Amazon felismerés egy számítógépes látásszolgáltatás, amely megkönnyíti a kép- és videóelemzés hozzáadását alkalmazásaihoz a bevált, nagymértékben skálázható, mély tanulási technológia segítségével, amely nem igényel gépi tanulási (ML) szakértelmet. Az Amazon Rekognition segítségével tárgyakat, embereket, szövegeket, jeleneteket és tevékenységeket azonosíthat a képeken és videókon, valamint észlelheti a nem megfelelő tartalmat. Az Amazon Rekognition rendkívül pontos arcelemzést és arckeresési lehetőségeket is biztosít, amelyek segítségével az arcok észlelésére, elemzésére és összehasonlítására a legkülönfélébb felhasználási esetekben használható.
Amazon Rekognition egyéni címkék lehetővé teszi, hogy azonosítsa azokat a tárgyakat és jeleneteket a képeken, amelyek kifejezetten az üzleti igényeinek felelnek meg. Megtalálhatja például a logóját a közösségi média bejegyzéseiben, azonosíthatja termékeit a boltok polcain, összeszerelősoron osztályozhatja a gépalkatrészeket, megkülönböztetheti az egészséges és fertőzött növényeket stb. A blogbejegyzés Saját márkaérzékelés kialakítása bemutatja, hogyan használhatja az Amazon Rekognition egyéni címkéket egy végponttól végpontig terjedő megoldás létrehozására a márkalogók felismerésére a képeken és videókon.
Az Amazon Rekognition Custom Labels egyszerű, teljes körű élményt nyújt, ahol egy adatkészlet címkézésével kell kezdeni, az Amazon Rekognition Custom Labels pedig az adatok ellenőrzésével és a megfelelő ML-algoritmus kiválasztásával egyéni ML-modellt készít Önnek. A modell betanítása után azonnal elkezdheti használni képelemzésre. Ha kötegekben szeretné feldolgozni a képeket (például naponta vagy hetente egyszer, vagy a nap folyamán ütemezett időpontokban), akkor ütemezett időpontokban állíthatja elő egyéni modelljét.
Ebben a bejegyzésben bemutatjuk, hogyan hozhat létre költségoptimális kötegelt megoldást az Amazon Rekognition Custom Labels segítségével, amely ütemezett időpontokban biztosítja az egyéni modellt, feldolgozza az összes képet, és leválasztja az erőforrásokat a többletköltségek elkerülése érdekében.
A megoldás áttekintése
A következő architektúra diagram bemutatja, hogyan tervezhet költséghatékony és nagymértékben méretezhető munkafolyamatot a képek kötegelt feldolgozásához az Amazon Rekognition egyedi címkéivel. Kihasználja az AWS szolgáltatásokat, mint pl Amazon EventBridge, AWS lépésfunkciók, Amazon Simple Queue Service (Amazon SQS), AWS Lambdaés Amazon egyszerű tárolási szolgáltatás (Amazon S3).
Ez a megoldás kiszolgáló nélküli architektúrát és felügyelt szolgáltatásokat használ, így igény szerint méretezhető, és nem igényel kiszolgálók kiépítését és kezelését. Az Amazon SQS sor növeli a megoldás általános hibatűrését azáltal, hogy leválasztja a képfeldolgozást a képfeldolgozásról, és lehetővé teszi az üzenetek megbízható kézbesítését minden egyes bevitt kép esetében. A Step Functions megkönnyíti a vizuális munkafolyamatok létrehozását az egyes feladatok sorának összehangolására, például annak ellenőrzésére, hogy rendelkezésre áll-e kép a feldolgozáshoz, és kezelheti az Amazon Rekognition Custom Labels projekt állapotéletciklusát. Bár a következő architektúra bemutatja, hogyan hozhat létre kötegelt feldolgozási megoldást az Amazon Rekognition Custom Labels számára az AWS Lambda használatával, hasonló architektúrát készíthet olyan szolgáltatások használatával, mint pl. AWS Fargate.
A következő lépések leírják az általános munkafolyamatot:
- Mivel egy kép az Amazon S3 tárolójában van tárolva, üzenetet vált ki, amely az Amazon SQS várólistában kerül tárolásra.
- Az Amazon EventBridge úgy van konfigurálva, hogy bizonyos gyakorisággal (alapértelmezés szerint 1 óra) indítson el egy AWS Step Functions munkafolyamatot.
- A munkafolyamat futása során a következő műveleteket hajtja végre:
- Ellenőrzi az Amazon SQS sorban lévő elemek számát. Ha nincs feldolgozandó elem a sorban, a munkafolyamat véget ér.
- Ha vannak feldolgozandó elemek a sorban, a munkafolyamat elindítja az Amazon Rekognition egyéni címkék modelljét.
- A munkafolyamat lehetővé teszi az Amazon SQS integrációját az AWS Lambda funkcióval a képek feldolgozásához.
- Ha az Amazon SQS várólista és az AWS Lambda közötti integráció engedélyezve van, a következő események fordulnak elő:
- Az AWS Lambda megkezdi az üzenetek feldolgozását az Amazon SQS képrészleteivel.
- Az AWS Lambda funkciója az Amazon Rekognition Custom Labels projektet használja a képek feldolgozásához.
- Az AWS Lambda függvény ezután az utolsó tárolóba helyezi a következtetett címkéket tartalmazó JSON-fájlt. A kép is átkerül a forrástárolóból a végső tárolóba.
- Az összes kép feldolgozása után az AWS Step Functions munkafolyamat a következőket teszi:
- Leállítja az Amazon Rekognition Custom Labels modelljét.
- A trigger letiltásával letiltja az Amazon SQS sor és az AWS Lambda funkció közötti integrációt.
A következő diagram az AWS Step Functions állapotgépét mutatja be ehhez a megoldáshoz.
Előfeltételek
A megoldás üzembe helyezéséhez a következő előfeltételekre van szüksége:
- Egy AWS-fiók, amely engedéllyel rendelkezik a megoldás telepítéséhez AWS felhőképződés, ami létrehoz AWS Identity and Access Management (IAM) szerepkörök és egyéb erőforrások.
- Az Amazon Rekognition Custom Labels projekt Amazon erőforrásneve (ARN) (a továbbiakban: ProjectArn) és a modell verziójának Amazon erőforrásneve (ARN), amelyet a modell betanítása után hoztak létre (a továbbiakban: ProjectVersionArn). Ezek az értékek szükségesek a modell állapotának ellenőrzéséhez, valamint a modell segítségével a képek elemzéséhez.
Ha meg szeretné tudni, hogyan kell modellt képezni, lásd Kezdő lépések az Amazon Rekognition egyéni címkéivel.
bevetés
A megoldás AWS CloudFormation használatával történő üzembe helyezéséhez az AWS-fiókjában, kövesse a lépéseit GitHub repo. A következő erőforrásokat hozza létre:
- Amazon S3 vödör
- Amazon SQS várólista
- AWS Step Functions munkafolyamat
- Amazon EventBridge szabályok a munkafolyamat elindításához
- IAM szerepek
- AWS lambda funkciók
A megoldás által létrehozott különböző erőforrások neveit a kimeneti részében láthatja CloudFormation verem.
A munkafolyamat tesztelése
A munkafolyamat teszteléséhez hajtsa végre a következő lépéseket:
- Töltsön fel mintaképeket a megoldás által létrehozott bemeneti S3 tárolóba (például xxxx-sources3bucket-xxxx).
- A Step Functions konzolon válassza ki a megoldás által létrehozott állapotgépet (például CustomCVStateMachine-xxxx).
Látnia kell, hogy az állapotgépet óránként aktiválja az Amazon EventBridge szabálya.
- A kiválasztással manuálisan is elindíthatja a munkafolyamatot Indítsa el a végrehajtást.
- A képek feldolgozása közben a kimeneti S3 tárolóhoz léphet (például xxxx-finals3bucket-xxxx) az egyes képek JSON-kimenetének megtekintéséhez.
A következő képernyőképen látható az utolsó S3 vödör tartalma a képekkel, valamint az Amazon Rekognition Custom Labels megfelelő JSON-kimenete.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan hozhat létre költségoptimális kötegelt megoldást az Amazon Rekognition Custom Labels segítségével, amely ütemezett időpontokban biztosíthatja egyéni modelljét, feldolgozhatja az összes képet, és leválaszthatja az erőforrásokat a többletköltségek elkerülése érdekében. A felhasználási esettől függően könnyen beállíthatja azt az ütemezett időtartamot, amelyen belül a megoldásnak fel kell dolgoznia a köteget. A képeken lévő tárgyakat, jeleneteket és fogalmakat észlelő modell létrehozásával, betanításával, értékelésével és használatával kapcsolatos további információkért lásd: az Amazon Rekognition egyéni címkék használatának megkezdése.
Míg az ebben a bejegyzésben leírt megoldás megmutatta, hogyan dolgozhat fel kötegelt képeket az Amazon Rekognition egyéni címkéivel, a megoldást egyszerűen módosíthatja a kötegelt képek feldolgozásához Amazon Lookout for Vision hibák és rendellenességek észlelésére. Az Amazon Lookout for Vision segítségével a gyártó vállalatok javíthatják a minőséget és csökkenthetik a működési költségeket azáltal, hogy gyorsan felismerik az objektumok képeinek méretbeli különbségeit. Az Amazon Lookout for Vision például felhasználható a hiányzó alkatrészek, a járművek vagy szerkezetek sérüléseinek, a gyártósorok szabálytalanságainak, a szilíciumlapkák apró hibáinak és más hasonló problémák azonosítására. Ha többet szeretne megtudni az Amazon Lookout for Visionról, lásd: a fejlesztői útmutatót.
A szerzőkről
Rahul Srivastava az Amazon Web Services vezető megoldástervezője, székhelye az Egyesült Királyságban található. Széleskörű építészeti tapasztalattal rendelkezik nagyvállalati ügyfelekkel végzett munkában. Segíti ügyfeleinket az architektúrában, a felhő bevezetésében, célzott termékek fejlesztésében és az AI/ML előnyeinek kihasználásában a valós üzleti problémák megoldásában.
Kashif Imran az Amazon Web Services fő megoldási építésze. Együttműködik a legnagyobb AWS-ügyfelekkel, akik az AI/ML előnyeit használják ki összetett üzleti problémák megoldására. Műszaki útmutatást és tervezési tanácsokat ad a számítógépes látás alkalmazások széles körű megvalósításához. Szakértelme kiterjed az alkalmazásarchitektúrára, a szerver nélküliekre, a konténerekre, a NoSQL-re és a gépi tanulásra.
