Au cours de la dernière décennie, les cas d'utilisation de la vision par ordinateur ont été une tendance croissante, en particulier dans des secteurs tels que l'assurance, l'automobile, le commerce électronique, l'énergie, la vente au détail, la fabrication et autres. Les clients créent des modèles d'apprentissage automatique (ML) de vision par ordinateur pour apporter efficacité opérationnelle et automatisation à leurs processus. Ces modèles permettent d'automatiser la classification des images ou la détection d'objets d'intérêt dans des images spécifiques et uniques à votre entreprise.
Pour simplifier le processus de création de modèles ML, nous avons introduit Amazon SageMaker JumpStart en décembre 2020. JumpStart vous aide à démarrer rapidement et facilement avec le ML. Il permet le déploiement et le réglage en un clic d'une grande variété de modèles pré-formés, ainsi qu'une sélection de solutions de bout en bout. Cela supprime la lourde charge de chaque étape du processus ML, ce qui facilite le développement de modèles de haute qualité et réduit le temps de déploiement. Cependant, cela nécessite que vous ayez des connaissances préalables pour aider à la sélection de modèles à partir d'un catalogue de plus de 200 modèles de vision par ordinateur pré-formés. Vous devez ensuite comparer les performances du modèle avec différents paramètres d'hyperparamètres et sélectionner le meilleur modèle à déployer en production.
Pour simplifier cette expérience et permettre aux développeurs ayant peu ou pas d'expertise en ML de créer des modèles de vision par ordinateur personnalisés, nous publions un nouvel exemple de bloc-notes dans JumpStart qui utilise Étiquettes personnalisées Amazon Rekognition, un service entièrement géré pour créer des modèles de vision par ordinateur personnalisés. Rekognition Custom Labels s'appuie sur les modèles pré-formés dans Amazon Reconnaissance, qui sont déjà formés sur des dizaines de millions d'images dans de nombreuses catégories. Au lieu de milliers d'images, vous pouvez commencer avec un petit ensemble d'images d'entraînement (quelques centaines ou moins) spécifiques à votre cas d'utilisation. Les étiquettes personnalisées de Rekognition éliminent la complexité liée à la création d'un modèle personnalisé. Il inspecte automatiquement les données de formation, sélectionne les bons algorithmes ML, sélectionne le type d'instance, forme plusieurs modèles candidats avec différents hyperparamètres et génère le meilleur modèle formé. Rekognition Custom Labels fournit également une interface facile à utiliser à partir du Console de gestion AWS pour l'ensemble du flux de travail ML, y compris l'étiquetage des images, la formation, le déploiement d'un modèle et la visualisation des résultats des tests.
Cet exemple de bloc-notes dans JumpStart utilisant les étiquettes personnalisées de Rekognition résout toute tâche ML de vision par ordinateur de classification d'images ou de détection d'objets, ce qui facilite la tâche des clients familiarisés avec Amazon Sage Maker pour créer une solution de vision par ordinateur qui correspond le mieux à votre cas d'utilisation, à vos exigences et à vos compétences.
Dans cet article, nous fournissons des instructions étape par étape pour utiliser cet exemple de bloc-notes dans JumpStart. Le bloc-notes montre comment utiliser facilement les API de formation et d'inférence existantes de Rekognition Custom Labels pour créer un modèle de classification d'images, un modèle de classification multi-étiquettes et un modèle de détection d'objets. Pour vous faciliter la tâche, nous avons fourni des exemples d'ensembles de données pour chaque modèle.
Entraînez et déployez un modèle de vision par ordinateur à l'aide des étiquettes personnalisées de Rekognition
Dans cette section, nous localisons le bloc-notes souhaité dans JumpStart et montrons comment former et exécuter l'inférence sur le point de terminaison déployé.
Commençons par le Amazon SageMakerStudio Lanceur.
- Dans le lanceur de studio, choisissez Aller à SageMaker JumpStart.
La page d'accueil JumpStart comporte des sections pour les carrousels de solutions, les modèles de texte et les modèles de vision. Il a également une barre de recherche. - Dans la barre de recherche, saisissez
Rekognition Custom Labels
Et choisissez le Étiquettes personnalisées Rekognition pour la vision carnet.
Le bloc-notes s'ouvre en mode lecture seule. - Selectionnez Importer le bloc-notes pour importer le bloc-notes dans votre environnement.
Le bloc-notes fournit un guide étape par étape pour la formation et l'exécution de l'inférence à l'aide des étiquettes personnalisées Rekognition à partir de la console JumpStart. Il fournit les quatre exemples d'ensembles de données suivants pour démontrer la classification d'images à une ou plusieurs étiquettes et la détection d'objets.
-
- Classification d'images à étiquette unique – Cet ensemble de données montre comment classer les images comme appartenant à l'un des ensembles d'étiquettes prédéfinies. Par exemple, les sociétés immobilières peuvent utiliser les étiquettes personnalisées de Rekognition pour catégoriser leurs images de salons, d'arrière-cours, de chambres et d'autres lieux domestiques. Voici un exemple d'image de cet ensemble de données, qui est inclus dans le bloc-notes.
- Classification d'images multi-étiquettes - Cet ensemble de données montre comment classer les images en plusieurs catégories, telles que la couleur, la taille, la texture et le type d'une fleur. Par exemple, les producteurs de plantes peuvent utiliser les étiquettes personnalisées Rekognition pour distinguer les différents types de fleurs et si elles sont saines, endommagées ou infectées. L'image suivante est un exemple de cet ensemble de données.
- Détection d'objets – Cet ensemble de données illustre la localisation d'objets pour localiser les pièces utilisées dans les lignes de production ou de fabrication. Par exemple, dans l'industrie électronique, les étiquettes personnalisées Rekognition peuvent aider à compter le nombre de condensateurs sur un circuit imprimé. L'image suivante est un exemple de cet ensemble de données.
- Détection de marque et logo – Cet ensemble de données montre comment localiser des logos ou des marques dans une image. Par exemple, dans l'industrie des médias, un modèle de détection d'objets peut aider à identifier l'emplacement des logos des sponsors sur les photographies. Voici un exemple d'image de cet ensemble de données.
- Classification d'images à étiquette unique – Cet ensemble de données montre comment classer les images comme appartenant à l'un des ensembles d'étiquettes prédéfinies. Par exemple, les sociétés immobilières peuvent utiliser les étiquettes personnalisées de Rekognition pour catégoriser leurs images de salons, d'arrière-cours, de chambres et d'autres lieux domestiques. Voici un exemple d'image de cet ensemble de données, qui est inclus dans le bloc-notes.
- Suivez les étapes du bloc-notes en exécutant chaque cellule.
Ce bloc-notes montre comment vous pouvez utiliser un seul bloc-notes pour traiter à la fois des cas d'utilisation de classification d'images et de détection d'objets via les API d'étiquettes personnalisées de Rekognition.
Au fur et à mesure que vous avancez dans le bloc-notes, vous avez la possibilité de sélectionner l'un des exemples de jeux de données susmentionnés. Nous vous encourageons à essayer d'exécuter le bloc-notes pour chacun des ensembles de données.
Conclusion
Dans cet article, nous vous avons montré comment utiliser les API Rekognition Custom Labels pour créer une classification d'images ou un modèle de vision par ordinateur de détection d'objets pour classer et identifier des objets dans des images spécifiques aux besoins de votre entreprise. Pour former un modèle, vous pouvez commencer par fournir des dizaines à des centaines d'images étiquetées au lieu de milliers. Rekognition Custom Labels simplifie la formation du modèle en prenant en charge les choix de paramètres tels que le type de machine, le type d'algorithme ou les hyperparamètres spécifiques à l'algorithme (y compris le nombre de couches dans le réseau, le taux d'apprentissage et la taille du lot). Rekognition Custom Labels simplifie également l'hébergement d'un modèle formé et fournit une opération simple pour effectuer une inférence avec un modèle formé.
Rekognition Custom Labels offre une expérience de console facile à utiliser pour le processus de formation, la gestion des modèles et la visualisation des images d'ensembles de données. Nous vous encourageons à en savoir plus sur Étiquettes personnalisées de reconnaissance et essayez-le avec vos ensembles de données spécifiques à votre entreprise.
Pour commencer, vous pouvez accéder à l'exemple de bloc-notes Rekognition Custom Labels dans SageMaker JumpStart.
À propos des auteurs
Pashmeen Mistry est le chef de produit senior pour les étiquettes personnalisées Amazon Rekognition. En dehors du travail, Pashmeen aime les randonnées aventureuses, la photographie et passer du temps avec sa famille.
Abhishek Gupta est l'architecte principal des solutions de services d'IA chez AWS. Il aide les clients à concevoir et à mettre en œuvre des solutions de vision par ordinateur.
- Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
- Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
- CryptoHawk. Radar Altcoins. Essai gratuit.
- Source : https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- résumés
- à travers
- propos
- AI
- Services d'IA
- algorithme
- algorithmes
- déjà
- Amazon
- Apis
- automatiser
- Automation
- l'automobile
- AWS
- référence
- LES MEILLEURS
- planche
- Marques
- construire
- Développement
- construit
- la performance des entreprises
- Peut obtenir
- candidat
- les soins
- cas
- choix
- Selectionnez
- classification
- Sociétés
- ordinateur
- Console
- engendrent
- Customiser
- Clients
- données
- décennie
- démontrer
- déployer
- déployé
- déployer
- déploiement
- Conception
- Détection
- développer
- mobiles
- différent
- même
- facile à utiliser
- e-commerce
- Electronique
- encourager
- Endpoint
- énergie
- Entrer
- Environment
- notamment
- biens
- exemple
- existant
- Découvrez
- nous a permis de concevoir
- famille
- Abonnement
- Croissance
- guide
- aider
- aide
- de haute qualité
- hébergement
- ou
- Comment
- How To
- Cependant
- HTTPS
- Des centaines
- identifier
- image
- Mettre en oeuvre
- inclus
- Y compris
- secteurs
- industrie
- Assurance
- intérêt
- Interfaces
- impliqué
- IT
- spécialisées
- l'étiquetage
- Etiquettes
- APPRENTISSAGE
- apprentissage
- lifting
- peu
- vie
- emplacement
- emplacements
- logo
- click
- machine learning
- Fabrication
- gérés
- gestion
- manager
- fabrication
- Médias
- des millions
- ML
- modèle
- numériques jumeaux (digital twin models)
- PLUS
- plusieurs
- Besoins
- réseau et
- cahier
- nombre
- ouvre
- opération
- Option
- Autre
- partie
- performant
- effectuer
- photographie
- processus
- les process
- Produit
- Vidéo
- fournir
- fournit
- aportando
- vite.
- biens immobiliers
- réduire
- Exigences
- a besoin
- Résultats
- détail
- Chambres
- Courir
- pour le running
- Rechercher
- service
- Services
- set
- étapes
- Taille
- petit
- sur mesure
- Solutions
- Résout
- quelques
- Dépenses
- parrainer
- Commencer
- j'ai commencé
- studio
- prise
- tester
- milliers
- fiable
- Formation
- les trains
- types
- unique
- utilisé
- variété
- vision
- visualisation
- dans les
- Activités principales