Viime vuosikymmenen aikana tietokonenäön käyttötapaukset ovat olleet kasvava trendi erityisesti sellaisilla aloilla kuin vakuutus, autoteollisuus, verkkokauppa, energia, vähittäiskauppa, valmistus ja muilla aloilla. Asiakkaat rakentavat tietokonenäön koneoppimismalleja (ML) tuodakseen toiminnan tehokkuutta ja automaatiota prosesseihinsa. Tällaiset mallit auttavat automatisoimaan kuvien luokittelun tai kiinnostavien kohteiden havaitsemisen kuvissa, jotka ovat erityisiä ja ainutlaatuisia yrityksellesi.
ML-mallin rakennusprosessin yksinkertaistamiseksi esittelimme Amazon SageMaker JumpStart joulukuussa 2020. JumpStart auttaa sinua pääsemään nopeasti ja helposti alkuun ML:n kanssa. Se tarjoaa yhdellä napsautuksella käyttöönoton ja hienosäädön laajalle valikoimalle esikoulutettuja malleja sekä valikoiman päästä päähän -ratkaisuja. Tämä poistaa raskaan noston jokaisesta ML-prosessin vaiheesta, mikä helpottaa korkealaatuisten mallien kehittämistä ja lyhentää käyttöönottoon kuluvaa aikaa. Se vaatii kuitenkin jonkin verran aiempaa tietämystä, jotta voit valita mallin yli 200 esikoulutetun tietokonenäkömallin luettelosta. Sitten sinun on vertailtava mallin suorituskykyä eri hyperparametriasetuksilla ja valittava paras malli käyttöön tuotannossa.
Yksinkertaistaaksemme tätä kokemusta ja antaaksemme kehittäjille, joilla on vain vähän tai ei lainkaan ML-asiantuntemusta, voivat rakentaa mukautettuja tietokonenäkömalleja, julkaisemme JumpStartissa uuden esimerkkimuistikirjan, joka käyttää Amazon Rekognition mukautetut etiketit, täysin hallittu palvelu mukautettujen tietokonenäkömallien rakentamiseen. Rekognition Custom Labels rakentuu valmiiksi koulutetuista malleista Amazonin tunnistus, jotka on jo koulutettu käyttämään kymmeniä miljoonia kuvia useissa luokissa. Tuhansien kuvien sijaan voit aloittaa pienellä harjoituskuvien sarjalla (muutama sata tai vähemmän), jotka ovat omia käyttötapauksiasi. Rekognition Custom Labels poistaa mukautetun mallin rakentamiseen liittyvän monimutkaisuuden. Se tarkastaa automaattisesti harjoitustiedot, valitsee oikeat ML-algoritmit, valitsee ilmentymän tyypin, kouluttaa useita ehdokasmalleja erilaisilla hyperparametreillä ja tulostaa parhaiten koulutetun mallin. Rekognition Custom Labels tarjoaa myös helppokäyttöisen käyttöliittymän AWS-hallintakonsoli koko ML-työnkulkua varten, mukaan lukien kuvien merkitseminen, koulutus, mallin käyttöönotto ja testitulosten visualisointi.
Tämä JumpStartin esimerkkimuistikirja Rekognition Custom Labels -tunnisteiden avulla ratkaisee minkä tahansa kuvien luokittelun tai objektin havaitsemisen tietokonenäön ML-tehtävän, mikä tekee siitä helppoa asiakkaille, jotka tuntevat Amazon Sage Maker rakentaa tietokonenäköratkaisu, joka sopii parhaiten käyttötilanteeseesi, vaatimuksiisi ja osaamiseesi.
Tässä viestissä tarjoamme vaiheittaiset ohjeet tämän esimerkkimuistikirjan käyttämiseen JumpStartissa. Muistikirja näyttää, kuinka Rekognition Custom Labelsin olemassa olevia koulutus- ja päättelysovellusliittymiä voidaan helposti käyttää kuvien luokittelumallin, usean tunnisteen luokitusmallin ja objektintunnistusmallin luomiseen. Jotta pääset helposti alkuun, olemme toimittaneet esimerkkitietojoukot jokaiselle mallille.
Kouluta ja ota tietokonenäkömalli käyttöön Rekognition Custom Labels -tunnisteiden avulla
Tässä osiossa paikannamme halutun muistikirjan JumpStartissa ja näytämme kuinka harjoitella ja suorittaa päätelmiä käyttöönotetusta päätepisteestä.
Aloitetaan kohdasta Amazon SageMaker Studio Käynnistysohjelma.
- Valitse Studio Launcherissa Siirry SageMaker JumpStartiin.
JumpStart-aloitussivulla on osiot ratkaisujen, tekstimallien ja visiomallien karuselleille. Siinä on myös hakupalkki. - Kirjoita hakukenttään
Rekognition Custom Labels
Ja valitse Tunnustuksen mukautetut etiketit Visionille muistikirja.
Muistikirja avautuu vain luku -tilassa. - Valita Tuo muistikirja tuodaksesi muistikirjan ympäristöösi.
Muistikirja tarjoaa vaiheittaisen oppaan harjoitteluun ja juoksemiseen päätelmien tekemiseen JumpStart-konsolin Rekognition Custom Labels -tunnisteiden avulla. Se tarjoaa seuraavat neljä esimerkkitietojoukkoa, jotka osoittavat yhden ja usean etiketin kuvien luokittelun ja objektien havaitsemisen.
-
- Yhden etiketin kuvaluokitus – Tämä tietojoukko osoittaa, kuinka kuvat luokitellaan kuuluviksi johonkin ennalta määritetyistä tarroista. Esimerkiksi kiinteistöyhtiöt voivat käyttää Rekognition Custom Labels -merkintöjä kuviensa luokitteluun olohuoneista, takapihoista, makuuhuoneista ja muista kotitalouksien paikoista. Seuraava on esimerkkikuva tästä tietojoukosta, joka sisältyy muistikirjaan.
- Usean etiketin kuvien luokittelu – Tämä tietojoukko osoittaa, kuinka kuvat luokitellaan useisiin luokkiin, kuten kukan väriin, kokoon, tekstuurin ja tyypin mukaan. Esimerkiksi kasvinviljelijät voivat käyttää Rekognition Custom Labels -tunnisteita erottaakseen erityyppiset kukat ja sen, ovatko ne terveitä, vahingoittuneita tai tartunnan saaneita. Seuraava kuva on esimerkki tästä tietojoukosta.
- Objektien havaitseminen – Tämä tietojoukko osoittaa objektien lokalisoinnin tuotanto- tai valmistuslinjoilla käytettyjen osien paikallistamiseksi. Esimerkiksi elektroniikkateollisuudessa Rekognition Custom Labels voi auttaa laskemaan piirilevyllä olevien kondensaattorien määrän. Seuraava kuva on esimerkki tästä tietojoukosta.
- Merkkien ja logojen tunnistus – Tämä tietojoukko osoittaa logojen tai tuotemerkkien paikantamisen kuvassa. Esimerkiksi mediateollisuudessa esineentunnistusmalli voi auttaa tunnistamaan sponsorin logojen sijainnin valokuvissa. Seuraava on esimerkkikuva tästä tietojoukosta.
- Yhden etiketin kuvaluokitus – Tämä tietojoukko osoittaa, kuinka kuvat luokitellaan kuuluviksi johonkin ennalta määritetyistä tarroista. Esimerkiksi kiinteistöyhtiöt voivat käyttää Rekognition Custom Labels -merkintöjä kuviensa luokitteluun olohuoneista, takapihoista, makuuhuoneista ja muista kotitalouksien paikoista. Seuraava on esimerkkikuva tästä tietojoukosta, joka sisältyy muistikirjaan.
- Noudata muistikirjan ohjeita suorittamalla jokainen solu.
Tämä muistikirja osoittaa, kuinka voit käyttää yhtä muistikirjaa sekä kuvien luokittelun että objektien havaitsemisen käyttötapauksiin Rekognitionin mukautetun etiketin sovellusliittymien avulla.
Kun jatkat muistikirjan käyttöä, sinulla on mahdollisuus valita jokin edellä mainituista esimerkkitietojoukoista. Suosittelemme, että yrität käyttää muistikirjaa jokaiselle tietojoukolle.
Yhteenveto
Tässä viestissä näytimme sinulle, kuinka voit käyttää Rekognition Custom Labels -sovellusliittymiä kuvien luokittelun tai objektien havaitsemisen tietokonenäkömallin luomiseen kuvien kohteiden luokittelemiseksi ja tunnistamiseksi, jotka ovat erityisiä yrityksesi tarpeita. Voit kouluttaa mallin aloittamalla tarjoamalla kymmeniä tai satoja merkittyjä kuvia tuhansien sijaan. Rekognition Custom Labels yksinkertaistaa mallin koulutusta huolehtimalla parametrien valinnoista, kuten koneen tyypistä, algoritmityypistä tai algoritmikohtaisista hyperparametreistä (mukaan lukien verkon kerrosten lukumäärä, oppimisnopeus ja eräkoko). Rekognition Custom Labels yksinkertaistaa myös koulutetun mallin isännöintiä ja tarjoaa yksinkertaisen toiminnon päätelmien tekemiseen opetetun mallin kanssa.
Rekognition Custom Labels tarjoaa helppokäyttöisen konsolikokemuksen koulutusprosessiin, mallinhallintaan ja tietojoukon kuvien visualisointiin. Kannustamme sinua oppimaan lisää Tunnustuksen mukautetut tarrat ja kokeile sitä yrityskohtaisten tietojoukkojen kanssa.
Aloita siirtymällä Rekognition Custom Labels -esimerkkimuistikirjaan SageMaker JumpStart.
Tietoja Tekijät
Pashmeen Mistry on Amazon Rekognition Custom Labels -tuotepäällikkö. Työn ulkopuolella Pashmeen nauttii seikkailunhaluisista vaelluksista, valokuvaamisesta ja perheen kanssa viettämisestä.
Abhishek Gupta on AWS:n vanhempi AI-palveluratkaisuarkkitehti. Hän auttaa asiakkaita suunnittelemaan ja toteuttamaan tietokonenäköratkaisuja.
- Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
- CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
- Lähde: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- abstrakteja
- poikki
- osoite
- AI
- Tekoälyn palvelut
- algoritmi
- algoritmit
- jo
- Amazon
- API
- automatisoida
- Automaatio
- Automotive
- AWS
- benchmark
- PARAS
- hallitus
- merkit
- rakentaa
- Rakentaminen
- rakentaa
- liiketoiminta
- Voi saada
- ehdokkaat
- joka
- tapauksissa
- valintoja
- Valita
- luokittelu
- Yritykset
- tietokone
- Console
- luoda
- asiakassuhde
- Asiakkaat
- tiedot
- vuosikymmen
- osoittaa
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- Malli
- Detection
- kehittää
- kehittäjille
- eri
- helposti
- helppo käyttää
- verkkokaupan
- Elektroniikka
- kannustaa
- päätepiste
- energia
- enter
- ympäristö
- erityisesti
- omaisuus
- esimerkki
- olemassa
- experience
- asiantuntemus
- perhe
- jälkeen
- Kasvava
- ohjaavat
- auttaa
- auttaa
- korkealaatuisia
- hotellit
- talous
- Miten
- Miten
- Kuitenkin
- HTTPS
- Sadat
- tunnistaa
- kuva
- toteuttaa
- mukana
- Mukaan lukien
- teollisuuden
- teollisuus
- vakuutus
- korko
- liitäntä
- osallistuva
- IT
- tuntemus
- merkinnät
- tarrat
- OPPIA
- oppiminen
- nosto
- vähän
- elävät
- sijainti
- sijainnit
- logo
- kone
- koneoppiminen
- Tekeminen
- onnistui
- johto
- johtaja
- valmistus
- Media
- miljoonia
- ML
- malli
- mallit
- lisää
- moninkertainen
- tarpeet
- verkko
- muistikirja
- numero
- avautuu
- toiminta
- Vaihtoehto
- Muut
- osa
- suorituskyky
- esittävä
- valokuvaus
- prosessi
- Prosessit
- Tuotteet
- tuotanto
- toimittaa
- tarjoaa
- tarjoamalla
- nopeasti
- kiinteistöt
- vähentämällä
- vaatimukset
- Vaatii
- tulokset
- vähittäiskauppa
- Huoneet
- ajaa
- juoksu
- Haku
- palvelu
- Palvelut
- setti
- Yksinkertainen
- Koko
- pieni
- ratkaisu
- Ratkaisumme
- Ratkaisee
- jonkin verran
- menot
- sponsori
- Alkaa
- alkoi
- studio
- ottaen
- testi
- tuhansia
- aika
- koulutus
- junat
- tyypit
- unique
- käyttää
- lajike
- visio
- visualisointi
- sisällä
- Referenssit