برچسب های سفارشی شناسایی آمازون یک سرویس بینایی 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 کسب و کار شما بسازند.
Rekognition Custom Labels نیازی به داشتن تخصص قبلی بینایی رایانه ای ندارد. شما می توانید به سادگی با آپلود ده ها تصویر به جای هزاران عکس شروع 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.
با این حال، اگر شما یک کاربر تجاری هستید که به دنبال حل مشکل بینایی کامپیوتر، تجسم نتایج استنتاج مدل سفارشی، و دریافت اعلانها در صورت در دسترس بودن چنین نتایج استنتاجی هستید، باید برای ساخت چنین برنامهای به تیم مهندسی خود تکیه کنید. به عنوان مثال، هنگامی که محصولی به بیماری مبتلا شده است، میتوان به مدیر عملیات کشاورزی اطلاع داد، زمانی که انگور برای برداشت رسیده است به شرابساز اطلاع داده میشود، یا زمانی که زمان ذخیره مجدد موجودیها مانند نوشابهها فرا رسیده است، میتوان به مدیر فروشگاه اطلاع داد. در یک یخچال عمودی
در این پست، شما را در فرآیند ساختن راه حلی راهنمایی می کنیم که به شما امکان می دهد نتیجه استنتاج را تجسم کنید و زمانی که برچسب های خاصی در تصاویری که با استفاده از مدل های ساخته شده توسط Rekognition Custom Labels پردازش می شوند شناسایی می شوند، اعلان هایی را برای کاربران مشترک ارسال کنید.
بررسی اجمالی راه حل
نمودار زیر معماری راه حل ما را نشان می دهد.
این راه حل از خدمات AWS زیر برای پیاده سازی یک معماری مقیاس پذیر و مقرون به صرفه استفاده می کند:
- آمازون آتنا – یک سرویس پرس و جو تعاملی بدون سرور که تجزیه و تحلیل داده ها را در Amazon S3 با استفاده از SQL استاندارد آسان می کند.
- AWS لامبدا – یک سرویس محاسباتی بدون سرور که به شما امکان می دهد کد را در پاسخ به محرک هایی مانند تغییرات در داده ها، تغییر وضعیت سیستم یا اقدامات کاربر اجرا کنید. از آنجایی که آمازون S3 می تواند مستقیماً یک تابع Lambda را راه اندازی کند، می توانید انواع مختلفی را در زمان واقعی بسازید بدون سرور سیستم های پردازش داده
- آمازون QuickSight – یک سرویس تجزیه و تحلیل کسب و کار بسیار سریع، با کاربری آسان و مبتنی بر ابر که ساخت تصاویر بصری، انجام تجزیه و تحلیل موقت و دریافت سریع بینش تجاری از داده ها را آسان می کند.
- برچسب های سفارشی شناسایی آمازون – به شما امکان می دهد یک مدل بینایی کامپیوتری سفارشی برای شناسایی اشیاء و صحنه های موجود در تصاویر که مخصوص نیازهای کسب و کار شما هستند آموزش دهید.
- سرویس اطلاع رسانی ساده آمازون – Amazon SNS یک سرویس پیام رسانی کاملاً مدیریت شده برای ارتباط برنامه به برنامه (A2A) و ارتباط برنامه به فرد (A2P) است.
- سرویس صف ساده آمازون – آمازون SQS یک سرویس صف پیام کاملاً مدیریت شده است که به شما امکان می دهد میکروسرویس ها، سیستم های توزیع شده و برنامه های بدون سرور را جدا کرده و مقیاس دهید.
- سرویس ذخیره سازی ساده آمازون – آمازون S3 به عنوان یک ذخیرهسازی اشیا برای اسناد شما عمل میکند و امکان مدیریت مرکزی با کنترلهای دسترسی دقیق را فراهم میکند.
این راه حل از یک گردش کار بدون سرور استفاده می کند که هنگام آپلود تصویر در سطل ورودی S3 فعال می شود. یک صف SQS یک اعلان رویداد برای ایجاد شی دریافت می کند. راه حل نیز ایجاد می کند صف های مرده (DLQ) برای کنار گذاشتن و جداسازی پیام هایی که نمی توانند به درستی پردازش شوند. یک تابع Lambda از صف SQS تغذیه می کند و آن را ایجاد می کند DetectLabels
فراخوانی API برای شناسایی همه برچسبها در تصویر. برای مقیاسبندی این راهحل و تبدیل آن به یک طرح جفتشده آزاد، تابع Lambda نتایج پیشبینی را به یک صف دیگر SQS ارسال میکند. این صف SQS تابع Lambda دیگری را فعال می کند که تمام برچسب های موجود در پیش بینی ها را تجزیه و تحلیل می کند. بر اساس ترجیح کاربر (پیکربندی شده در هنگام استقرار راه حل)، این تابع پیامی را به یک موضوع SNS منتشر می کند. موضوع SNS برای ارائه اعلان های ایمیل به کاربر پیکربندی شده است. میتوانید تابع Lambda را برای اضافه کردن URL به پیام ارسال شده به Amazon SNS برای دسترسی به تصویر پیکربندی کنید (با استفاده از Amazon S3 URL تعیین شده). در نهایت، تابع Lambda یک نتیجه پیشبینی و ابرداده تصویر را در یک سطل S3 آپلود میکند. سپس می توانید از Athena و QuickSight برای تجزیه و تحلیل و تجسم نتایج از سطل S3 استفاده کنید.
پیش نیازها
شما باید یک مدل آموزش دیده و در حال اجرا با برچسب های سفارشی Rekognition داشته باشید.
Rekognition Custom Labels به شما امکان میدهد فرآیند آموزش مدل یادگیری ماشین را روی آن مدیریت کنید شناسایی آمازون کنسول، که فرآیند توسعه مدل انتها به انتها را ساده می کند. برای این پست از یک مدل طبقه بندی آموزش دیده برای تشخیص بیماری برگ گیاه.
راه حل را مستقر کنید
شما یک را مستقر می کنید AWS CloudFormation الگویی برای تهیه منابع لازم، از جمله سطل های S3، صف های SQS، موضوع SNS، توابع Lambda و هویت AWS و مدیریت دسترسی نقش های (IAM). این الگو پشته منطقه us-east-1 را ایجاد می کند، اما می توانید از الگو برای ایجاد پشته خود در هر منطقه ای که خدمات AWS فوق در دسترس است استفاده کنید.
- الگوی CloudFormation زیر را در حساب منطقه و AWS که در آن مدل برچسبهای سفارشی Rekognition را مستقر کردهاید راهاندازی کنید:
- برای نام پشته، یک نام پشته وارد کنید، مانند
rekognition-customlabels-analytics-and-notification
. - برای CustomModelARN، ARN مدل برچسب های سفارشی شناسایی آمازون را که می خواهید استفاده کنید وارد کنید.
مدل برچسبهای سفارشی شناسایی باید در همان حساب AWS مستقر شود.
- برای اعلان ایمیل، آدرس ایمیلی را وارد کنید که در آن می خواهید اعلان ها را دریافت کنید.
- برای InputBucketNameیک نام منحصر به فرد برای سطل S3 که پشته ایجاد می کند وارد کنید. مثلا،
plant-leaf-disease-data-input
.
این جایی است که تصاویر برگ گیاه ورودی ذخیره می شود.
- برای LabelsofInterest، می توانید حداکثر 10 برچسب مختلف را که می خواهید از آنها مطلع شوید، در قالب جدا شده با کاما وارد کنید. برای مثال بیماری گیاهی ما، وارد کنید
bacterial-leaf-blight,leaf-smut
. - برای MinConfidence، حداقل آستانه اطمینان را برای دریافت اعلان وارد کنید. برچسبهایی که با اطمینان کمتر از مقدار MinConfidence شناسایی شدهاند در پاسخ برگردانده نمیشوند و اعلان ایجاد نمیکنند.
- برای OutputBucketNameیک نام منحصر به فرد برای سطل S3 که پشته ایجاد می کند وارد کنید. مثلا،
plant-leaf-disease-data-output
.
سطل خروجی حاوی فایلهای JSON با فراداده تصویر (برچسبهای یافت شده و امتیاز اطمینان) است.
- را انتخاب کنید بعدی.
- بر پیکربندی گزینه های پشته صفحه، هر پارامتر اضافی را برای پشته تنظیم کنید، از جمله برچسب ها.
- را انتخاب کنید بعدی.
- در قابلیت ها و دگرگونی ها بخش، کادر را انتخاب کنید تا تصدیق کنید که AWS CloudFormation ممکن است ایجاد کند منابع IAM.
- را انتخاب کنید پشته ایجاد کنید.
صفحه جزئیات پشته باید وضعیت پشته را به عنوان نشان دهد CREATE_IN_PROGRESS
. تغییر وضعیت ممکن است تا 5 دقیقه طول بکشد CREATE_COMPLETE
.
Amazon SNS یک پیام تأیید اشتراک به آدرس ایمیل ارسال می کند. شما نیاز دارید اشتراک را تایید کنید.
محلول را تست کنید
اکنون که منابع را مستقر کرده ایم، آماده آزمایش راه حل هستیم. مطمئن شوید که شما مدل را شروع کنید.
- در کنسول آمازون S3، را انتخاب کنید سطل.
- سطل ورودی S3 را انتخاب کنید.
- تصاویر آزمایشی را در سطل آپلود کنید.
در تولید، می توانید فرآیندهای خودکار را برای تحویل تصاویر به این سطل تنظیم کنید.
این تصاویر جریان کار را تحریک می کنند. اگر اطمینان برچسب از آستانه تعیین شده بیشتر شود، یک اعلان ایمیل مانند زیر دریافت می کنید.
همچنین میتوانید موضوع SNS را برای ارائه این اعلانها به هر کسی پیکربندی کنید مقصدهای توسط سرویس پشتیبانی می شود.
نتایج پیش بینی را تجزیه و تحلیل کنید
پس از آزمایش راه حل، می توانید راه حل را برای ایجاد یک تحلیل بصری برای پیش بینی تصاویر پردازش شده گسترش دهید. برای این منظور، ما از Athena، یک سرویس پرس و جو تعاملی استفاده می کنیم که تجزیه و تحلیل داده ها را مستقیماً از Amazon S3 با استفاده از SQL استاندارد و QuickSight برای تجسم داده ها آسان می کند.
آتنا را پیکربندی کنید
اگر با آمازون آتنا آشنایی ندارید، ببینید این آموزش. در کنسول Athena، یک جدول در کاتالوگ داده Athena با کد زیر ایجاد کنید:
جمعیت Location
فیلد در عبارت جستجوی قبلی با نام سطل خروجی شما، مانند plant-leaf-disease-data-output
.
این کد به آتنا می گوید که چگونه هر ردیف از متن را در سطل S3 تفسیر کند.
اکنون می توانید داده ها را پرس و جو کنید:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
QuickSight را پیکربندی کنید
برای پیکربندی QuickSight، مراحل زیر را انجام دهید:
- باز کردن کنسول QuickSight.
- اگر در QuickSight ثبت نام نکرده اید، گزینه ثبت نام از شما خواسته می شود. مراحل را دنبال کنید تا برای استفاده از QuickSight ثبت نام کنید.
- پس از ورود به QuickSight، را انتخاب کنید QuickSight را مدیریت کنید زیر حساب شما
- در صفحه پیمایش، را انتخاب کنید امنیت و مجوزها.
- تحت دسترسی QuickSight به خدمات AWS، انتخاب کنید اضافه یا حذف.
صفحه ای برای فعال کردن دسترسی QuickSight به خدمات AWS ظاهر می شود.
- انتخاب کنید آمازون الههء عقل و زیبایی.
- در پنجره بازشو ، را انتخاب کنید بعدی.
- در برگه S3، سطل های S3 لازم را انتخاب کنید. برای این پست، سطلی را انتخاب می کنم که نتایج پرس و جوی Athena من را ذخیره می کند.
- برای هر سطل نیز انتخاب کنید اجازه نوشتن برای گروه کاری آتنا.
- را انتخاب کنید پایان.
- را انتخاب کنید بروزرسانی.
- در کنسول QuickSight، را انتخاب کنید تجزیه و تحلیل جدید.
- را انتخاب کنید مجموعه داده جدید.
- برای مجموعه داده ها، انتخاب کنید الههء عقل و زیبایی.
- برای نام منبع داده، وارد
Athena-CustomLabels-analysis
. - برای کارگروه آتنا، انتخاب کنید اصلی.
- را انتخاب کنید ایجاد منبع داده.
- برای پایگاه داده، انتخاب کنید
default
در منوی کشویی - برای جداول، جدول را انتخاب کنید
rekognition_customlabels_analytics
. - را انتخاب کنید انتخاب کنید.
- را انتخاب کنید تجسم.
- بر تجسم صفحه، زیر زمینه لیست کنید ، انتخاب کنید برچسب و نمودار دایره ای را از بین انتخاب کنید انواع بصری.
میتوانید تجسمهای بیشتری را در داشبورد اضافه کنید. وقتی تحلیل شما آماده شد، می توانید انتخاب کنید اشتراک گذاری برای ایجاد یک داشبورد و به اشتراک گذاری آن در سازمان خود.
خلاصه
در این پست، ما نشان دادیم که چگونه میتوانید با استفاده از برچسبهای سفارشی Rekognition، راهحلی برای دریافت اعلانها برای برچسبهای خاص (مانند سوختگی برگ باکتریایی یا لکههای برگ) ایجاد کنید. علاوه بر این، ما نشان دادیم که چگونه می توانید داشبوردهایی را برای تجسم نتایج با استفاده از Athena و QuickSight ایجاد کنید.
اکنون می توانید به راحتی چنین داشبوردهای تجسمی را با کاربران تجاری به اشتراک بگذارید و به آنها اجازه دهید به جای اینکه به تیم های مهندسی خود برای ساخت چنین برنامه ای اعتماد کنند، در اعلان ها مشترک شوند.
درباره نویسنده
جی رائو یک معمار اصلی راه حل در AWS است. او از ارائه راهنمایی های فنی و استراتژیک به مشتریان و کمک به آنها در طراحی و اجرای راه حل ها در AWS 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.
- 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/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- دسترسی
- حساب
- اقدامات
- Ad
- اضافه
- اضافی
- نشانی
- الگوریتم
- معرفی
- قبلا
- آمازون
- تحلیل
- علم تجزیه و تحلیل
- دیگر
- API
- کاربرد
- برنامه های کاربردی
- معماری
- خودکار
- در دسترس
- AWS
- مرز
- جعبه
- ساختن
- بنا
- کسب و کار
- صدا
- می توانید دریافت کنید
- تغییر دادن
- را انتخاب کنید
- طبقه بندی
- رمز
- ارتباط
- محاسبه
- اعتماد به نفس
- کنسول
- شامل
- مقرون به صرفه
- همراه
- ایجاد
- ایجاد
- محصول
- سفارشی
- مشتریان
- داشبورد
- داده ها
- گسترش
- مستقر
- گسترش
- طرح
- شناسایی شده
- توسعه دهندگان
- پروژه
- مختلف
- مستقیما
- مرض
- توزیع شده
- اسناد و مدارک
- نمی کند
- به آسانی
- پست الکترونیک
- را قادر می سازد
- مهندسی
- وارد
- واقعه
- مثال
- تخصص
- گسترش
- خانواده
- FAST
- سرانجام
- به دنبال
- پیروی
- قالب
- یافت
- چارچوب
- تابع
- تولید می کنند
- داشتن
- چگونه
- چگونه
- HTTPS
- شناسایی
- هویت
- تصویر
- انجام
- از جمله
- ورودی
- بینش
- تعاملی
- IT
- فقط یکی
- برچسب ها
- یادگیری
- فهرست
- محل
- به دنبال
- دستگاه
- فراگیری ماشین
- باعث می شود
- اداره می شود
- مدیریت
- مدیر
- پیام
- حد اقل
- مدل
- مدل
- بیش
- جهت یابی
- اخطار
- عملیات
- گزینه
- کدام سازمان ها
- عکاسی
- پیش گویی
- پیش بینی
- اصلی
- مشکل
- روند
- فرآیندهای
- محصول
- تولید
- ارائه
- هدف
- به سرعت
- زمان واقعی
- گرفتن
- نیاز
- منابع
- پاسخ
- نتایج
- دویدن
- در حال اجرا
- مقیاس پذیر
- مقیاس
- صحنه های
- بدون سرور
- سرویس
- خدمات
- تنظیم
- اشتراک گذاری
- ساده
- راه حل
- مزایا
- حل
- هزینه
- پشته
- استاندارد
- شروع
- آغاز شده
- دولت
- وضعیت
- ذخیره سازی
- opbevare
- پرده
- استراتژیک
- مشترک
- اشتراک، ابونمان
- پشتیبانی
- سیستم
- سیستم های
- تیم
- فنی
- می گوید
- آزمون
- هزاران نفر
- از طریق
- زمان
- آموزش
- انتقال
- منحصر به فرد
- استفاده کنید
- کاربران
- ارزش
- تنوع
- دید
- تجسم
- در داخل
- مهاجرت کاری
- کارگروه