیا - این مجموعه داده محلی سازی شی را برای مکان یابی قطعات مورد استفاده در خطوط تولید یا تولید نشان می دهد. برای مثال، در صنعت الکترونیک، برچسبهای سفارشی شناسایی میتوانند به شمارش تعداد خازنهای روی برد مدار کمک کنند. تصویر زیر نمونه ای از این مجموعه داده است.
- تشخیص برند و لوگو - این مجموعه داده مکان لوگوها یا مارک ها را در یک تصویر نشان می دهد. به عنوان مثال، در صنعت رسانه، یک مدل تشخیص شی میتواند به شناسایی محل لوگوهای حامی در عکسها کمک کند. تصویر زیر نمونه ای از این مجموعه داده است.
- طبقه بندی تصویر تک برچسبی - این مجموعه داده نشان می دهد که چگونه می توان تصاویر را به عنوان متعلق به یکی از مجموعه ای از برچسب های از پیش تعریف شده طبقه بندی کرد. برای مثال، شرکتهای املاک و مستغلات میتوانند از برچسبهای سفارشی شناسایی برای دستهبندی تصاویر خود از اتاقهای نشیمن، حیاط خلوت، اتاق خواب و سایر مکانهای خانگی استفاده کنند. تصویر زیر نمونه ای از این مجموعه داده است که به عنوان بخشی از دفترچه یادداشت گنجانده شده است.
- با اجرای هر سلول، مراحل موجود در نوت بوک را دنبال کنید.
این نوت بوک نشان می دهد که چگونه می توانید از یک نوت بوک برای رسیدگی به موارد استفاده طبقه بندی تصویر و تشخیص اشیا از طریق APIهای برچسب سفارشی Rekognition استفاده کنید.
همانطور که با نوت بوک ادامه می دهید، می توانید یکی از مجموعه داده های نمونه ذکر شده را انتخاب کنید. ما شما را تشویق می کنیم که دفترچه یادداشت را برای هر یک از مجموعه داده ها اجرا کنید.
نتیجه
در این پست، ما به شما نشان دادیم که چگونه از APIهای Rekognition Custom Labels برای ساخت یک طبقهبندی تصویر یا یک مدل بینایی کامپیوتری تشخیص اشیا برای طبقهبندی و شناسایی اشیاء در تصاویر که مخصوص نیازهای تجاری شما هستند استفاده کنید. برای آموزش یک مدل، میتوانید با ارائه دهها تا صدها تصویر برچسبدار به جای هزاران عکس، شروع کنید. Rekognition Custom Labels آموزش مدل را با مراقبت از انتخاب پارامترها مانند نوع ماشین، نوع الگوریتم یا فراپارامترهای خاص الگوریتم (شامل تعداد لایههای شبکه، نرخ یادگیری و اندازه دسته) ساده میکند. Rekognition Custom Labels همچنین میزبانی یک مدل آموزش دیده را ساده می کند و یک عملیات ساده برای انجام استنتاج با یک مدل آموزش دیده ارائه می دهد.
Rekognition Custom Labels یک تجربه کنسولی با کاربری آسان برای فرآیند آموزش، مدیریت مدل و تجسم تصاویر مجموعه داده را فراهم می کند. ما شما را تشویق می کنیم در مورد آن بیشتر بدانید برچسب های سفارشی شناسایی و آن را با مجموعه داده های خاص کسب و کار خود امتحان کنید.
برای شروع، میتوانید به دفترچه نمونه یادداشت Rekognition Custom Labels بروید SageMaker JumpStart.
درباره نویسنده
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.
Abhishek Gupta معمار ارشد راه حل خدمات هوش مصنوعی در AWS است. او به مشتریان در طراحی و پیاده سازی راه حل های بینایی کامپیوتری کمک می کند.
- Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
- CryptoHawk. رادار آلت کوین امتحان رایگان.
- منبع: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- چکیده ها
- در میان
- نشانی
- AI
- خدمات هوش مصنوعی
- الگوریتم
- الگوریتم
- قبلا
- آمازون
- رابط های برنامه کاربردی
- خودکار بودن
- اتوماسیون
- خودرو
- AWS
- محک
- بهترین
- تخته
- مارک های
- ساختن
- بنا
- می سازد
- کسب و کار
- می توانید دریافت کنید
- نامزد
- اهميت دادن
- موارد
- انتخاب
- را انتخاب کنید
- طبقه بندی
- شرکت
- کامپیوتر
- کنسول
- ایجاد
- سفارشی
- مشتریان
- داده ها
- دهه
- نشان دادن
- گسترش
- مستقر
- استقرار
- گسترش
- طرح
- کشف
- توسعه
- توسعه دهندگان
- مختلف
- به آسانی
- آسان برای استفاده
- تجارت الکترونیک
- الکترونیک
- تشویق
- نقطه پایانی
- انرژی
- وارد
- محیط
- به خصوص
- املاک
- مثال
- موجود
- تجربه
- تخصص
- خانواده
- پیروی
- در حال رشد
- راهنمایی
- کمک
- کمک می کند
- با کیفیت بالا
- میزبانی وب
- خانواده
- چگونه
- چگونه
- اما
- HTTPS
- صدها نفر
- شناسایی
- تصویر
- انجام
- مشمول
- از جمله
- لوازم
- صنعت
- بیمه
- علاقه
- رابط
- گرفتار
- IT
- دانش
- برچسب
- برچسب ها
- یاد گرفتن
- یادگیری
- بلند کردن اجسام
- کوچک
- زندگی
- محل
- مکان
- آرم
- دستگاه
- فراگیری ماشین
- ساخت
- اداره می شود
- مدیریت
- مدیر
- تولید
- رسانه ها
- میلیون ها نفر
- ML
- مدل
- مدل
- بیش
- چندگانه
- نیازهای
- شبکه
- دفتر یادداشت
- عدد
- باز می شود
- عمل
- گزینه
- دیگر
- بخش
- کارایی
- انجام
- عکاسی
- روند
- فرآیندهای
- محصول
- تولید
- ارائه
- فراهم می کند
- ارائه
- به سرعت
- املاک و مستغلات
- کاهش
- مورد نیاز
- نیاز
- نتایج
- خرده فروشی
- اتاق
- دویدن
- در حال اجرا
- جستجو
- سرویس
- خدمات
- تنظیم
- ساده
- اندازه
- کوچک
- راه حل
- مزایا
- حل می کند
- برخی از
- هزینه
- حامی
- شروع
- آغاز شده
- استودیو
- مصرف
- آزمون
- هزاران نفر
- زمان
- آموزش
- قطار
- انواع
- منحصر به فرد
- استفاده کنید
- تنوع
- دید
- تجسم
- در داخل
- مهاجرت کاری