Amazonin tunnistus tarjoaa valmiiksi koulutetut ja mukautettavat tietokonenäköominaisuudet tiedon ja oivallusten poimimiseksi kuvista ja videoista. Yksi tällainen kyky on Amazon Rekognition Labels, joka havaitsee kuvissa olevat kohteet, kohtaukset, toiminnot ja käsitteet. Asiakkaat, kuten Synchronoss, Shutterstock, ja Nomad Media käyttävät Amazon Rekognition Labels -työkaluja lisätäkseen automaattisesti metatiedot sisältökirjastoonsa ja mahdollistaakseen sisältöpohjaiset hakutulokset. TripleLift käyttää Amazon Rekognition Labels -työkalua määrittääkseen parhaat hetket lisätäkseen dynaamisesti mainoksia, jotka täydentävät yleisön katselukokemusta. vidmob käyttää Amazon Rekognition Labels -työkalua metatietojen poimimiseen mainoksista ymmärtääkseen luovan päätöksenteon ainutlaatuisen roolin mainosten tehokkuudessa, jotta markkinoijat voivat tuottaa mainoksia, jotka vaikuttavat heille eniten välittämiinsä keskeisiin tavoitteisiin. Lisäksi tuhannet muut asiakkaat käyttävät Amazon Rekognition Labels -tarroja tukemaan monia muita käyttötapauksia, kuten polku- tai vaelluskuvien luokittelua, ihmisten tai ajoneuvojen havaitsemista turvakameran kuvauksissa ja henkilötodistuskuvien luokittelua.
Amazon Rekognition Labels kuville havaitsee 600 uutta tarraa, mukaan lukien maamerkit ja aktiviteetit, ja parantaa yli 2,000 XNUMX olemassa olevan tarran tarkkuutta. Lisäksi Amazon Rekognition Labels tukee nyt Image Properties -toimintoa, joka havaitsee kuvan hallitsevat värit, sen etualan ja taustan sekä havaitut kohteet, joissa on rajauslaatikot. Kuvan ominaisuudet mittaa myös kuvan kirkkautta, terävyyttä ja kontrastia. Lopuksi Amazon Rekognition Labels järjestää nyt tarratulokset kahdella lisäkentällä, aliases
ja categories
ja tukee näiden tulosten suodatusta. Seuraavissa osioissa tarkastellaan uusia ominaisuuksia ja niiden etuja yksityiskohtaisemmin esimerkkien avulla.
Uudet etiketit
Amazon Rekognition Labels on lisännyt yli 600 uutta tarraa, mikä laajentaa tuettujen tarrojen luetteloa. Seuraavassa on esimerkkejä uusista tarroista:
- Suosittuja maamerkkejä - Brooklynin silta, Colosseum, Eiffel-torni, Machu Picchu, Taj Mahal jne.
- Toiminta – Aplodit, Pyöräily, Juhliminen, Hyppy, Koiran ulkoiluttaminen jne.
- Vahinkojen havaitseminen – Auton lommo, auton naarmu, korroosio, kotivauriot, kattovauriot, termiittivauriot jne.
- Teksti ja asiakirjat – Pylväskaavio, tarkastuskortti, vuokaavio, muistikirja, lasku, kuitti jne.
- Urheilu – Baseball-peli, krikettimaila, taitoluistelu, rugby, vesipallo jne.
- Monta lisää - Venekilpailu, hauskanpito, kaupunkikuva, kylä, hääehdotus, juhlatilaisuus jne.
Näiden tunnisteiden avulla asiakkaat voivat kuvien jakamisessa, valokuvauksessa tai lähetysmediassa lisätä uusia metatietoja sisältökirjastoonsa parantaakseen hakuominaisuuksiaan.
Katsotaanpa esimerkkiä Brooklyn Bridgen etiketin havaitsemisesta.
Seuraavassa taulukossa näkyvät API-vastauksessa palautetut tunnisteet ja luottamuspisteet.
tarrat | Luottamuspisteet |
Brooklynin silta | 95.6 |
Silta | 95.6 |
Maamerkki | 95.6 |
Parannetut etiketit
Amazon Rekognition Labels on myös parantanut yli 2,000 XNUMX tarran tarkkuutta. Seuraavassa on esimerkkejä parannetuista tarroista:
- Toiminta – Sukeltaminen, ajaminen, lukeminen, istuminen, seisominen jne.
- Vaatteet ja tarvikkeet – Reppu, vyö, pusero, huppari, takki, kenkä jne.
- Kotona ja sisällä – Uima-allas, ruukkukasvi, tyyny, takka, peitto jne.
- Tekniikka ja tietojenkäsittely - Kuulokkeet, matkapuhelin, tablettitietokone, lukeminen, kannettava tietokone jne.
- Ajoneuvot ja autot - Kuorma-auto, pyörä, rengas, puskuri, auton istuin, auton peili jne.
- Teksti ja asiakirjat – Passi, ajokortti, käyntikortti, asiakirja jne.
- Monta lisää – Koira, Kenguru, Kaupungin aukio, Festivaali, Naurua jne.
Kuvan ominaisuudet hallitsevien värien havaitsemiseen ja kuvanlaatuun
Image Properties on Amazon Rekognition Labelsin uusi ominaisuus kuville, ja sitä voidaan käyttää tarrantunnistustoiminnon kanssa tai ilman sitä. Huomautus: Kuvan ominaisuudet on hinnoiteltu erikseen Amazon Rekognition Labelsista, ja se on saatavilla vain päivitetyillä SDK:illa.
Hallitsevan värin tunnistus
Kuvan ominaisuudet tunnistaa kuvan hallitsevat värit pikseliprosenttien perusteella. Nämä hallitsevat värit on kartoitettu 140 CSS-väripaletti, RGB, heksadesimaalikoodi ja 12 yksinkertaistettua väriä (vihreä, pinkki, musta, punainen, keltainen, syaani, ruskea, oranssi, valkoinen, violetti, sininen, harmaa). Oletusarvoisesti API palauttaa enintään 10 hallitsevaa väriä, ellet määritä palautettavien värien määrää. Sovellusliittymän palauttamien hallitsevien värien enimmäismäärä on 12.
Kun sitä käytetään itsenäisesti, Image Properties havaitsee koko kuvan hallitsevat värit sekä sen etualan ja taustan. Kun sitä käytetään yhdessä tarran tunnistustoimintojen kanssa, Image Properties tunnistaa myös havaittujen objektien hallitsevat värit rajauslaatikoilla.
Kuvien jakamiseen tai valokuvaukseen osallistuvat asiakkaat voivat käyttää hallitsevien värien havaitsemista rikastuttaakseen kuvakirjastonsa metatietoja sisällön löytämisen parantamiseksi, jolloin loppukäyttäjät voivat suodattaa värin mukaan tai etsiä objekteja tietyillä väreillä, kuten "sininen tuoli" tai "punaiset kengät". ” Lisäksi mainonnassa olevat asiakkaat voivat määrittää mainosten tehokkuuden luovien resurssiensa värien perusteella.
Kuvanlaatu
Vallitsevan värintunnistuksen lisäksi Image Properties mittaa myös kuvan laatua kirkkauden, terävyyden ja kontrastipisteiden avulla. Jokainen näistä pisteistä vaihtelee välillä 0–100. Esimerkiksi erittäin tumma kuva palauttaa alhaiset kirkkausarvot, kun taas kirkkaasti valaistu kuva palauttaa korkeat arvot.
Näillä pisteillä asiakkaat kuvien jakamisessa, mainonnassa tai verkkokaupassa voivat suorittaa laaduntarkastuksia ja suodattaa kuvia, joiden kirkkaus ja terävyys on alhainen, jotta voidaan vähentää vääriä tarrojen ennusteita.
Seuraavassa kuvassa on esimerkki Eiffel-tornista.
Seuraava taulukko on esimerkki API-vastauksessa palautetuista Image Properties -tiedoista.
Seuraava kuva on esimerkki punaisesta tuolista.
Seuraavassa on esimerkki API-vastauksessa palautetuista Image Properties -tiedoista.
Seuraava kuva on esimerkki koirasta, jolla on keltainen tausta.
Seuraavassa on esimerkki API-vastauksessa palautetuista Image Properties -tiedoista.
Uudet aliakset ja luokkakentät
Amazon Rekognition Labels palauttaa nyt kaksi uutta kenttää, aliases
ja categories
, API-vastauksessa. Aliakset ovat muita nimiä samalle tunnisteelle ja luokat ryhmittelevät yksittäisiä tunnisteita yhteen 40 yleisen teeman perusteella, kuten Food and Beverage
ja Animals and Pets
. Tarrantunnistusmallin päivityksen myötä aliaksia ei enää palauteta ensisijaiseen tarran nimien luetteloon. Sen sijaan aliakset palautetaan uudessa aliases
kenttä API-vastauksessa. Huomautus: Aliakset ja luokat palautetaan vain päivitetyillä SDK:illa.
Kuvien jakamiseen, verkkokauppaan tai mainontaan osallistuvat asiakkaat voivat käyttää aliaksia ja luokkia sisällön metatietojen taksonomian järjestämiseen parantaakseen sisällön hakua ja suodatusta entisestään:
- Esimerkki aliaksista - Koska
Car
jaAutomobile
ovat aliaksia, voit lisätä metatietoja kuvaan käyttämälläCar
jaAutomobile
samaan aikaan - Esimerkki kategoriasta – Luokkien avulla voit luoda luokkasuodattimen tai näyttää kaikki tiettyyn luokkaan liittyvät kuvat, kuten
Food and Beverage
, ilman että jokaiseen kuvaan tarvitsee erikseen lisätä metatietojaFood and Beverage
Seuraavassa kuvassa on esimerkki etiketin havaitsemisesta, jossa on aliaksia ja luokkia sukeltajalle.
Seuraavassa taulukossa näkyvät API-vastauksessa palautetut tunnisteet, luottamuspisteet, aliakset ja luokat.
tarrat | Luottamuspisteet | aliaksia | Kategoriat |
luonto | 99.9 | - | Luonto ja ulkoilu |
vesi | 99.9 | - | Luonto ja ulkoilu |
Laitesukellus | 99.9 | Aqua Scuba | Matkailu ja seikkailu |
Henkilö | 99.9 | Ihmisen | Henkilön kuvaus |
Vapaa-ajan aktiviteetit | 99.9 | virkistys | Matkailu ja seikkailu |
Urheilu | 99.9 | Urheilu | Urheilu |
Seuraava kuva on esimerkki pyöräilijästä.
Seuraava taulukko sisältää API-vastauksessa palautetut tunnisteet, luottamuspisteet, aliakset ja luokat.
tarrat | Luottamuspisteet | aliaksia | Kategoriat |
Taivas | 99.9 | - | Luonto ja ulkoilu |
Ulkoilu | 99.9 | - | Luonto ja ulkoilu |
Henkilö | 98.3 | Ihmisen | Henkilön kuvaus |
Auringonlasku | 98.1 | Hämärä, aamunkoitto | Luonto ja ulkoilu |
Polkupyörä | 96.1 | Pyörä | Harrastukset ja mielenkiinnon kohteet |
Pyöräily | 85.1 | Pyöräilijä, Pyöräilijä | Toiminnot |
Sisällytys- ja poissulkemissuodattimet
Amazon Rekognition Labels esittelee uusia sisällyttämis- ja poissulkemissuodatusvaihtoehtoja API-syöttöparametreihin rajatakseen API-vastauksessa palautettujen tarrojen luetteloa. Voit antaa tarkan luettelon tunnisteista tai luokista, jotka haluat sisällyttää tai jättää pois. Huomautus: Nämä suodattimet ovat saatavilla päivitetyissä SDK:issa.
Asiakkaat voivat käyttää sisällyttämis- ja poissulkemissuodattimia saadakseen erityisiä tarroja tai luokkia, joista he ovat kiinnostuneita, ilman, että heidän tarvitsee luoda lisälogiikkaa sovellukseensa. Esimerkiksi vakuutusasiakkaat voivat käyttää LabelCategoriesInclusionFilter
sisällyttääksesi vain tarratulokset Damage Detection
luokka.
Seuraava koodi on API-esimerkkipyyntö, jossa on sisällyttämis- ja poissulkemissuodattimet:
Seuraavassa on esimerkkejä sisällyttämis- ja poissulkemissuodattimien toiminnasta:
- Jos haluat vain havaita
Person
jaCar
, etkä välitä muista tunnisteista, voit määrittää [“Person”,”Car”
] sisäänLabelsInclusionFilter
. - Jos haluat havaita kaikki tarrat paitsi
Clothing
, voit määrittää [“Clothing”
] sisäänLabelsExclusionFilter
. - Jos haluat havaita vain tunnisteet
Animal and Pets
luokat paitsiDog
jaCat
, voit määrittää ["Animal and Pets"
] kohdassaLabelCategoriesInclusionFilter
, kanssa ["Dog", "Cat"
] sisäänLabelsExclusionFilter
. - Jos tarra on määritetty kohdassa
LabelsInclusionFilter
orLabelsExclusionFilter
, niiden aliakset sisällytetään tai jätetään pois vastaavasti, koskaaliases
on nimikkeiden alataksonomia. Esimerkiksi koskaAutomobile
on aliasCar
, jos määritätCar
inLabelsInclusionFilter
, API palauttaaCar
etiketti kanssaAutomobile
vuonnaaliases
ala.
Yhteenveto
Amazon Rekognition Labels tunnistaa 600 uutta tarraa ja parantaa yli 2,000 XNUMX olemassa olevan tarran tarkkuutta. Näiden päivitysten myötä Amazon Rekognition Labels tukee nyt kuvan ominaisuuksia, aliaksia ja luokkia sekä sisällyttämistä ja sisällyttämistä koskevia suodattimia.
Voit kokeilla uutta tarrantunnistusmallia sen uusilla ominaisuuksilla kirjautumalla sisään AWS-tilillesi ja tutustumalla Amazon-tunnistuskonsoli tarran tunnistukseen ja kuvan ominaisuuksiin. Lisätietoja on osoitteessa Tunnistetaan tarroja.
Tietoja kirjoittajista
Maria Handoko on AWS:n tuotepäällikkö. Hän keskittyy auttamaan asiakkaita ratkaisemaan liiketoiminnan haasteita koneoppimisen ja tietokonenäön avulla. Vapaa-ajallaan hän harrastaa patikointia, podcastien kuuntelua ja eri keittiöiden tutkimista.
Shipra Kanoria on AWS:n päätuotepäällikkö. Hän haluaa auttaa asiakkaita ratkaisemaan monimutkaisimmat ongelmansa koneoppimisen ja tekoälyn avulla. Ennen AWS:ään liittymistään Shipra vietti yli 4 vuotta Amazon Alexassa, jossa hän lanseerasi monia tuottavuuteen liittyviä ominaisuuksia Alexa voice assistantissa.
- AI
- ai taide
- ai taiteen generaattori
- ai robotti
- Amazonin tunnistus
- tekoäly
- tekoälyn sertifiointi
- tekoäly pankkitoiminnassa
- tekoäly robotti
- tekoälyrobotit
- tekoälyohjelmisto
- AWS-koneoppiminen
- blockchain
- blockchain-konferenssi ai
- coingenius
- keskustelullinen tekoäly
- kryptokonferenssi ai
- dall's
- syvä oppiminen
- google ai
- koneoppiminen
- Platon
- plato ai
- Platonin tietotieto
- Platon peli
- PlatonData
- platopeliä
- mittakaava ai
- syntaksi
- zephyrnet