Amazon SageMaker Ground Truth Plus egy felügyelt adatcímkézési szolgáltatás, amely megkönnyíti az adatok címkézését gépi tanulási (ML) alkalmazásokhoz. Az egyik gyakori felhasználási eset a szemantikus szegmentálás, amely egy számítógépes látásmódosító ML-technika, amely magában foglalja az osztálycímkék hozzárendelését a kép egyes képpontjaihoz. Például a mozgó jármű által rögzített videokockákban az osztálycímkék tartalmazhatnak járműveket, gyalogosokat, utakat, közlekedési jelzéseket, épületeket vagy háttereket. A képen látható különböző objektumok elhelyezkedésének nagy pontosságú megértését biztosítja, és gyakran használják észlelési rendszerek felépítésére autonóm járművek vagy robotika számára. A szemantikai szegmentáláshoz szükséges ML modell felépítéséhez először nagy mennyiségű adatot pixel szinten kell felcímkézni. Ez a címkézési folyamat összetett. Szakképzett címkézőket és jelentős időt igényel – egyes képek pontos címkézése akár 2 órát is igénybe vehet!
A 2019, kiadtunk egy ML-alapú interaktív címkéző eszközt, az Auto-segment for Ground Truth nevet amely lehetővé teszi, hogy gyorsan és egyszerűen készítsen kiváló minőségű szegmentáló maszkokat. További információkért lásd Automatikus szegmentáló eszköz. Ez a funkció úgy működik, hogy lehetővé teszi az objektum felső, bal, alsó és jobb szélső legszélső pontjára való kattintást. A háttérben futó ML-modell feldolgozza ezt a felhasználói bevitelt, és jó minőségű szegmentációs maszkot ad vissza, amely azonnal megjelenik a Ground Truth címkéző eszközben. Ez a funkció azonban csak négy kattintást tesz lehetővé. Bizonyos esetekben az ML által generált maszk véletlenül kihagyhatja a kép bizonyos részeit, például az objektum határa körül, ahol az élek elmosódnak, vagy ahol a színek, a telítettség vagy az árnyékok beleolvadnak a környezetbe.
Extrém pontkattintás rugalmas számú korrekciós kattintással
Most továbbfejlesztettük az eszközt, amely lehetővé teszi a határpontok extra kattintását, amely valós idejű visszajelzést ad az ML modellnek. Ezzel pontosabb szegmentációs maszkot hozhat létre. A következő példában a kezdeti szegmentálás eredménye nem pontos az árnyék közelében lévő gyenge határok miatt. Fontos, hogy ez az eszköz olyan üzemmódban működik, amely lehetővé teszi a valós idejű visszacsatolást – nem szükséges az összes pontot egyszerre megadni. Ehelyett először végezhet négy egérkattintást, ami elindítja az ML-modellt szegmentációs maszk létrehozására. Ezután megvizsgálhatja ezt a maszkot, megkeresheti az esetleges pontatlanságokat, majd szükség szerint további kattintásokat végezhet, hogy a modellt a megfelelő eredményre "lökje".
Korábbi címkéző eszközünkön pontosan négy egérkattintás (piros pont) helyezhető el. A kezdeti szegmentálás eredménye (árnyékolt piros terület) nem pontos, mert az árnyék közelében lévő gyenge határvonalak (a piros maszk bal alsó sarkában) nem pontosak.
Továbbfejlesztett címkéző eszközünkkel a felhasználó először ismét négy egérkattintással (piros pontok a felső ábrán). Ezután lehetősége van megvizsgálni a kapott szegmentáló maszkot (a felső ábrán árnyékolt piros terület). További egérkattintásokat végezhet (zöld pontok az alsó ábrán), hogy a modell finomítsa a maszkot (árnyékolt piros terület az alsó ábrán).
Az eszköz eredeti verziójához képest a továbbfejlesztett változat jobb eredményt ad, ha a tárgyak deformálhatók, nem domborúak, és változó alakúak és megjelenésűek.
Ennek a továbbfejlesztett eszköznek a teljesítményét mintaadatokon szimuláltuk úgy, hogy először futtattuk az alapeszközt (csak négy szélsőséges kattintással), hogy létrehozzunk egy szegmentációs maszkot, és kiértékeltük annak átlagos metszéspontját az Unión keresztül (mIoU), amely a szegmentációs maszkok pontosságának általános mértéke. Ezután szimulált korrekciós kattintásokat alkalmaztunk, és minden szimulált kattintás után értékeltük a millió forint javulását. Az alábbi táblázat ezeket az eredményeket foglalja össze. Az első sorban a millió, a második sorban a hiba látható (amelyet 100% mIoU-val ad meg). Mindössze öt további egérkattintással 9%-kal csökkenthetjük a hibát ennél a feladatnál!
. | . | Javító kattintások száma | . | |||
. | kiindulási | 1 | 2 | 3 | 4 | 5 |
mioU | 72.72 | 76.56 | 77.62 | 78.89 | 80.57 | 81.73 |
hiba | 27% | 23% | 22% | 21% | 19% | 18% |
Integráció a Ground Truth-szal és teljesítményprofilozással
Ennek a modellnek a Ground Truth-tal való integrálásához egy szabványos architektúramintát követünk, amint az a következő ábrán látható. Először az ML-modellt Docker-lemezképbe építjük, és telepítjük Amazon Elastic Container Registry (Amazon ECR), egy teljesen felügyelt Docker-tároló-nyilvántartás, amely megkönnyíti a tárolóképek tárolását, megosztását és telepítését. Használni a SageMaker Inference Toolkit A Docker-kép felépítése lehetővé teszi számunkra, hogy könnyen alkalmazzuk a modellkiszolgálás legjobb gyakorlatait, és alacsony késleltetésű következtetéseket érjünk el. Ezután létrehozunk egy Amazon SageMaker valós idejű végpont a modell tárolására. Bemutatunk egy AWS Lambda proxyként működik a SageMaker végpont előtt, hogy különféle típusú adatátalakításokat kínáljon. Végül használjuk Amazon API átjáró a Ground Truth címkealkalmazással való integráció módjaként, hogy biztonságos hitelesítést biztosíthassunk a háttérrendszerünk számára.
Ezt az általános mintát követheti saját felhasználási eseteihez a célra épített ML-eszközökhöz, és integrálhatja azokat az egyéni Ground Truth feladat felhasználói felületekkel. További információkért lásd: Építsen fel egyéni adatcímkézési munkafolyamatot az Amazon SageMaker Ground Truth segítségével.
Miután kiépítette ezt az architektúrát, és telepítette a modellünket a AWS Cloud Development Kit (AWS CDK), értékeltük modellünk késleltetési jellemzőit különböző SageMaker példánytípusokkal. Ez nagyon egyszerű megtenni, mert a SageMaker valós idejű következtetési végpontokat használjuk a modellünk kiszolgálásához. A SageMaker valós idejű következtetési végpontjai zökkenőmentesen integrálhatók amazonfelhőóra és olyan mérőszámokat bocsátanak ki, mint a memóriahasználat és a modell késleltetése, anélkül, hogy szükség lenne beállításra (lásd SageMaker végpont-hívási metrikák további részletekért).
A következő ábrán a SageMaker valós idejű következtetési végpontjai által natívan kibocsátott ModelLatency metrikát mutatjuk be. A CloudWatchban könnyedén használhatunk különféle metrikus matematikai függvényeket a késleltetési százalékok megjelenítésére, például a p50 vagy p90 késleltetést.
Az alábbi táblázat összefoglalja ezeket az eredményeket a továbbfejlesztett extrém kattintási eszközünk szemantikai szegmentálásához három példánytípus esetén: p2.xlarge, p3.2xlarge és g4dn.xlarge. Bár a p3.2xlarge példány biztosítja a legalacsonyabb késleltetést, a g4dn.xlarge példány biztosítja a legjobb költség-teljesítmény arányt. A g4dn.xlarge példány csak 8%-kal lassabb (35 ezredmásodperc), mint a p3.2xlarge példány, de óránként 81%-kal olcsóbb, mint a p3.2xlarge (lásd Amazon SageMaker árképzés további részletekért a SageMaker példánytípusokról és az árakról).
SageMaker példánytípus | p90 késés (ms) | |
1 | p2.xlarge | 751 |
2 | p3.2xnagy | 424 |
3 | g4dn.xlarge | 459 |
Következtetés
Ebben a bejegyzésben bemutattuk a Ground Truth automatikus szegmens funkciójának kiterjesztését a szemantikus szegmentálási annotációs feladatokhoz. Míg az eszköz eredeti verziója pontosan négy egérkattintást tesz lehetővé, ami kiváltja a modellt, hogy kiváló minőségű szegmentációs maszkot biztosítson, a bővítmény lehetővé teszi a korrekciós kattintások végrehajtását, és ezáltal az ML modell frissítését és irányítását a jobb előrejelzések érdekében. Bemutattunk egy alapvető építészeti mintát is, amellyel interaktív eszközöket telepíthet és integrálhat a Ground Truth címkézési felhasználói felületekbe. Végül összefoglaltuk a modell késleltetését, és megmutattuk, hogy a SageMaker valós idejű következtetési végpontok használata hogyan teszi egyszerűvé a modell teljesítményének nyomon követését.
Ha többet szeretne megtudni arról, hogy ez az eszköz hogyan csökkentheti a címkézési költségeket és növelheti a pontosságot, látogasson el a következő oldalra Amazon SageMaker adatcímkézés hogy még ma kezdje meg a konzultációt.
A szerzőkről
Jonathan Buck az Amazon Web Services szoftvermérnöke, aki a gépi tanulás és az elosztott rendszerek találkozási pontján dolgozik. Munkája magában foglalja a gépi tanulási modellek gyártását és a gépi tanulással hajtott új szoftveralkalmazások fejlesztését, hogy a legújabb képességeket az ügyfelek kezébe adja.
Li Erran Li a humin-in-the-loop szolgáltatások, az AWS AI, Amazon alkalmazott tudományos menedzsere. Kutatási területe a 3D mély tanulás, valamint a látás és nyelvi reprezentáció tanulása. Korábban az Alexa AI vezető tudósa, a Scale AI gépi tanulási vezetője és a Pony.ai vezető tudósa volt. Ezt megelőzően az Uber ATG észlelési csapatánál és az Uber gépi tanulási platform csapatánál dolgozott az autonóm vezetés gépi tanulásán, a gépi tanulási rendszereken és az AI stratégiai kezdeményezésein. Pályafutását a Bell Labs-nál kezdte, és a Columbia Egyetem adjunktusa volt. Társaként tartott oktatóanyagokat az ICML'17-en és az ICCV'19-en, és több workshopot szervezett a NeurIPS-ben, ICML-ben, CVPR-ben, ICCV-ben az autonóm vezetés gépi tanulásáról, a 3D-látásról és a robotikáról, a gépi tanulási rendszerekről és az ellenséges gépi tanulásról. A Cornell Egyetemen szerzett PhD fokozatot számítástechnikából. ACM-ösztöndíjas és IEEE-ösztöndíjas.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/few-click-segmentation-mask-labeling-in-amazon-sagemaker-ground-truth-plus/
- :is
- $ UP
- 1
- 100
- 2019
- 3d
- 7
- a
- Rólunk
- pontosság
- pontos
- Elérése
- ACM
- További
- ellenséges
- Után
- AI
- Alexa
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- Bár
- amazon
- Amazon SageMaker
- Amazon SageMaker Ground Truth
- Az Amazon Web Services
- és a
- api
- Alkalmazás
- alkalmazások
- alkalmazott
- megfelelő
- építészeti
- építészet
- VANNAK
- TERÜLET
- körül
- AS
- At
- Hitelesítés
- auto
- autonóm
- autonóm járművek
- AWS
- háttér
- háttér
- háttérrel
- kiindulási
- alapvető
- alap
- mert
- előtt
- Csengő
- BEST
- legjobb gyakorlatok
- Jobb
- Keverék
- Alsó
- határait
- épít
- Épület
- by
- hívott
- TUD
- képességek
- Karrier
- eset
- esetek
- Okoz
- bizonyos
- jellemzők
- fő
- osztály
- kettyenés
- felhő
- szín
- KOLUMBIA
- Közös
- bonyolult
- számítógép
- Computer Science
- Számítógépes látás
- Konténer
- Költség
- teremt
- szokás
- Ügyfelek
- dátum
- mély
- mély tanulás
- telepíteni
- bevezetéséhez
- részletek
- fejlesztése
- Fejlesztés
- különböző
- megosztott
- elosztott rendszerek
- Dokkmunkás
- Nem
- vezetés
- minden
- könnyen
- lehetővé teszi
- Endpoint
- mérnök
- fokozott
- hiba
- értékelték
- pontosan
- példa
- drága
- kiterjesztés
- külön-
- szélső
- Funkció
- Visszacsatolás
- fickó
- Ábra
- Végül
- vezetéknév
- rugalmas
- következik
- következő
- A
- front
- Front end
- teljesen
- funkció
- funkciók
- generál
- adott
- Zöld
- Földi
- útmutató
- kezek
- Legyen
- fej
- jó minőségű
- vendéglátó
- NYITVATARTÁS
- Hogyan
- azonban
- HTML
- http
- HTTPS
- IEEE
- kép
- képek
- azonnal
- javított
- javulás
- in
- tartalmaz
- Növelje
- egyéni
- információ
- kezdetben
- kezdeményezések
- bemenet
- példa
- helyette
- integrálni
- integrálása
- interaktív
- érdekek
- útkereszteződés
- bevezet
- Bevezetett
- IT
- ITS
- jpg
- Címke
- címkézés
- Címkék
- Labs
- nyelv
- nagy
- Késleltetés
- legutolsó
- TANUL
- tanulás
- szint
- helyszínek
- gép
- gépi tanulás
- csinál
- KÉSZÍT
- sikerült
- menedzser
- maszk
- maszkok
- matematikai
- intézkedés
- Memory design
- metrikus
- Metrics
- ML
- Mód
- modell
- modellek
- monitor
- több
- mozgó
- MS
- Közel
- elengedhetetlen
- regény
- szám
- tárgy
- objektumok
- of
- ajánlat
- on
- ONE
- működik
- Alkalom
- eredeti
- saját
- Mintás
- észlelés
- teljesítmény
- pixel
- Hely
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- plusz
- pont
- pont
- állás
- potenciális
- powered
- gyakorlat
- Tippek
- bemutatott
- előző
- korábban
- árazás
- folyamat
- gyárt
- Egyetemi tanár
- ad
- biztosít
- meghatalmazott
- tesz
- gyorsan
- hányados
- real-time
- Piros
- csökkenteni
- iktató hivatal
- felszabaduló
- vakolatok
- képviselet
- szükség
- kötelező
- megköveteli,
- kutatás
- eredményez
- kapott
- Eredmények
- visszatérés
- robotika
- SOR
- futás
- sagemaker
- Skála
- skála ai
- Tudomány
- Tudós
- zökkenőmentesen
- Második
- biztonság
- részes
- szegmentáció
- idősebb
- szolgál
- szolgáltatás
- Szolgáltatások
- szolgáló
- felépítés
- számos
- árnyék
- Alak
- Megosztás
- előadás
- mutatott
- Műsorok
- jelek
- jelentős
- szakképzett
- szoftver
- Software Engineer
- standard
- kezdet
- kezdődött
- tárolni
- egyértelmű
- Stratégiai
- Később
- ilyen
- Systems
- táblázat
- Vesz
- Feladat
- feladatok
- csapat
- hogy
- A
- Őket
- ezáltal
- Ezek
- három
- nak nek
- Ma
- szerszám
- szerszámok
- felső
- forgalom
- Átalakítás
- kiváltó
- oktatóanyagok
- típusok
- Uber
- megértés
- unió
- egyetemi
- Frissítések
- us
- használ
- használati eset
- használó
- különféle
- jármű
- Járművek
- változat
- videó
- látomás
- Látogat
- kötet
- Út..
- háló
- webes szolgáltatások
- ami
- lesz
- val vel
- Munka
- dolgozó
- művek
- Műhelyek
- te
- A te
- zephyrnet