Käytä tietokonenäköä maatalouden sadon mittaamiseen Amazon Rekognitionin mukautetuilla tarroilla

Maatalousalalla puussa olevien hedelmien määrän tunnistamisen ja laskemisen ongelma on tärkeä rooli sadon arvioinnissa. Yleistymässä on puun vuokraus- ja liisauskäsite, jossa puun omistaja vuokraa puun joka vuosi ennen sadonkorjuuta arvioituun hedelmäsatoon perustuen. Yleinen käytäntö laskea hedelmiä käsin on aikaa vievä ja työvoimavaltainen prosessi. Se on yksi vaikeimmista mutta tärkeimmistä tehtävistä parempien tulosten saavuttamiseksi sadonhallintajärjestelmässäsi. Tämä hedelmien ja kukkien määrän arvio auttaa viljelijöitä tekemään parempia päätöksiä – ei vain leasinghintojen, vaan myös viljelykäytäntöjen ja kasvitautien ehkäisyn suhteen.

Tässä automatisoitu koneoppimisratkaisu (ML) tietokonenäön (CV) käyttöön voi auttaa maanviljelijöitä. Amazon Rekognition mukautetut etiketit on täysin hallittu tietokonenäköpalvelu, jonka avulla kehittäjät voivat rakentaa mukautettuja malleja yrityksellesi ominaisten ja ainutlaatuisten kuvien kohteiden luokittelemiseksi ja tunnistamiseksi.

Rekognition Custom Labels ei vaadi aikaisempaa tietokonenäköosaamista. Voit aloittaa lataamalla kymmeniä kuvia tuhansien sijaan. 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.

Tässä viestissä esittelemme, kuinka voit rakentaa kokonaisvaltaisen ratkaisun käyttämällä Rekognition Custom Labels -tunnisteita hedelmien havaitsemiseen ja laskemiseen maatalouden sadon mittaamiseksi.

Ratkaisun yleiskatsaus

Luomme mukautetun mallin hedelmien tunnistamiseksi seuraavien vaiheiden avulla:

1. Merkitse tietojoukko hedelmiä sisältävillä kuvilla käyttämällä Amazon SageMaker Ground Totuus.
2. Luo projekti Rekognition Custom Labels -sovelluksessa.
3. Tuo merkitty tietojoukko.
4. Harjoittele mallia.
5. Testaa uusi mukautettu malli automaattisesti luodun API-päätepisteen avulla.

Rekognition Custom Labelsin avulla voit hallita ML-mallin koulutusprosessia Amazon Rekognition -konsolissa, mikä yksinkertaistaa mallin kokonaiskehitystä ja päättelyprosessia.

Edellytykset

Maatalouden sadonmittausmallin luomiseksi sinun on ensin valmisteltava tietojoukko, jolla mallia harjoitetaan. Tätä viestiä varten tietojoukkomme koostuu hedelmien kuvista. Seuraavissa kuvissa on esimerkkejä.

Hankimme kuvat omasta puutarhastamme. Voit ladata kuvatiedostoja osoitteesta GitHub repo.

Tässä viestissä käytämme vain kourallista kuvia esitelläksemme hedelmäsadon käyttötapausta. Voit kokeilla lisää kuvilla.

Valmistele tietojoukko seuraavasti:

1. Luo Amazonin yksinkertainen tallennuspalvelu (Amazon S3)-kauha.
2. Luo kaksi kansiota tähän ämpäriin, ns raw_data ja test_data, kuvien tallentamiseen etiketöintiä ja mallin testausta varten.
3. Valita Lataa ladataksesi kuvat vastaaviin kansioihinsa GitHub-reposta.
   

Ladattuja kuvia ei ole merkitty. Merkitse kuvat seuraavassa vaiheessa.

Merkitse tietojoukkosi Ground Truthilla

ML-mallin kouluttamiseen tarvitaan merkittyjä kuvia. Ground Truth tarjoaa helpon prosessin kuvien merkitsemiseen. Merkintätehtävän suorittaa ihmistyövoima; tässä viestissä luot yksityisen työvoiman. Voit käyttää Amazon Mechanical Turk mittakaavassa merkitsemistä varten.

Luo merkintätyövoima

Luodaan ensin merkintätyövoimamme. Suorita seuraavat vaiheet:

1. SageMaker-konsolin kohdassa Maa totuus valitse siirtymisruudussa Työvoiman merkitseminen.
2. On yksityinen välilehti, valitse Luo yksityinen joukkue.
   
3. varten Joukkueen nimi, anna nimi työvoimallesi (tätä viestiä varten, labeling-team).
4. Valita Luo yksityinen joukkue.
   
5. Valita Kutsu uusia työntekijöitä.
   
   
6. In Lisää työntekijöitä sähköpostiosoitteen mukaan -osioon, kirjoita työntekijöidesi sähköpostiosoitteet. Kirjoita tähän viestiin oma sähköpostiosoitteesi.
7. Valita Kutsu uusia työntekijöitä.
   

Olet luonut merkintätyövoiman, jota käytät seuraavassa vaiheessa luodessasi merkintätyötä.

Luo Ground Truth -merkintätyö

Suorita merkintätyösi suorittamalla seuraavat vaiheet:

1. SageMaker-konsolin kohdassa Maa totuus, valitse Työn merkitseminen.
2. Valita Luo merkintätyö.
   
3. varten Työn nimi, tulla sisään fruits-detection.
4. valita Haluan määrittää etiketin määritteen nimen, joka poikkeaa etikettityön nimestä.
5. varten Tunnisteen määritteen nimitulla sisään Labels.
6. varten Syötetietojen asetuksetvalitse Automaattinen tietojen määritys.
7. varten S3 sijainti syöttötietojoukoille, syötä kuvien S3-sijainti käyttämällä aiemmin luomaasi ämpäri (s3://{your-bucket-name}/raw-data/images/).
8. varten S3 sijainti lähtötietojoukoillevalitse Määritä uusi sijainti ja syötä merkintätietojen tulostussijainti (s3://{your-bucket-name}/annotated-data/).
9. varten Tietotyyppi, valitse Kuva.
10. Valita Täydellinen tietojen määritys.
    Tämä luo kuvaluettelotiedoston ja päivittää S3-syöttöpaikan polun. Odota viestiä "Input data connection failed."
    
11. Laajentaa Lisäkokoonpano.
12. Vahvista tuo Täysi tietojoukko on valittu.
    Tätä käytetään määrittämään, haluatko antaa kaikki kuvat tarratyöhön vai suodattimiin tai satunnaisotantaan perustuvan kuvien osajoukon.
    
13. varten Tehtäväluokka, valitse Kuva koska tämä on kuvan merkintätehtävä.
14. Koska tämä on kohteen havaitsemisen käyttötapaus Tehtävän valintavalitse Rajoituslaatikko.
15. Jätä muut vaihtoehdot oletusasetuksiksi ja valitse seuraava.
    
16. Valita seuraava.
    
    Nyt määrität työntekijät ja määrität merkintätyökalun.
17. varten Työntekijätyypitvalitse yksityinen.Tässä viestissä käytät sisäistä työvoimaa kuvien merkitsemiseen. Sinulla on myös mahdollisuus valita julkinen sopimustyövoima (Amazon Mechanical Turk) tai kumppanityövoimaa (Myyjä hoiti) käyttötapauksestasi riippuen.
18. Yksityisille joukkueille¸ valitse aiemmin luomasi tiimi.
19. Jätä muut vaihtoehdot oletusasetuksiksi ja vieritä alas kohtaan Rajoituslaatikon merkintätyökalu.On tärkeää antaa selkeät ohjeet tässä merkintätyökalussa yksityiselle etikettitiimille. Nämä ohjeet toimivat oppaana merkintöjen kirjoittajille. Hyvät ohjeet ovat ytimekkäitä, joten suosittelemme rajoittamaan sanalliset tai tekstilliset ohjeet kahteen lauseeseen ja keskittymään visuaalisiin ohjeisiin. Kuvien luokittelun tapauksessa suosittelemme antamaan jokaiseen luokkaan yksi merkitty kuva osana ohjeita.
20. Lisää kaksi tunnistetta: fruit ja no_fruit.
21. Syötä yksityiskohtaiset ohjeet kohtaan Kuvauskenttä annettava ohjeita työntekijöille. Esimerkiksi: You need to label fruits in the provided image. Please ensure that you select label 'fruit' and draw the box around the fruit just to fit the fruit for better quality of label data. You also need to label other areas which look similar to fruit but are not fruit with label 'no_fruit'.Voit myös halutessasi tarjota esimerkkejä hyvistä ja huonoista merkintäkuvista. Sinun on varmistettava, että nämä kuvat ovat julkisesti saatavilla.
22. Valita luoda merkintätyön luomiseen.
    

Kun työ on luotu onnistuneesti, seuraava vaihe on merkitä syötetyt kuvat.

Aloita merkintätyö

Kun olet luonut työn onnistuneesti, työn tila on InProgress. Tämä tarkoittaa, että työpaikka luodaan ja yksityisille työntekijöille ilmoitetaan heille osoitetusta tehtävästä sähköpostitse. Koska olet määrittänyt tehtävän itsellesi, sinun pitäisi saada sähköposti, jossa on ohjeet kirjautuaksesi Ground Truth Labeling -projektiin.

1. Avaa sähköposti ja valitse annettu linkki.
2. Syötä sähköpostissa annettu käyttäjätunnus ja salasana.
   Saatat joutua vaihtamaan sähköpostissa antamasi väliaikaisen salasanan uuteen salasanaan kirjautumisen jälkeen.
3. Kun olet kirjautunut sisään, valitse työsi ja valitse Aloittaa työt.
   
   Voit käyttää mukana tulevia työkaluja lähentääksesi, loitontaaksesi, siirtääksesi ja piirtääksesi kuviin rajoitusruutuja.
4. Valitse etikettisi (fruit or no_fruit) ja piirrä sitten kuvaan rajoitusruutu huomautuksen lisäämiseksi.
5. Kun olet valmis, valitse Lähetä.

Nyt sinulla on oikein merkittyjä kuvia, joita ML-malli käyttää harjoitteluun.

Luo Amazon Rekognition -projektisi

Luodaksesi maatalouden tuottomittausprojektisi, suorita seuraavat vaiheet:

1. Valitse Amazon Rekognition -konsolissa Muokatut etiketit.
2. Valita Aloita.
3. varten Projektin nimi, tulla sisään fruits_yield.
4. Valita Luo hanke.
   

Voit myös luoda projektin Projektit sivu. Voit käyttää Projektit sivua navigointiruudun kautta. Seuraava vaihe on kuvien syöttäminen.

Tuo tietojoukkosi

Maatalouden tuottomittausmallin luomiseksi sinun on ensin tuotava tietojoukko, jolla mallia harjoitetaan. Tätä viestiä varten tietojoukkomme on jo merkitty Ground Truthilla.

1. varten Tuo kuviavalitse Tuo kuvat, joissa on SageMaker Ground Truth -merkintä.
   
2. varten Luettelotiedoston sijainti, kirjoita luettelotiedostosi S3-säihön sijainti (s3://{your-bucket-name}/fruits_image/annotated_data/fruits-labels/manifests/output/output.manifest).
3. Valita Luo tietojoukko.
   

Näet tunnistetulla tietojoukollasi.

Nyt sinulla on syöttötietojoukkosi ML-mallia varten, jotta voit aloittaa niiden harjoittamisen.

Kouluta malliasi

Kun olet merkinnyt kuvat, olet valmis kouluttamaan malliasi.

1. Valita Junamalli.
2. varten Valitse projekti, valitse projektisi fruits_yield.
3. Valita Junamalli.
   

Odota koulutuksen valmistumista. Nyt voit alkaa testata tämän koulutetun mallin suorituskykyä.

Testaa malliasi

Maatalouden tuottomittausmallisi on nyt käyttövalmis ja sen pitäisi olla käytössä Running osavaltio. Voit testata mallia suorittamalla seuraavat vaiheet:

Vaihe 1: Käynnistä malli

Mallin tietosivulla osoitteessa Käytä mallia välilehti, valitse Aloita.

Rekognition Custom Labels tarjoaa myös API-kutsut mallin käynnistämiseen, käyttämiseen ja pysäyttämiseen.

Vaihe 2: Testaa malli

Kun malli on Running tilassa, voit käyttää esimerkkitestauskomentosarjaa analyzeImage.py laskea hedelmämäärä kuvassa.

1. Lataa tämä skripti osoitteesta GitHub repo.
2. Korvaa parametri muokkaamalla tätä tiedostoa bucket ämpärinimelläsi ja model Amazon Rekognition -mallisi ARN kanssa.

Käytämme parametreja photo ja min_confidence syötteenä tälle Python-skriptille.

Voit suorittaa tämän skriptin paikallisesti käyttämällä AWS-komentoriviliitäntä (AWS CLI) tai käyttämällä AWS CloudShell. Esimerkissämme suoritimme komentosarjan CloudShell-konsolin kautta. Huomaa, että CloudShell on vapaasti käytettävä.

Varmista, että asennat tarvittavat riippuvuudet komennolla pip3 install boto3 PILLOW jos ei ole jo asennettu.

3. Lataa tiedosto analyzeImage.py CloudShelliin käyttämällä Toiminnot valikosta.
   

Seuraavassa kuvakaappauksessa näkyy tulos, joka havaitsi kaksi hedelmää syöttökuvassa. Valokuva-argumentti on 15.jpeg ja 85 min_confidence arvoa.

Seuraava esimerkki näyttää kuvan 15.jpeg kahdella rajauslaatikolla.

Voit suorittaa saman skriptin muiden kuvien kanssa ja kokeilla muuttamalla luottamuspisteitä edelleen.

Vaihe 3: Pysäytä malli

Kun olet valmis, muista pysäyttää malli välttääksesi tarpeettomia kuluja. Valitse mallin tietosivun Käytä mallia -välilehdeltä Pysäytä.

Puhdistaa

Voit välttää tarpeettomia kuluja poistamalla tässä esittelyssä käytetyt resurssit, kun ne eivät ole käytössä. Meidän on poistettava Amazon Rekognition -projekti ja S3-ämpäri.

Poista Amazon Rekognition -projekti

Voit poistaa Amazon Rekognition -projektin suorittamalla seuraavat vaiheet:

1. Valitse Amazon Rekognition -konsolissa Käytä mukautettuja tarroja.
2. Valita Aloita.
3. Valitse siirtymisruudussa Projektit.
4. On Projektit -sivulla, valitse projekti, jonka haluat poistaa.
   1. Valita Poista.
      - Poista projekti -valintaikkuna tulee näkyviin.
5. Jos hankkeella ei ole siihen liittyviä malleja:
   1. enter poistaa poistaaksesi projektin.
   2. Valita Poista poistaaksesi projektin.
6. Jos projektiin liittyy malleja tai tietojoukkoja:
   1. enter poistaa vahvistaaksesi, että haluat poistaa mallin ja tietojoukot.
   2. Valitse joko Poista liittyvät mallit, Poista liittyvät tietojoukottai Poista liittyvät tietojoukot ja mallit, riippuen siitä, onko mallissa tietojoukkoja, malleja vai molempia.

   Mallin poistaminen saattaa kestää hetken. Huomaa, että Amazon Rekognition -konsoli ei voi poistaa malleja, jotka ovat harjoituksissa tai juoksussa. Yritä uudelleen lopetettuasi luettelossa olevat juoksumallit ja odota, kunnes harjoitukseksi luetellut mallit ovat valmiit. Jos suljet valintaikkunan mallin poistamisen aikana, mallit poistetaan silti. Myöhemmin voit poistaa projektin toistamalla tämän menettelyn.

7. enter poistaa vahvistaaksesi, että haluat poistaa projektin.
8. Valita Poista poistaaksesi projektin.

Poista S3-ämpärisi

Sinun on ensin tyhjennettävä ämpäri ja sitten poistettava se.

1. On Amazon S3 valitse konsoli kauhat.
2. Valitse ämpäri, jonka haluat tyhjentää, ja valitse sitten Tyhjä.
3. Vahvista, että haluat tyhjentää ämpäri kirjoittamalla sen nimen tekstikenttään ja valitse sitten Tyhjä.
4. Valita Poista.
5. Vahvista, että haluat poistaa segmentin kirjoittamalla ryhmän nimi tekstikenttään ja valitse sitten Poista ryhmä.

Yhteenveto

Tässä viestissä näytimme sinulle, kuinka voit luoda kohteen tunnistusmallin Rekognitionin mukautetuilla tarroilla. Tämän ominaisuuden avulla on helppo kouluttaa mukautettu malli, joka pystyy havaitsemaan objektiluokan ilman, että sinun tarvitsee määrittää muita objekteja tai menettämättä tulosten tarkkuutta.

Lisätietoja mukautettujen tarrojen käytöstä on Mikä on Amazon Rekognition Custom Labels?

---

Tietoja kirjoittajista

Dhiraj Thakur on ratkaisuarkkitehti Amazon Web Services -palvelun kanssa. Hän tarjoaa AWS-asiakkaiden ja -kumppaneiden kanssa neuvoja yrityksen pilvipalvelujen käyttöönotosta, siirtymisestä ja strategiasta. Hän on intohimoinen tekniikkaan ja nauttii rakentamisesta ja kokeilemisesta analytiikan ja tekoälyn / ML-avaruudessa.

Sama Goel on Sr. Solutions Architect Alankomaissa, joka ajaa asiakkaiden menestystä rakentamalla prototyyppejä huippuluokan aloitteiden pohjalta. Ennen AWS:ään liittymistään Sameer valmistui maisteriksi Bostonista keskittyen datatieteeseen. Hän nauttii AI/ML-projektien rakentamisesta ja kokeilemisesta Raspberry Pi:llä. Löydät hänet LinkedIn.