Az elmúlt évtizedben a számítógépes látáshasználati esetek növekvő tendenciát mutattak, különösen az olyan iparágakban, mint a biztosítás, az autóipar, az e-kereskedelem, az energiaipar, a kiskereskedelem, a gyártás és mások. Az ügyfelek számítógépes látás gépi tanulási (ML) modelleket építenek, hogy működési hatékonyságot és automatizálást hozhassanak folyamataiba. Az ilyen modellek segítenek automatizálni a képek osztályozását vagy az érdeklődésre számot tartó objektumok észlelését olyan képeken, amelyek egyediek és egyediek az Ön vállalkozása számára.
Az ML modellépítési folyamat egyszerűsítése érdekében bemutattuk Amazon SageMaker JumpStart 2020 decemberében. A JumpStart segít gyorsan és egyszerűen elkezdeni az ML-t. Az előre betanított modellek széles választékának egy kattintással történő telepítését és finomhangolását, valamint a végpontok közötti megoldások választékát kínálja. Ez kiküszöböli az ML folyamat minden egyes lépéséből adódó nehézségeket, megkönnyítve a kiváló minőségű modellek fejlesztését, és lerövidítve a telepítéshez szükséges időt. Ehhez azonban bizonyos előzetes ismeretekkel kell rendelkeznie ahhoz, hogy segítséget nyújtson a modell kiválasztásában a több mint 200 előre betanított számítógépes látásmodellből álló katalógusból. Ezután összehasonlítania kell a modell teljesítményét különböző hiperparaméter-beállításokkal, és ki kell választania a legjobb modellt az éles üzembe helyezéshez.
Annak érdekében, hogy leegyszerűsítsük ezt a tapasztalatot, és lehetővé tegyük az ML-szakértelemmel nem rendelkező fejlesztők számára, hogy egyéni számítógépes látásmodelleket építsenek, kiadunk egy új példajegyzetfüzetet a JumpStarton belül, amely Amazon Rekognition egyéni címkék, egy teljesen felügyelt szolgáltatás egyedi számítógépes látásmodellek készítéséhez. A Rekognition Custom Labels az előre betanított modellekre épül Amazon felismerés, amelyek már több tízmillió képre vannak kiképezve számos kategóriában. Több ezer kép helyett egy kis (néhány száz vagy kevesebb) képzési képkészlettel kezdheti meg, amelyek az Ön használati esetére vonatkoznak. A Rekognition Custom Labels elvonatkoztatja az egyéni modell felépítésének bonyolultságát. Automatikusan ellenőrzi a betanítási adatokat, kiválasztja a megfelelő ML algoritmusokat, kiválasztja a példány típusát, több jelölt modellt tanít különböző hiperparaméterekkel, és a legjobban betanított modellt adja ki. A Rekognition Custom Labels egy könnyen használható felületet is biztosít a AWS felügyeleti konzol a teljes ML munkafolyamathoz, beleértve a képek címkézését, a képzést, a modell telepítését és a teszteredmények megjelenítését.
Ez a példajegyzetfüzet a JumpStart programon belül a Rekognition Custom Labels használatával bármilyen képosztályozási vagy objektumészlelési számítógépes látás ML feladatot megold, megkönnyítve ezzel a Amazon SageMaker olyan számítógépes látási megoldás megalkotásához, amely a legjobban megfelel az Ön használati esetének, követelményeinek és készségeinek.
Ebben a bejegyzésben lépésről lépésre útmutatást adunk ennek a példajegyzetfüzetnek a JumpStart rendszeren belüli használatához. A notebook bemutatja, hogyan lehet egyszerűen használni a Rekognition Custom Labels meglévő oktatási és következtetési API-it képosztályozási modell, többcímkés osztályozási modell és objektumészlelési modell létrehozására. Az első lépések megkönnyítése érdekében minden modellhez példaadatkészleteket adtunk.
Tanítson és telepítsen számítógépes látásmodellt a Rekognition egyéni címkék segítségével
Ebben a részben megkeressük a kívánt notebookot a JumpStartban, és bemutatjuk, hogyan lehet betanítani és futtatni a következtetést a telepített végponton.
Kezdjük a Amazon SageMaker Studio Indító.
- A Studio Launcherben válassza a lehetőséget Lépjen a SageMaker JumpStart oldalra.
A JumpStart nyitóoldalon találhatók a megoldások, szövegmodellek és látásmodellek körhintarészei. Van egy keresősáv is. - A keresősávba írja be
Rekognition Custom Labels
és válassza a Felismerés egyéni címkéi a Vision számára jegyzetfüzet.
A jegyzetfüzet csak olvasható módban nyílik meg. - 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 Jegyzetfüzet importálása hogy importálja a notebookot a környezetébe.
A jegyzetfüzet lépésről lépésre nyújt útmutatót az edzéshez és a JumpStart konzolon található egyéni Rekognition címkék használatával történő következtetések futtatásához. A következő négy mintaadatkészletet kínálja az egy- és többcímkés képosztályozás és az objektumészlelés bemutatására.
-
- Egycímkés képosztályozás – Ez az adatkészlet bemutatja, hogyan kell besorolni a képeket előre meghatározott címkék valamelyikéhez tartozóként. Például az ingatlancégek a Rekognition egyéni címkéket használhatják a nappalikról, hátsó udvarokról, hálószobákról és más háztartási helyekről készült képeik kategorizálására. Az alábbi mintakép látható ebből az adatkészletből, amely a notebook része.
- Többcímkés képosztályozás – Ez az adatkészlet bemutatja, hogyan lehet képeket több kategóriába sorolni, például a virág színe, mérete, textúrája és típusa szerint. A növénytermesztők például használhatják a Rekognition egyéni címkéket, hogy megkülönböztessék a különböző virágtípusokat, és hogy egészségesek, sérültek vagy fertőzöttek-e. A következő kép egy példa ebből az adatkészletből.
- Tárgyfelismerés – Ez az adatkészlet az objektumok lokalizációját mutatja be a termelési vagy gyártósorokon használt alkatrészek megkereséséhez. Például az elektronikai iparban a Rekognition Custom Labels segíthet megszámolni az áramköri lapon lévő kondenzátorok számát. A következő kép egy példa ebből az adatkészletből.
- Márka és logó észlelése – Ez az adatkészlet bemutatja a logók vagy márkák elhelyezkedését egy képen. Például a médiaiparban egy objektumészlelő modell segíthet azonosítani a szponzorlogók helyét a fényképeken. Az alábbi mintakép látható ebből az adatkészletből.
- Egycímkés képosztályozás – Ez az adatkészlet bemutatja, hogyan kell besorolni a képeket előre meghatározott címkék valamelyikéhez tartozóként. Például az ingatlancégek a Rekognition egyéni címkéket használhatják a nappalikról, hátsó udvarokról, hálószobákról és más háztartási helyekről készült képeik kategorizálására. Az alábbi mintakép látható ebből az adatkészletből, amely a notebook része.
- Kövesse a jegyzetfüzet lépéseit az egyes cellák futtatásával.
Ez a jegyzetfüzet bemutatja, hogyan használhat egyetlen jegyzetfüzetet a képbesorolás és az objektumészlelés használati eseteinek kezelésére a Rekognition egyedi címke API-kon keresztül.
Ahogy folytatja a notebook használatát, lehetősége van kiválasztani a fent említett mintaadatkészletek egyikét. Javasoljuk, hogy próbálja meg futtatni a notebookot mindegyik adatkészlethez.
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan használhatja a Rekognition Custom Labels API-kat képosztályozás vagy objektumészlelési számítógépes látásmodell felépítésére, amellyel osztályozhatja és azonosíthatja a képeken lévő objektumokat, amelyek kifejezetten az Ön üzleti igényeinek felelnek meg. A modell betanításához több tíz-száz címkézett képet biztosíthat több ezer helyett. A Rekognition Custom Labels leegyszerűsíti a modell betanítását azáltal, hogy gondoskodik az olyan paraméterek kiválasztásáról, mint például a géptípus, az algoritmus típusa vagy az algoritmus-specifikus hiperparaméterek (beleértve a hálózat rétegeinek számát, a tanulási sebességet és a kötegméretet). A Rekognition Custom Labels emellett leegyszerűsíti a betanított modellek tárolását, és egyszerű műveletet biztosít a betanított modellekkel való következtetés végrehajtásához.
A Rekognition Custom Labels könnyen használható konzolélményt biztosít a képzési folyamathoz, a modellkezeléshez és az adatkészlet-képek megjelenítéséhez. Javasoljuk, hogy többet tudjon meg Felismerés egyéni címkék és próbálja ki a vállalkozásspecifikus adatkészletekkel.
A kezdéshez navigáljon a Rekognition Custom Labels példajegyzetfüzethez SageMaker JumpStart.
A szerzőkről
Pashmeen Mistry az Amazon Rekognition egyéni címkéinek vezető termékmenedzsere. A munkán kívül Pashmeen élvezi a kalandos túrákat, a fotózást, és a családjával tölti az idejét.
Abhishek Gupta az AWS vezető mesterséges intelligencia-szolgáltatási építésze. Segít az ügyfeleknek számítógépes látási megoldások tervezésében és megvalósításában.
- Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
- CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
- Forrás: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- absztraktokat
- át
- cím
- AI
- AI szolgáltatások
- algoritmus
- algoritmusok
- már
- amazon
- API-k
- automatizált
- Automatizálás
- autóipari
- AWS
- benchmark
- BEST
- bizottság
- márka
- épít
- Épület
- épít
- üzleti
- Kaphat
- jelölt
- ami
- esetek
- választás
- 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
- besorolás
- Companies
- számítógép
- Konzol
- teremt
- szokás
- Ügyfelek
- dátum
- évtized
- bizonyítani
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- Design
- Érzékelés
- Fejleszt
- fejlesztők
- különböző
- könnyen
- könnyen használható
- e-kereskedelem
- Elektronika
- ösztönzése
- Endpoint
- energia
- belép
- Környezet
- különösen
- birtok
- példa
- létező
- tapasztalat
- szakvélemény
- család
- következő
- Növekvő
- útmutató
- segít
- segít
- jó minőségű
- tárhely
- háztartás
- Hogyan
- How To
- azonban
- HTTPS
- Több száz
- azonosítani
- kép
- végre
- beleértve
- Beleértve
- iparágak
- ipar
- biztosítás
- kamat
- Felület
- részt
- IT
- tudás
- címkézés
- Címkék
- TANUL
- tanulás
- emelő
- kis
- élő
- elhelyezkedés
- helyszínek
- logo
- gép
- gépi tanulás
- Gyártás
- sikerült
- vezetés
- menedzser
- gyártási
- Média
- Több millió
- ML
- modell
- modellek
- több
- többszörös
- igények
- hálózat
- jegyzetfüzet
- szám
- nyit
- működés
- opció
- Más
- rész
- teljesítmény
- előadó
- fényképezés
- folyamat
- Folyamatok
- Termékek
- Termelés
- ad
- biztosít
- amely
- gyorsan
- ingatlan
- csökkentő
- követelmények
- megköveteli,
- Eredmények
- kiskereskedelem
- Szobák
- futás
- futás
- Keresés
- szolgáltatás
- Szolgáltatások
- készlet
- Egyszerű
- Méret
- kicsi
- megoldások
- Megoldások
- Megoldja
- néhány
- Költési
- szponzor
- kezdet
- kezdődött
- stúdió
- bevétel
- teszt
- ezer
- idő
- Képzések
- vonatok
- típusok
- egyedi
- használ
- fajta
- látomás
- megjelenítés
- belül
- Munka