Mengidentifikasi landmark dengan Label Kustom Amazon Rekognition

Rekognisi Amazon adalah layanan visi komputer yang mempermudah penambahan analisis gambar dan video ke aplikasi Anda menggunakan teknologi pembelajaran mendalam yang telah terbukti, sangat skalabel, yang tidak memerlukan keahlian pembelajaran mesin (ML). Dengan Amazon Rekognition, Anda dapat mengidentifikasi objek, orang, teks, adegan, dan aktivitas dalam gambar dan video serta mendeteksi konten yang tidak pantas. Amazon Rekognition juga memberikan analisis wajah yang sangat akurat dan kemampuan pencarian wajah yang dapat Anda gunakan untuk mendeteksi, menganalisis, dan membandingkan wajah untuk berbagai kasus penggunaan.

Label Kustom Amazon Rekognition adalah fitur Amazon Rekognition yang mempermudah pembuatan kemampuan analisis gambar berbasis ML khusus Anda sendiri untuk mendeteksi objek dan pemandangan unik yang terintegrasi dengan kasus penggunaan khusus Anda.

Beberapa kasus penggunaan yang umum dari Rekognition Custom Labels termasuk menemukan logo Anda di postingan media sosial, mengidentifikasi produk Anda di rak toko, mengklasifikasikan suku cadang mesin di jalur perakitan, membedakan antara tanaman yang sehat dan yang terinfeksi, dan banyak lagi.

Label Pengakuan Amazon mendukung landmark populer seperti Jembatan Brooklyn, Colosseum, Menara Eiffel, Machu Picchu, Taj Mahal, dan banyak lagi. Jika Anda memiliki landmark atau bangunan lain yang belum didukung oleh Amazon Rekognition, Anda masih dapat menggunakan Amazon Rekognition Custom Labels.

Dalam postingan ini, kami mendemonstrasikan penggunaan Rekognition Custom Labels untuk mendeteksi gedung Amazon Spheres di Seattle.

Dengan Rekognition Custom Labels, AWS menangani beban berat untuk Anda. Rekognition Custom Labels dibangun dari kemampuan Amazon Rekognition yang sudah ada, yang sudah dilatih pada puluhan juta gambar di banyak kategori. Alih-alih ribuan gambar, Anda hanya perlu mengupload sekumpulan kecil gambar pelatihan (biasanya beberapa ratus gambar atau kurang) yang khusus untuk kasus penggunaan Anda melalui konsol langsung kami. Amazon Rekognition dapat memulai pelatihan hanya dengan beberapa klik. Setelah Amazon Rekognition memulai pelatihan dari kumpulan gambar Anda, Amazon dapat menghasilkan model analisis gambar khusus untuk Anda dalam beberapa menit atau jam. Di belakang layar, Rekognition Custom Labels secara otomatis memuat dan memeriksa data pelatihan, memilih algoritme ML yang sesuai, melatih model, dan menyediakan metrik performa model. Anda kemudian dapat menggunakan model khusus Anda melalui Rekognition Custom Labels API dan mengintegrasikannya ke dalam aplikasi Anda.

Ikhtisar solusi

Untuk contoh kami, kami menggunakan Bola Amazon bangunan di Seattle. Kami melatih model menggunakan Label Khusus Pengakuan; setiap kali gambar serupa digunakan, algoritme harus mengidentifikasinya sebagai Amazon Spheres alih-alih Dome, Architecture, Glass building, atau label lainnya.

Pertama-tama, mari tunjukkan contoh penggunaan fitur deteksi label dari Amazon Rekognition, tempat kami memberi makan gambar Amazon Spheres tanpa pelatihan khusus apa pun. Kami menggunakan konsol Amazon Rekognition untuk membuka demo deteksi label dan mengunggah foto kami.

Setelah gambar diunggah dan dianalisis, kami melihat label dengan skor kepercayaan di bawah Hasil. Pada kasus ini, Dome terdeteksi dengan skor kepercayaan 99.2%, Architecture dengan 99.2%, Building dengan 99.2%, Metropolis dengan 79.4%, dan seterusnya.

Kami ingin menggunakan pelabelan khusus untuk menghasilkan model visi komputer yang dapat memberi label pada gambar Amazon Spheres.

Di bagian berikut, kami memandu Anda menyiapkan set data, membuat proyek Label Khusus Pengakuan, melatih model, mengevaluasi hasil, dan mengujinya dengan gambar tambahan.

Prasyarat

Sebelum memulai dengan langkah-langkahnya, ada kuota untuk Rekognition Custom Labels yang perlu Anda ketahui. Jika Anda ingin mengubah batas, Anda dapat meminta a peningkatan batas layanan.

Buat kumpulan data Anda

Jika ini pertama kalinya Anda menggunakan Label Khusus Pengakuan, Anda akan diminta untuk membuat Layanan Penyimpanan Sederhana Amazon (Amazon S3) untuk menyimpan kumpulan data Anda.

Untuk demonstrasi blog ini, kami telah menggunakan gambar Amazon Spheres, yang kami ambil saat mengunjungi Seattle, WA. Jangan ragu untuk menggunakan gambar Anda sendiri sesuai kebutuhan Anda.

Salin kumpulan data Anda ke keranjang yang baru dibuat, yang menyimpan gambar Anda di dalam awalannya masing-masing.

Buat proyek

Untuk membuat project Rekognition Custom Labels, selesaikan langkah-langkah berikut:

1. Pada konsol Label Kustom Pengakuan, pilih Buat proyek.
2. Untuk Nama proyek, masukkan nama.
3. Pilih Buat proyek.
   
   Sekarang kami menentukan konfigurasi dan jalur dataset pelatihan dan pengujian Anda.
4. Pilih Buat set data.
   

Anda dapat memulai dengan proyek yang memiliki kumpulan data tunggal, atau proyek yang memiliki kumpulan data pelatihan dan pengujian terpisah. Jika Anda memulai dengan satu set data, Rekognition Custom Labels membagi set data Anda selama pelatihan untuk membuat set data pelatihan (80%) dan set data pengujian (20%) untuk proyek Anda.

Selain itu, Anda dapat membuat kumpulan data pelatihan dan pengujian untuk proyek dengan mengimpor gambar dari salah satu lokasi berikut:

Untuk posting ini, kami menggunakan kumpulan data khusus Amazon Spheres kami sendiri.

1. Pilih Mulailah dengan satu kumpulan data.
2. Pilih Impor gambar dari bucket S3.
   
3. Untuk URI S3, masukkan jalur ke bucket S3 Anda.
4. Jika Anda ingin Rekognition Custom Labels secara otomatis melabeli gambar untuk Anda berdasarkan nama folder di bucket S3 Anda, pilih Secara otomatis menetapkan label tingkat gambar ke gambar berdasarkan nama folder.
   
5. Pilih Buat set data.

Halaman terbuka yang menampilkan gambar dengan labelnya. Jika Anda melihat kesalahan pada label, lihat Men-debug kumpulan data.

Latih modelnya

Setelah meninjau kumpulan data, Anda sekarang dapat melatih model.

1. Pilih model kereta api.
2. Untuk Pilih proyek, masukkan ARN untuk proyek Anda jika belum terdaftar.
3. Pilih Model kereta.

Dalam majalah Model bagian dari halaman proyek, Anda dapat memeriksa status saat ini di Status model kolom tempat pelatihan sedang berlangsung. Waktu pelatihan biasanya memerlukan waktu 30 menit hingga 24 jam untuk diselesaikan, bergantung pada beberapa faktor seperti jumlah gambar dan jumlah label dalam set pelatihan, dan jenis algoritme ML yang digunakan untuk melatih model Anda.

Saat pelatihan model selesai, Anda dapat melihat status model sebagai TRAINING_COMPLETED. Jika pelatihan gagal, lihat Men-debug pelatihan model yang gagal.

Evaluasi modelnya

Buka halaman detail model. Itu Evaluasi tab menampilkan metrik untuk setiap label, dan metrik rata-rata untuk seluruh kumpulan data pengujian.

Konsol Label Khusus Pengakuan menyediakan metrik berikut sebagai ringkasan hasil pelatihan dan sebagai metrik untuk setiap label:

Anda dapat melihat hasil model terlatih Anda untuk masing-masing gambar, seperti yang ditunjukkan pada tangkapan layar berikut.

Uji modelnya

Setelah melihat hasil evaluasi, kami siap memulai model dan menganalisis gambar baru.

Anda dapat memulai model di Gunakan model tab di konsol Rekognition Custom Labels, atau dengan menggunakan MulaiProjectVersion operasi melalui Antarmuka Baris Perintah AWS (AWS CLI) atau Python SDK.

Saat model sedang berjalan, kita dapat menganalisis gambar baru menggunakan DeteksiLabel Kustom API. Hasil dari DetectCustomLabels adalah prediksi bahwa gambar tersebut mengandung objek, adegan, atau konsep tertentu. Lihat kode berikut:

aws rekognition detect-custom-labels 
--project-version-arn  
--image '{"S3Object": {"Bucket":,"Name":}}' 
--region 

Di output, Anda dapat melihat label dengan skor kepercayaannya:

{
    "Custom Labels": [
        {
            "Name": "Amazon Spheres",
            "Confidence": 93.55500030517578
        }
    ]
}

Seperti yang dapat Anda lihat dari hasilnya, hanya dengan beberapa klik mudah, Anda dapat menggunakan Label Khusus Pengakuan untuk mendapatkan hasil pelabelan yang akurat. Anda dapat menggunakan ini untuk banyak kasus penggunaan gambar, seperti mengidentifikasi pelabelan khusus untuk produk makanan, hewan peliharaan, suku cadang mesin, dan lainnya.

Membersihkan

Untuk membersihkan sumber daya yang Anda buat sebagai bagian dari postingan ini dan menghindari potensi biaya berulang, selesaikan langkah-langkah berikut:

1. pada Gunakan model tab, hentikan modelnya.
   Atau, Anda dapat menghentikan model menggunakan HentikanProjectVersion operasi melalui AWS CLI atau Python SDK. Tunggu sampai modelnya ada di Stopped menyatakan sebelum melanjutkan ke langkah berikutnya.
2. Hapus modelnya.
3. Hapus proyek.
4. Hapus kumpulan data.
5. Empty isi ember S3 dan hapus ember.

Kesimpulan

Dalam postingan ini, kami menunjukkan cara menggunakan Label Kustom Rekognisi untuk mendeteksi gambar bangunan.

Anda dapat memulai dengan kumpulan data gambar khusus, dan dengan beberapa klik mudah di konsol Label Khusus Pengakuan, Anda dapat melatih model dan mendeteksi objek dalam gambar. Label Kustom Rekognisi dapat memuat dan memeriksa data secara otomatis, memilih algoritme ML yang tepat, melatih model, dan memberikan metrik performa model. Anda dapat meninjau metrik performa mendetail seperti presisi, daya ingat, skor F1, dan skor kepercayaan diri.

Saatnya telah tiba ketika kami sekarang dapat mengidentifikasi bangunan populer seperti Empire State Building di New York City, Taj Mahal di India, dan banyak lainnya di seluruh dunia yang diberi label sebelumnya dan siap digunakan untuk kecerdasan dalam aplikasi Anda. Namun jika Anda memiliki landmark lain yang saat ini belum didukung oleh Amazon Rekognition Labels, tidak perlu mencari lagi dan cobalah Amazon Rekognition Custom Labels.

Untuk informasi lebih lanjut tentang menggunakan label kustom, lihat Apa Itu Label Kustom Amazon Rekognition? Kunjungi juga GitHub repo untuk alur kerja end-to-end deteksi merek kustom Amazon Rekognition.

Tentang Penulis:

Suresh Patnam adalah Pemimpin Utama BDM – GTM AI/ML di AWS. Dia bekerja dengan pelanggan untuk membangun strategi TI, menjadikan transformasi digital melalui cloud lebih mudah diakses dengan memanfaatkan Data & AI/ML. Di waktu senggangnya, Suresh senang bermain tenis dan menghabiskan waktu bersama keluarganya.

Kelinci Kaushik adalah Arsitek Solusi di AWS. Dia bersemangat membangun solusi AI/ML di AWS dan membantu pelanggan berinovasi di platform AWS. Di luar pekerjaan, dia menikmati hiking, memanjat, dan berenang.