Bolygónk globális kihalási válsággal néz szembe. ENSZ jelentés elképesztően sok, több mint egymillió fajt mutat be, amelyektől félnek, hogy a kihalás útjára lépnek. A kihalás leggyakoribb oka az élőhely elvesztése, az orvvadászat és az invazív fajok. Számos vadvédelmi alapítványok, kutató tudósok, önkéntesek és orvvadászat elleni vadőrök fáradhatatlanul dolgoznak a válság kezelésén. A vadon élő veszélyeztetett állatokkal kapcsolatos pontos és rendszeres tájékoztatás javítja a vadvédelmi szakemberek azon képességét, hogy tanulmányozzák és megóvják a veszélyeztetett fajokat. A vadon élő tudósok és a helyszíni személyzet infravörös triggerekkel felszerelt kamerákat használnak, az úgynevezett kameracsapdák, és helyezze el őket az erdők leghatékonyabb helyeire, hogy képeket készítsen a vadon élő állatokról. Ezeket a képeket ezután manuálisan felülvizsgálják, ami nagyon időigényes folyamat.
Ebben a bejegyzésben egy megoldást mutatunk be Amazon Rekognition egyéni címkék mozgásérzékelős kameracsapdákkal együtt, amelyek automatizálják ezt a folyamatot a nemi fajok felismerésére és tanulmányozására. A Rekognition Custom Labels egy teljesen felügyelt számítógépes látásszolgáltatás, amely lehetővé teszi a fejlesztők számára, hogy egyéni modelleket építsenek a képeken található objektumok osztályozására és azonosítására, amelyek egyediek és egyediek a használati esetükben. Részletezzük, hogyan lehet felismerni a veszélyeztetett állatfajokat a kamerás csapdákból gyűjtött képek alapján, betekintést nyerhetünk populációjuk számába, és hogyan lehet észlelni az embereket körülöttük. Ez az információ hasznos lesz a természetvédők számára, akik proaktív döntéseket hozhatnak a megmentésük érdekében.
Megoldás áttekintése
Az alábbi ábra szemlélteti a megoldás architektúráját.
Ez a megoldás a következő AI-szolgáltatásokat, kiszolgáló nélküli technológiákat és felügyelt szolgáltatásokat használja a méretezhető és költséghatékony architektúra megvalósításához:
- Amazon Athéné – Szerver nélküli interaktív lekérdező szolgáltatás, amely megkönnyíti az adatok elemzését az Amazon S3-ban szabványos SQL használatával
- amazonfelhőóra – Megfigyelési és megfigyelési szolgáltatás, amely megfigyelési és működési adatokat gyűjt naplók, metrikák és események formájában
- Amazon DynamoDB – Kulcsérték- és dokumentum-adatbázis, amely egyszámjegyű ezredmásodperces teljesítményt nyújt bármilyen léptékben
- AWS Lambda – Szerver nélküli számítási szolgáltatás, amely lehetővé teszi kód futtatását olyan triggerekre válaszul, mint például az adatok változása, a rendszerállapot eltolódása vagy a felhasználói műveletek
- Amazon QuickSight – Szerver nélküli, gépi tanulás (ML) alapú üzleti intelligencia szolgáltatás, amely betekintést, interaktív irányítópultokat és gazdag elemzési adatokat biztosít
- Amazon felismerés – ML segítségével azonosítja a képeken és videókon lévő objektumokat, embereket, szövegeket, jeleneteket és tevékenységeket, valamint észlel minden nem megfelelő tartalmat
- Amazon Rekognition egyéni címkék – Az AutoML segítségével segíti az egyéni modellek betanítását, hogy azonosítsa az üzleti igényeknek megfelelő objektumokat és jeleneteket a képekben
- Amazon Simple Queue Service (Amazon SQS) – Teljesen felügyelt üzenetsor-szolgáltatás, amely lehetővé teszi a mikroszolgáltatások, elosztott rendszerek és szerver nélküli alkalmazások szétválasztását és méretezését
- Amazon Simple Storage Service (Amazon S3) – Dokumentumok objektumtárolójaként szolgál, és lehetővé teszi a központi kezelést finomhangolt hozzáférés-vezérléssel.
A megoldás magas szintű lépései a következők:
- Tanítson és készítsen egyéni modellt a Rekognition egyéni címkék segítségével, hogy felismerje a területen lévő veszélyeztetett fajokat. Ehhez a poszthoz az orrszarvú képeken edzünk.
- A mozgásérzékelős kameracsapdákon keresztül rögzített képek egy S3 tárolóba töltődnek fel, amely minden feltöltött képhez eseményt tesz közzé.
- Minden közzétett eseménynél aktiválódik egy Lambda funkció, amely lekéri a képet az S3 vödörből, és továbbítja az egyéni modellnek, hogy észlelje a veszélyeztetett állatot.
- A Lambda funkció az Amazon Rekognition API-t használja a képen látható állatok azonosítására.
- Ha a képen bármely veszélyeztetett orrszarvúfaj található, a funkció frissíti a DynamoDB adatbázist az állat számával, a kép rögzítésének dátumával és a képből kinyerhető egyéb hasznos metaadatokkal. EXIF fejléc.
- A QuickSight a DynamoDB adatbázisban gyűjtött állatok számának és helyének megjelenítésére szolgál, hogy megértse az állatpopuláció időbeli eltéréseit. Az irányítópultok rendszeres megtekintésével a természetvédelmi csoportok azonosíthatják a mintákat, és elkülöníthetik a lehetséges okokat, például betegségeket, éghajlatot vagy orvvadászatot, amelyek ezt az eltérést okozhatják, és proaktívan lépéseket tehetnek a probléma megoldására.
Előfeltételek
Jó képzési készlet szükséges egy hatékony modell felépítéséhez a Rekognition egyéni címkék használatával. Az AWS Marketplace képeit használtuk (Állatok és vadon élő állatok adatkészlete a Shutterstocktól) És Kaggle a modell felépítéséhez.
Valósítsa meg a megoldást
Munkafolyamatunk a következő lépéseket tartalmazza:
- Tanítson meg egy egyéni modellt a veszélyeztetett fajok (példánkban az orrszarvú) osztályozására a Rekognition Custom Labels AutoML képességével.
Ezeket a lépéseket a Rekognition egyéni címkék konzoljából is végrehajthatja. Az utasításokat lásd Projekt létrehozása, Oktatási és tesztadatkészletek készítéseés Az Amazon Rekognition egyedi címkék modelljének betanítása.
Ebben a példában a Kaggle adatkészletét használjuk. Az alábbi táblázat összefoglalja az adatkészlet tartalmát.
Címke | Képzési készlet | Tesztkészlet |
oroszlán | 625 | 156 |
Rhino | 608 | 152 |
afrikai_elefánt | 368 | 92 |
- Töltsd fel a fényképezőgép csapdáiról készített képeket egy kijelölt S3 vödörbe.
- Határozza meg az eseményértesítéseket a Engedélyek szakaszában, hogy értesítést küldjön egy meghatározott SQS-sornak, amikor egy objektumot hozzáadnak a tárolóhoz.
A feltöltési művelet olyan eseményt indít el, amely az Amazon SQS-ben az Amazon S3 eseményértesítésével várólistára kerül.
- Adja hozzá a megfelelő engedélyeket az SQS-sor hozzáférési szabályzatán keresztül, hogy az S3-csoport értesítést küldjön a sornak.
- Állítson be egy Lambda-triggert az SQS-sorhoz, hogy a Lambda-függvény meghívásra kerüljön, amikor új üzenet érkezik.
- Módosítsa a hozzáférési szabályzatot, hogy a Lambda függvény hozzáférjen az SQS-sorhoz.
A Lambda függvénynek most rendelkeznie kell a megfelelő jogosultságokkal az SQS-sor eléréséhez.
- Állítsa be a környezeti változókat, hogy azok elérhetők legyenek a kódban.
Lambda funkció kódja
A Lambda funkció a következő feladatokat hajtja végre, amikor értesítést kap az SNS-sorból:
- Az Amazon Rekognition API-hívása az egyéni modellből származó címkék észleléséhez, amelyek azonosítják a veszélyeztetett fajokat:
- Hozza le a képről az EXIF-címkéket, hogy megkapja a kép készítésének dátumát és egyéb releváns EXIF-adatokat. A következő kód a függőségeket (csomag – verzió) használja: exif-reader – ^1.0.3, Sharp – ^0.30.7:
Az itt felvázolt megoldás aszinkron; a képeket a kamera csapdái rögzítik, majd később feltöltik egy S3-as vödörbe feldolgozásra. Ha gyakrabban töltik fel a kamerás csapdaképeket, akkor a megoldást kiterjesztheti a megfigyelt területen tartózkodó emberek észlelésére, és értesítést küldhet az érintett aktivistáknak, jelezve az esetleges orvvadászatot ezen veszélyeztetett állatok közelében. Ez a Lambda függvényen keresztül valósul meg, amely meghívja az Amazon Rekognition API-t, hogy felismerje az ember jelenlétét jelző címkéket. Ha embert észlel, hibaüzenetet rögzít a CloudWatch Logs. A hibanapló szűrt mérőszáma CloudWatch riasztást vált ki, amely e-mailt küld a természetvédelmi aktivistáknak, akik ezután további lépéseket tehetnek.
- Bontsa ki a megoldást a következő kóddal:
- Ha bármilyen veszélyeztetett fajt észlel, a Lambda függvény frissíti a DynamoDB-t a számmal, dátummal és egyéb opcionális metaadatokkal, amelyeket a kép EXIF címkéiből nyernek:
Az adatok lekérdezése és megjelenítése
Mostantól az Athena és a QuickSight segítségével megjelenítheti az adatokat.
- Adja hozzá az adatforrás részleteit.
A következő fontos lépés egy Lambda függvény meghatározása, amely csatlakozik az adatforráshoz.
- Válaszd Lambda függvény létrehozása.
- Adja meg a neveket AthenaKatalógusnév és a SpillBucket; a többi alapbeállítás lehet.
- Telepítse a csatlakozó funkciót.
Az összes kép feldolgozása után a QuickSight segítségével megjelenítheti az Athénából származó populáció időbeli eltérésének adatait.
- Az Athena konzolon válasszon adatforrást, és adja meg a részleteket.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Lambda függvény létrehozása hogy biztosítson egy összekötőt a DynamoDB-hez.
- A QuickSight irányítópulton válassza a lehetőséget Új elemzés és a Új adatkészlet.
- Adatforrásként válassza az Athénét.
- Adja meg a katalógust, az adatbázist és a táblát a csatlakozáshoz, és válassza ki választ.
- Adatkészlet létrehozásának befejezése.
Az alábbi táblázat az adott napon befogott veszélyeztetett fajok számát mutatja.
A GPS-adatok a rögzített kép EXIF-címkéinek részeként jelennek meg. Ezen veszélyeztetett állatok helyének érzékenysége miatt adatkészletünkben nem volt GPS helymeghatározás. Létrehoztunk azonban egy térinformatikai diagramot szimulált adatok felhasználásával, hogy megmutassuk, hogyan jelenítheti meg a helyeket, ha rendelkezésre állnak GPS-adatok.
Tisztítsuk meg
A váratlan költségek elkerülése érdekében ne felejtse el kikapcsolni a bemutató részeként használt AWS-szolgáltatásokat – az S3-tárolókat, a DynamoDB-táblát, a QuickSight-ot, az Athena-t és a betanított Rekognition Custom Labels modellt. Ezeket az erőforrásokat közvetlenül a megfelelő szervizkonzoljukon keresztül kell törölnie, ha már nincs szüksége rájuk. Hivatkozni Egy Amazon Rekognition egyedi címkék modelljének törlése a modell törlésével kapcsolatos további információkért.
Következtetés
Ebben a bejegyzésben egy olyan automatizált rendszert mutattunk be, amely azonosítja a veszélyeztetett fajokat, rögzíti populációjuk számát, és betekintést nyújt a populáció időbeli eltéréseibe. A megoldást kiterjesztheti a hatóságok figyelmeztetésére is, ha emberek (esetleges orvvadászok) vannak e veszélyeztetett fajok közelében. Az Amazon Rekognition AI/ML képességeivel támogathatjuk a természetvédelmi csoportok erőfeszítéseit a veszélyeztetett fajok és ökoszisztémáik védelmében.
A Rekognition egyéni címkékkel kapcsolatos további információkért lásd: Kezdő lépések az Amazon Rekognition egyéni címkéivel és a Tartalom moderálása. Ha még nem ismeri a Rekognition egyéni címkéket, használhatja ingyenes szintünket, amely 3 hónapig tart, és havi 10 ingyenes képzési órát és havi 4 ingyenes következtetési órát tartalmaz. Az Amazon Rekognition Free Tier havi 5,000 kép feldolgozását tartalmazza 12 hónapon keresztül.
A szerzőkről
Jyothi Goudar az AWS Partner Solutions építész menedzsere. Szorosan együttműködik a globális rendszerintegrátor partnerrel annak érdekében, hogy lehetővé tegye és támogassa az ügyfeleket, hogy áthelyezzék a munkaterhelésüket az AWS-re.
Jay Rao az AWS vezető megoldási építésze. Szeret technikai és stratégiai útmutatást nyújtani ügyfeleinek, és segíteni nekik az AWS-re vonatkozó megoldások tervezésében és megvalósításában.
- AI
- ai művészet
- ai art generátor
- van egy robotod
- Amazon felismerés
- mesterséges intelligencia
- mesterséges intelligencia tanúsítás
- mesterséges intelligencia a bankszektorban
- mesterséges intelligencia robot
- mesterséges intelligencia robotok
- mesterséges intelligencia szoftver
- AWS gépi tanulás
- blockchain
- blokklánc konferencia ai
- coingenius
- társalgási mesterséges intelligencia
- kriptokonferencia ai
- dall's
- mély tanulás
- google azt
- Közepes (200)
- gépi tanulás
- Plató
- plato ai
- Platón adatintelligencia
- Platón játék
- PlatoData
- platogaming
- skála ai
- szintaxis
- zephyrnet