Amazon Rekognition mukautetut etiketit on täysin hallittu tietokonenäköpalvelu, jonka avulla kehittäjät voivat rakentaa mukautettuja malleja kuvien kohteiden luokittelemiseksi ja tunnistamiseksi, jotka ovat erityisiä ja ainutlaatuisia yrityksellesi. Rekognition Custom Labels ei vaadi aikaisempaa tietokonenäköosaamista. Voit esimerkiksi löytää logosi sosiaalisen median postauksista, tunnistaa tuotteesi kauppojen hyllyiltä, luokitella koneenosia kokoonpanolinjalle, erottaa terveet ja tartunnan saaneet kasvit tai havaita animoituja hahmoja videoista.
Mukautetun mallin kehittäminen kuvien analysointia varten on merkittävä urakka, joka vaatii aikaa, asiantuntemusta ja resursseja ja kestää usein kuukausia. Lisäksi se vaatii usein tuhansia tai kymmeniä tuhansia käsin merkittyjä kuvia tarjotakseen mallille tarpeeksi tietoa, jotta se voi tehdä tarkkoja päätöksiä. Näiden tietojen luominen voi kestää kuukausia kerätä, ja se vaatii suuria merkintätiimejä valmistelemaan sitä käytettäväksi koneoppimisessa (ML).
Rekognition Custom Labels perustuu olemassa oleviin ominaisuuksiin Amazonin tunnistus, jotka on jo koulutettu kymmeniin miljooniin kuviin useissa luokissa. Tuhansien kuvien sijaan sinun tarvitsee vain ladata pieni joukko harjoituskuvia (yleensä muutama sata kuvaa tai vähemmän), jotka ovat omia käyttötapauksiasi Amazon Rekognition -konsolin avulla. Jos kuvat on jo merkitty, voit aloittaa mallin harjoittamisen muutamalla napsautuksella. Jos ei, voit merkitä ne suoraan Rekognition Custom Labels -konsolissa tai käyttää Amazon SageMaker Ground Totuus merkitsemään niitä. Rekognition Custom Labels käyttää siirtooppimista automaattisesti harjoitustietojen tarkastamiseen, oikean mallikehyksen ja algoritmin valitsemiseen, hyperparametrien optimointiin ja mallin kouluttamiseen. Kun olet tyytyväinen mallin tarkkuuteen, voit aloittaa koulutetun mallin isännöinnin yhdellä napsautuksella.
Tänään meillä on ilo ilmoittaa Rekognition Custom Labels -mallin kopiointiominaisuuden julkaisemisesta. Tämän ominaisuuden avulla voit kopioida Rekognition Custom Labels -mallejasi eri projekteihin, jotka voivat olla samalla AWS-tilillä tai AWS-tileillä samalla AWS-alueella, ilman että malleja on koulutettava uudelleen alusta. Tämä uusi ominaisuus helpottaa Rekognition Custom Labels -mallien siirtämistä eri ympäristöissä, kuten kehitys-, laadunvarmistus-, integraatio- ja tuotantoympäristöissä ilman, että sinun tarvitsee kopioida alkuperäisiä koulutus- ja testitietojoukkoja ja kouluttaa mallia uudelleen. Voit käyttää AWS-komentoriviliitäntä (AWS CLI) kopioidaksesi koulutettuja malleja projekteihin, jotka voivat olla samalla AWS-tilillä tai AWS-tilien välillä.
Tässä viestissä näytämme kuinka kopioida malleja eri AWS-tilien välillä samalla AWS-alueella.
Mallin kopiointiominaisuuden edut
Tällä uudella ominaisuudella on seuraavat edut:
- Usean tilin ML-Opsin parhaat käytännöt – Voit kouluttaa mallin kerran ja varmistaa ennustettavan käyttöönoton johdonmukaisilla tuloksilla useilla eri ympäristöihin, kuten kehitys-, laadunvarmistus-, integraatio- ja tuotantoympäristöihin kartoitetuilla tileillä, jolloin voit seurata ML-Opsin parhaita käytäntöjä organisaatiossasi.
- Kustannussäästöt ja nopeampi käyttöönotto – Voit kopioida koulutetun mallin nopeasti tilien välillä välttäen uudelleenkoulutukseen kuluvan ajan jokaisella tilillä ja säästäen mallin uudelleenkoulutuskustannuksissa.
- Suojaa arkaluonteisia tietojoukkoja – Sinun ei enää tarvitse jakaa tietojoukkoja eri AWS-tilien tai käyttäjien välillä. Harjoitustietojen on oltava saatavilla vain sillä AWS-tilillä, jolla malliharjoittelu suoritetaan. Tämä on erittäin tärkeää tietyillä toimialoilla, joilla tietojen eristäminen on välttämätöntä liiketoiminta- tai sääntelyvaatimusten täyttämiseksi.
- Helppoa yhteistyötä – Kumppanit tai toimittajat voivat nyt helposti kouluttaa Amazon Rekognition Custom Labels -mallia omalla AWS-tilillään ja jakaa mallit käyttäjien kanssa AWS-tileillä.
- Johdonmukainen suoritus – Mallin suorituskyky on nyt yhtenäinen eri AWS-tileillä. Mallin koulutus on yleensä epädeterminististä, ja kaksi samalla tietojoukolla koulutettua mallia ei takaa samoja suorituskykypisteitä ja samoja ennusteita. Mallin kopioiminen auttaa varmistamaan, että kopioidun mallin käyttäytyminen on yhdenmukainen lähdemallin kanssa, jolloin mallia ei tarvitse testata uudelleen.
Ratkaisun yleiskatsaus
Seuraava kaavio kuvaa ratkaisuarkkitehtuuriamme.
Tämä viesti olettaa, että sinulla on koulutettu Rekognition Custom Labels -malli lähdetililläsi. Katso ohjeet kohdasta Kouluta räätälöity yhden luokan kohteiden tunnistusmalli Amazon Rekognition Custom Labels -sovelluksella. Tässä viestissä käytimme Rekognition Custom Labelsin kuvaluokitus "Huoneet" -projektia esimerkkiprojektiluettelo ja koulutti huoneluokitusmallin lähdetilillä luokittelemaan kuvia keittiöistä, kylpyhuoneista, olohuoneista ja muista.
Mallin kopiointiominaisuuden toimivuuden osoittamiseksi käymme läpi seuraavat vaiheet lähdetilissä:
- Käynnistä malli ja suorita päätelmät esimerkkikuvista.
- Määritä resurssipohjainen käytäntö, joka sallii tilien välisen käytön Rekognitionin mukautettujen tunnisteiden mallin kopioimiseksi.
Sitten kopioimme lähdemallin kohdetilille.
- Luo Amazonin yksinkertainen tallennuspalvelu (Amazon S3) kauha, joka toimii mallin arvioinnin ja suorituskykytilastojen säiliönä.
- Luo projekti.
- Kopioi koulutettu malli lähdetililtä kohdetilille.
- Käynnistä malli ja suorita päättely esimerkkikuvista.
- Varmista, että päättelytulokset vastaavat lähdetilimallin tuloksia.
Edellytykset
Sen lisäksi, että lähdetililläsi on koulutettu malli, varmista, että suoritat seuraavat ehdot:
- Asenna AWS CLI V2.
- Määritä AWS CLI seuraavalla koodilla ja anna alueesi:
- Suorita seuraavat komennot varmistaaksesi, että paikalliseen isäntään on asennettu AWS CLI -versio 2.xx:
- Päivitä alla oleva AWS-tunnistetiedosto
$HOME/.aws/credentials
seuraavalla merkinnällä: - Hanki
ProjectArn
jaProjectVersionArn
lähde-AWS-tilille.ProjectArn
on lähdemalliisi liittyvä projekti.ProjectVersionArn
on mallin versio, jonka haluat kopioida kohdetiliin. LöydätSourceProjectArn
käyttämällä seuraavaa komentoa:Jos näet useita tulostusrivejä, valitse
ProjectArn
liittyy kopioitavaan malliin.Voit löytää
SourceProjectVersionArn
mallille, jonka olet kouluttanut käyttämälläSourceProjectArn
(edellinen tuloste). KorvataSourceProjectArn
seuraavassa komennossa:Komento palauttaa
SourceProjectVersionArn
. Jos näet useita tulostusrivejä, valitseProjectVersionArn
kiinnostusta.
Olet nyt valmis suorittamaan vaiheet ratkaisun toteuttamiseksi. Korvaa arvot SourceProjectArn
ja SourceProjectVersionArn
seuraavissa komennoissa luomillasi arvoilla.
1. Käynnistä malli ja suorita päättely esimerkkikuvista
Aloita malli kirjoittamalla lähdetilille seuraava koodi:
Kun malli on isännöity ja käynnissä, voit suorittaa päättelyn.
Käytimme seuraavia kuvia (demo1.jpeg ja demo2.jpeg) johtopäätöksen tekemiseen. Nämä kuvat sijaitsevat paikallisessa tiedostojärjestelmässämme samassa hakemistossa, josta AWS CLI -komennot ajetaan.
Seuraava kuva on demo1.jpeg, jossa näkyy takapiha.
Katso seuraava päättelykoodi ja tulos:
Seuraava kuva on demo2.jpeg, jossa näkyy makuuhuone.
Katso seuraava päättelykoodi ja tulos:
Päättelytulokset osoittavat, että kuva kuuluu luokkiin backyard
ja bedroom
, joiden luottamuspisteet ovat 45.77 ja 61.84.
2. Määritä IAM-resurssikäytäntö koulutetulle mallille, jotta tilien välinen käyttö sallitaan
Luo resurssipohjainen IAM-käytäntö suorittamalla seuraavat vaiheet lähdetilillä:
- Salli tietyn AWS-tilisi käyttää resursseja käyttämällä toimitettua IAM-resurssikäytäntöä (lisätietoja on kohdassa Projektipolitiikan asiakirjan luominen. Korvaa arvot kohteelle
TargetAWSAccountId
jaSourceProjectVersionArn
seuraavassa politiikassa: - Liitä käytäntö lähdetilin projektiin kutsumalla seuraava komento.
korvata
SourceProjectArn
,PolicyName
,TargetAWSAccountId
jaSourceProjectVersionArn
.Tulos näyttää luodun käytännön versiotunnuksen:
Nyt olemme valmiita kopioimaan koulutetun mallin lähdetililtä kohdetilille.
3. Luo kohdetilille S3-ryhmä
Voit käyttää tililläsi olemassa olevaa S3-säilöä tai luoda uuden S3-säiön. Tätä viestiä varten kutsumme tätä S3-kauhaksi DestinationS3Bucket
.
4. Luo uusi Rekognition Custom Labels -projekti
Luo uusi projekti seuraavalla koodilla:
Tämä luo a TargetProjectArn
kohdetilillä:
Huomaa kohdeprojektin arvo ProjectArn
ala. Käytämme tätä arvoa seuraavassa kopiomalli-komennossa.
5. Kopioi malli lähdetililtä kohdetilille
Ilmoita lähde ja kohde ProjectArn
, lähde ProjectVersionArn
, ja kohde S3-säilö ja S3-avainetuliite seuraavassa koodissa:
Tämä luo kopioidun mallin TargetProjectVersionArn
kohdetilillä. The TargetVersionName
meidän tapauksessamme on nimetty copy_rooms_1
:
Tarkista mallin kopiointiprosessin tila:
Mallin kopio lähdetilistä kohdetilille on valmis, kun Status
muuttuu COPYING_COMPLETED
:
6. Käynnistä malli ja suorita päättely
Syötä seuraava koodi aloittaaksesi mallin kohdetilillä:
Tarkista mallin tila:
Malli on nyt isännöity ja käynnissä:
Suorita johtopäätös seuraavalla koodilla:
7. Tarkista, että päättelytulokset täsmäävät
Kohdetilin kuvien demo1.jpg ja demo2.jpg luokkien ja luottamuspisteiden tulee vastata lähdetilin tuloksia.
Yhteenveto
Tässä viestissä esitimme Rekognition Custom Label -mallin kopiointiominaisuuden. Tämän ominaisuuden avulla voit kouluttaa luokittelu- tai objektintunnistusmallin yhdessä tilissä ja sitten jakaa mallin toisen tilin kanssa samalla alueella. Tämä yksinkertaistaa usean tilin strategiaa, jossa mallia voidaan kouluttaa kerran ja jakaa tilien välillä samalla alueella ilman, että koulutustietojoukkoja on koulutettava uudelleen tai jaettava. Tämä mahdollistaa ennakoitavan käyttöönoton jokaisella tilillä osana MLOps-työnkulkuasi. Lisätietoja on kohdassa Amazon Rekognition Custom Labels -mallin kopioiminen, tai kokeile tämän viestin läpikäyntiä pilvikuorella AWS CLI:n kanssa.
Tätä kirjoittaessa Amazon Rekognition Custom Labelsin mallikopioominaisuus on saatavilla seuraavilla alueilla:
- Yhdysvaltojen itäosa (Ohio)
- Yhdysvaltojen itä (N. Virginia)
- Länsi-USA (Oregon)
- Aasian ja Tyynenmeren alue (Mumbai)
- Aasian ja Tyynenmeren alue (Soul)
- Aasian ja Tyynenmeren alue (Singapore)
- Aasia ja Tyynenmeren alue (Sydney)
- Aasian ja Tyynenmeren alue (Tokio)
- EU (Frankfurt)
- EU (Irlanti)
- EU (Lontoo)
Kokeile ominaisuutta ja lähetä meille palautetta joko osoitteessa AWS-foorumi Amazon Rekognitionille tai AWS-tukiyhteystietojesi kautta.
Tietoja kirjoittajista
Amit Gupta on AWS:n vanhempi AI-palveluratkaisuarkkitehti. Hän haluaa tarjota asiakkailleen hyvin suunniteltuja koneoppimisratkaisuja laajassa mittakaavassa.
Yogesh Chaturvedi on AWS:n ratkaisuarkkitehti, joka keskittyy tietokonenäköön. Hän työskentelee asiakkaiden kanssa vastatakseen heidän liiketoiminnan haasteisiinsa pilviteknologioiden avulla. Työn ulkopuolella hän pitää vaeltamisesta, matkustamisesta ja urheilun katselusta.
Aakash Deep on vanhempi ohjelmistosuunnittelija, jolla on AWS. Hän nauttii työskentelystä tietokonenäön, tekoälyn ja hajautettujen järjestelmien parissa. Työn ulkopuolella hän pitää vaeltamisesta ja matkustamisesta.
Pashmeen Mistry on Amazon Rekognition Custom Labels -tuotepäällikkö. Työn ulkopuolella Pashmeen nauttii seikkailunhaluisista vaelluksista, valokuvaamisesta ja perheen kanssa viettämisestä.
- 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