Amazon Reconnaissance est un service de vision par ordinateur qui facilite l'ajout d'analyses d'images et de vidéos à vos applications à l'aide d'une technologie d'apprentissage en profondeur éprouvée et hautement évolutive qui ne nécessite aucune expertise en apprentissage automatique (ML). Avec Amazon Rekognition, vous pouvez identifier des objets, des personnes, du texte, des scènes et des activités dans des images et des vidéos, ainsi que détecter tout contenu inapproprié. Amazon Rekognition fournit également des fonctionnalités d'analyse faciale et de recherche faciale très précises que vous pouvez utiliser pour détecter, analyser et comparer des visages pour une grande variété de cas d'utilisation.
Étiquettes personnalisées Amazon Rekognition vous permet d'identifier les objets et les scènes dans les images qui sont spécifiques aux besoins de votre entreprise. Par exemple, vous pouvez trouver votre logo dans les publications sur les réseaux sociaux, identifier vos produits sur les étagères des magasins, classer les pièces de machine sur une chaîne de montage, distinguer les plantes saines et infectées, etc. Le billet de blog Construire votre propre détection de marque montre comment utiliser les étiquettes personnalisées Amazon Rekognition pour créer une solution de bout en bout pour détecter les logos de marque dans les images et les vidéos.
Amazon Rekognition Custom Labels fournit une expérience simple de bout en bout où vous commencez par étiqueter un ensemble de données, et Amazon Rekognition Custom Labels crée un modèle ML personnalisé pour vous en inspectant les données et en sélectionnant le bon algorithme ML. Une fois votre modèle formé, vous pouvez commencer à l'utiliser immédiatement pour l'analyse d'image. Si vous souhaitez traiter les images par lots (par exemple, une fois par jour ou par semaine, ou à des heures planifiées pendant la journée), vous pouvez provisionner votre modèle personnalisé à des heures planifiées.
Dans cet article, nous montrons comment vous pouvez créer une solution par lots au meilleur coût avec les étiquettes personnalisées Amazon Rekognition qui provisionne votre modèle personnalisé à des heures planifiées, traite toutes vos images et déprovisionne vos ressources pour éviter des coûts supplémentaires.
Présentation de la solution
Le diagramme d'architecture suivant montre comment vous pouvez concevoir un flux de travail rentable et hautement évolutif pour traiter les images par lots avec les étiquettes personnalisées Amazon Rekognition. Il tire parti des services AWS tels que Amazon Event Bridge, Fonctions d'étape AWS, Service Amazon Simple Queue (AmazonSQS), AWS Lambdaet une Service de stockage simple Amazon (Amazon S3).
Cette solution utilise une architecture sans serveur et des services gérés, de sorte qu'elle peut évoluer à la demande et ne nécessite ni provisionnement ni gestion de serveurs. La file d'attente Amazon SQS augmente la tolérance aux pannes globale de la solution en découplant l'ingestion d'image du traitement d'image et en permettant une livraison fiable des messages pour chaque image ingérée. Step Functions facilite la création de workflows visuels pour orchestrer une série de tâches individuelles, telles que vérifier si une image est disponible pour le traitement et la gestion du cycle de vie de l'état du projet Amazon Rekognition Custom Labels. Bien que l'architecture suivante montre comment créer une solution de traitement par lots pour les étiquettes personnalisées Amazon Rekognition à l'aide d'AWS Lambda, vous pouvez créer une architecture similaire à l'aide de services tels que AWSFargate.
Les étapes suivantes décrivent le flux de travail global:
- Lorsqu'une image est stockée dans le compartiment Amazon S3, elle déclenche un message qui est stocké dans une file d'attente Amazon SQS.
- Amazon EventBridge est configuré pour déclencher un flux de travail AWS Step Functions à une certaine fréquence (1 heure par défaut).
- Au fur et à mesure que le flux de travail s'exécute, il effectue les actions suivantes:
- Il vérifie le nombre d'éléments dans la file d'attente Amazon SQS. S'il n'y a aucun élément à traiter dans la file d'attente, le flux de travail se termine.
- S'il y a des éléments à traiter dans la file d'attente, le flux de travail démarre le modèle d'étiquettes personnalisées Amazon Rekognition.
- Le flux de travail permet l'intégration d'Amazon SQS avec une fonction AWS Lambda pour traiter ces images.
- Lorsque l'intégration entre la file d'attente Amazon SQS et AWS Lambda est activée, les événements suivants se produisent:
- AWS Lambda commence le traitement des messages avec les détails de l'image d'Amazon SQS.
- La fonction AWS Lambda utilise le projet Amazon Rekognition Custom Labels pour traiter les images.
- La fonction AWS Lambda place ensuite le fichier JSON contenant les étiquettes déduites dans le compartiment final. L'image est également déplacée du bucket source vers le bucket final.
- Lorsque toutes les images sont traitées, le flux de travail AWS Step Functions effectue les opérations suivantes:
- Il arrête le modèle d'étiquettes personnalisées Amazon Rekognition.
- Il désactive l'intégration entre la file d'attente Amazon SQS et la fonction AWS Lambda en désactivant le déclencheur.
Le diagramme suivant illustre la machine à états AWS Step Functions pour cette solution.
Pré-requis
Pour déployer cette solution, vous avez besoin des prérequis suivants:
- Un compte AWS avec l'autorisation de déployer la solution à l'aide de AWS CloudFormation, ce qui crée Gestion des identités et des accès AWS (IAM) et autres ressources.
- Amazon Resource Name (ARN) du projet Amazon Rekognition Custom Labels (appelé ProjetArn) et le nom de ressource Amazon (ARN) de la version du modèle qui a été créée après l'entraînement du modèle (référencé comme ProjetVersionArn). Ces valeurs sont nécessaires pour vérifier l'état du modèle et également pour analyser les images à l'aide du modèle.
Pour savoir comment entraîner un modèle, voir Premiers pas avec les étiquettes personnalisées Amazon Rekognition.
Déploiement
Pour déployer la solution à l'aide d'AWS CloudFormation dans votre compte AWS, suivez les étapes de la GitHub repo. Il crée les ressources suivantes:
- Bucket Amazon S3
- File d'attente Amazon SQS
- Flux de travail AWS Step Functions
- Règles Amazon EventBridge pour déclencher le workflow
- Rôles IAM
- Fonctions AWS Lambda
Vous pouvez voir les noms des différentes ressources créées par la solution dans la section de sortie du Pile CloudFormation.
Tester le workflow
Pour tester votre flux de travail, procédez comme suit:
- Téléchargez des exemples d'images dans le compartiment S3 d'entrée créé par la solution (par exemple, xxxx-sources3bucket-xxxx).
- Dans la console Step Functions, choisissez la machine à états créée par la solution (par exemple, CustomCVStateMachine-xxxx).
Vous devriez voir que la machine à états est déclenchée par la règle Amazon EventBridge toutes les heures.
- Vous pouvez démarrer manuellement le workflow en choisissant Lancer l'exécution.
- Au fur et à mesure du traitement des images, vous pouvez accéder au compartiment S3 de sortie (par exemple, xxxx-finals3bucket-xxxx) pour voir la sortie JSON de chaque image.
La capture d'écran suivante montre le contenu du compartiment S3 final avec les images, ainsi que leur sortie JSON correspondante à partir des étiquettes personnalisées Amazon Rekognition.
Conclusion
Dans cet article, nous avons montré comment vous pouvez créer une solution de traitement par lots à coût optimal avec les étiquettes personnalisées Amazon Rekognition qui peuvent provisionner votre modèle personnalisé à des heures planifiées, traiter toutes vos images et déprovisionner vos ressources pour éviter des coûts supplémentaires. En fonction de votre cas d'utilisation, vous pouvez facilement ajuster la fenêtre de temps planifiée à laquelle la solution doit traiter le lot. Pour plus d'informations sur la création, l'apprentissage, l'évaluation et l'utilisation d'un modèle qui détecte des objets, des scènes et des concepts dans les images, voir Premiers pas avec les étiquettes personnalisées Amazon Rekognition.
Bien que la solution décrite dans cet article montre comment traiter des images par lots avec les étiquettes personnalisées Amazon Rekognition, vous pouvez facilement modifier la solution pour traiter les images par lots avec Amazon Lookout pour Vision pour la détection de défauts et d'anomalies. Avec Amazon Lookout for Vision, les entreprises de fabrication peuvent améliorer la qualité et réduire les coûts opérationnels en identifiant rapidement les différences d'images d'objets à grande échelle. Par exemple, Amazon Lookout for Vision peut être utilisé pour identifier les composants manquants dans les produits, les dommages aux véhicules ou aux structures, les irrégularités dans les lignes de production, les défauts minuscules dans les tranches de silicium et d'autres problèmes similaires. Pour en savoir plus sur Amazon Lookout for Vision, consultez le guide du développeur.
À propos des auteurs
Rahul Srivastava est un architecte de solutions senior chez Amazon Web Services et est basé au Royaume-Uni. Il possède une vaste expérience en architecture et travaille avec de grandes entreprises clientes. Il aide nos clients avec l'architecture, l'adoption du cloud, le développement de produits avec un objectif et tire parti de l'IA / ML pour résoudre des problèmes commerciaux réels.
Kasif Imran est un architecte de solutions principal chez Amazon Web Services. Il travaille avec certains des plus grands clients AWS qui tirent parti de l'IA / ML pour résoudre des problèmes commerciaux complexes. Il fournit des conseils techniques et des conseils de conception pour mettre en œuvre des applications de vision par ordinateur à grande échelle. Son expertise couvre l'architecture d'application, le sans serveur, les conteneurs, NoSQL et l'apprentissage automatique.
