Dalam dekade terakhir, kasus penggunaan visi komputer telah menjadi tren yang berkembang, terutama di industri seperti asuransi, otomotif, e-niaga, energi, ritel, manufaktur, dan lain-lain. Pelanggan sedang membangun model pembelajaran mesin (ML) visi komputer untuk menghadirkan efisiensi operasional dan otomatisasi ke proses mereka. Model tersebut membantu mengotomatiskan klasifikasi gambar atau deteksi objek yang menarik dalam gambar yang spesifik dan unik untuk bisnis Anda.
Untuk menyederhanakan proses pembuatan model ML, kami memperkenalkan Mulai Lompatan Amazon SageMaker pada Desember 2020. JumpStart membantu Anda memulai ML dengan cepat dan mudah. Ini menyediakan penyebaran satu klik dan fine-tuning dari berbagai model pra-terlatih, serta pilihan solusi end-to-end. Ini menghilangkan beban berat dari setiap langkah proses ML, membuatnya lebih mudah untuk mengembangkan model berkualitas tinggi dan mengurangi waktu penerapan. Namun, Anda harus memiliki pengetahuan sebelumnya untuk membantu dalam pemilihan model dari katalog lebih dari 200 model visi komputer yang telah dilatih sebelumnya. Anda kemudian harus membandingkan kinerja model dengan pengaturan hyperparameter yang berbeda dan memilih model terbaik untuk digunakan dalam produksi.
Untuk menyederhanakan pengalaman ini dan memungkinkan pengembang dengan sedikit atau tanpa keahlian ML untuk membangun model visi komputer kustom, kami merilis notebook contoh baru dalam JumpStart yang menggunakan Label Kustom Amazon Rekognition, layanan terkelola sepenuhnya untuk membuat model visi komputer kustom. Label Kustom Pengakuan dibangun dari model yang telah dilatih sebelumnya di Rekognisi Amazon, yang sudah dilatih pada puluhan juta gambar di banyak kategori. Alih-alih ribuan gambar, Anda dapat memulai dengan sekumpulan kecil gambar pelatihan (beberapa ratus atau kurang) yang khusus untuk kasus penggunaan Anda. Label Kustom Pengakuan mengabstraksikan kompleksitas yang terlibat dalam membangun model kustom. Ini secara otomatis memeriksa data pelatihan, memilih algoritme ML yang tepat, memilih jenis instans, melatih beberapa model kandidat dengan hyperparameter berbeda, dan mengeluarkan model terlatih terbaik. Label Kustom Pengakuan juga menyediakan antarmuka yang mudah digunakan dari Konsol Manajemen AWS untuk seluruh alur kerja ML, termasuk pelabelan gambar, pelatihan, penerapan model, dan visualisasi hasil pengujian.
Contoh notebook dalam JumpStart menggunakan Label Kustom Rekognition ini menyelesaikan tugas ML visi komputer klasifikasi gambar atau deteksi objek, sehingga memudahkan pelanggan yang terbiasa dengan Amazon SageMaker untuk membangun solusi visi komputer yang paling sesuai dengan kasus penggunaan, persyaratan, dan keahlian Anda.
Dalam posting ini, kami memberikan petunjuk langkah demi langkah untuk menggunakan notebook contoh ini dalam JumpStart. Notebook ini menunjukkan cara mudah menggunakan API pelatihan dan inferensi Rekognition Custom Labels yang ada untuk membuat model klasifikasi gambar, model klasifikasi multi-label, dan model deteksi objek. Untuk memudahkan Anda memulai, kami telah menyediakan contoh kumpulan data untuk setiap model.
Latih dan terapkan model visi komputer menggunakan Label Kustom Pengakuan
Di bagian ini, kami menemukan notebook yang diinginkan di JumpStart, dan mendemonstrasikan cara melatih dan menjalankan inferensi pada titik akhir yang diterapkan.
Mari kita mulai dari Studio Amazon SageMaker Peluncur.
- Di Peluncur Studio, pilih Buka SageMaker JumpStart.
Halaman arahan JumpStart memiliki bagian untuk carousel untuk solusi, model teks, dan model visi. Ini juga memiliki bilah pencarian. - Di bilah pencarian, masukkan
Rekognition Custom Labels
Dan pilih Pengakuan Label Kustom untuk Vision buku catatan.
Notebook terbuka dalam mode baca-saja. - Pilih Impor Notebook untuk mengimpor notebook ke lingkungan Anda.
Notebook ini menyediakan panduan langkah demi langkah untuk melatih dan menjalankan inferensi menggunakan Label Kustom Pengakuan dari konsol JumpStart. Ini menyediakan empat kumpulan data sampel berikut untuk mendemonstrasikan klasifikasi gambar dan deteksi objek tunggal dan multi-label.
-
- Klasifikasi gambar berlabel tunggal โ Dataset ini menunjukkan bagaimana mengklasifikasikan gambar sebagai milik salah satu dari satu set label yang telah ditentukan. Misalnya, perusahaan real estat dapat menggunakan Label Kustom Pengakuan untuk mengategorikan gambar ruang keluarga, halaman belakang, kamar tidur, dan lokasi rumah lainnya. Berikut ini adalah contoh gambar dari dataset ini, yang disertakan sebagai bagian dari notebook.
- Klasifikasi gambar multi-label โ Dataset ini menunjukkan bagaimana mengklasifikasikan gambar ke dalam beberapa kategori, seperti warna, ukuran, tekstur, dan jenis bunga. Misalnya, penanam tanaman dapat menggunakan Label Kustom Pengakuan untuk membedakan berbagai jenis bunga dan apakah bunga itu sehat, rusak, atau terinfeksi. Gambar berikut adalah contoh dari dataset ini.
- Deteksi objek โ Dataset ini menunjukkan lokalisasi objek untuk menemukan suku cadang yang digunakan dalam jalur produksi atau manufaktur. Misalnya, dalam industri elektronik, Rekognition Custom Labels dapat membantu menghitung jumlah kapasitor pada papan sirkuit. Gambar berikut adalah contoh dari dataset ini.
- Deteksi merek dan logo โ Dataset ini menunjukkan lokasi logo atau merek dalam sebuah gambar. Misalnya, dalam industri media, model pendeteksian objek dapat membantu mengidentifikasi lokasi logo sponsor dalam foto. Berikut ini adalah contoh gambar dari dataset ini.
- Klasifikasi gambar berlabel tunggal โ Dataset ini menunjukkan bagaimana mengklasifikasikan gambar sebagai milik salah satu dari satu set label yang telah ditentukan. Misalnya, perusahaan real estat dapat menggunakan Label Kustom Pengakuan untuk mengategorikan gambar ruang keluarga, halaman belakang, kamar tidur, dan lokasi rumah lainnya. Berikut ini adalah contoh gambar dari dataset ini, yang disertakan sebagai bagian dari notebook.
- Ikuti langkah-langkah di buku catatan dengan menjalankan setiap sel.
Notebook ini mendemonstrasikan bagaimana Anda dapat menggunakan satu notebook untuk menangani kasus penggunaan klasifikasi gambar dan deteksi objek melalui API label Rekognition Custom.
Saat Anda melanjutkan dengan buku catatan, Anda memiliki opsi untuk memilih salah satu dari kumpulan data sampel yang disebutkan di atas. Kami mendorong Anda untuk mencoba menjalankan notebook untuk setiap set data.
Kesimpulan
Dalam postingan ini, kami menunjukkan cara menggunakan Rekognition Custom Labels API untuk membuat klasifikasi gambar atau model computer vision deteksi objek untuk mengklasifikasikan dan mengidentifikasi objek dalam gambar yang spesifik untuk kebutuhan bisnis Anda. Untuk melatih model, Anda bisa memulai dengan menyediakan puluhan hingga ratusan gambar berlabel, bukan ribuan. Label Kustom Rekognition menyederhanakan pelatihan model dengan memperhatikan pilihan parameter seperti jenis mesin, jenis algoritme, atau hiperparameter khusus algoritme (termasuk jumlah lapisan dalam jaringan, kecepatan pembelajaran, dan ukuran batch). Label Kustom Pengakuan juga menyederhanakan hosting model terlatih dan menyediakan operasi sederhana untuk melakukan inferensi dengan model terlatih.
Label Kustom Rekognition memberikan pengalaman konsol yang mudah digunakan untuk proses pelatihan, manajemen model, dan visualisasi gambar kumpulan data. Kami mendorong Anda untuk mempelajari lebih lanjut tentang Label Kustom Pengakuan dan mencobanya dengan kumpulan data khusus bisnis Anda.
Untuk memulai, Anda dapat menavigasi ke buku catatan contoh Label Kustom Pengakuan di SageMaker JumpStart.
Tentang Penulis
Mistry pashmeen adalah Manajer Produk Senior untuk Label Kustom Amazon Rekognition. Di luar pekerjaan, Pashmeen menikmati petualangan hiking, fotografi, dan menghabiskan waktu bersama keluarganya.
Abhishek Gupta adalah Arsitek Solusi Layanan AI Senior di AWS. Dia membantu pelanggan merancang dan mengimplementasikan solusi visi komputer.
- Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
- CryptoHawk. Radar Altcoin. Uji Coba Gratis.
- Sumber: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- abstrak
- di seluruh
- alamat
- AI
- Layanan AI
- algoritma
- algoritma
- sudah
- Amazon
- Lebah
- mengotomatisasikan
- Otomatisasi
- otomotif
- AWS
- patokan
- TERBAIK
- papan
- merek
- membangun
- Bangunan
- membangun
- bisnis
- Bisa Dapatkan
- calon
- yang
- kasus
- pilihan
- Pilih
- klasifikasi
- Perusahaan
- komputer
- konsul
- membuat
- adat
- pelanggan
- data
- dasawarsa
- mendemonstrasikan
- menyebarkan
- dikerahkan
- penggelaran
- penyebaran
- Mendesain
- Deteksi
- mengembangkan
- pengembang
- berbeda
- mudah
- mudah digunakan
- e-commerce
- Elektronik
- mendorong
- Titik akhir
- energi
- Enter
- Lingkungan Hidup
- terutama
- perkebunan
- contoh
- ada
- pengalaman
- keahlian
- keluarga
- berikut
- Pertumbuhan
- membimbing
- membantu
- membantu
- berkualitas tinggi
- tuan
- rumah tangga
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- Namun
- HTTPS
- Ratusan
- mengenali
- gambar
- melaksanakan
- termasuk
- Termasuk
- industri
- industri
- asuransi
- bunga
- Antarmuka
- terlibat
- IT
- pengetahuan
- pelabelan
- Label
- BELAJAR
- pengetahuan
- pengangkatan
- sedikit
- hidup
- tempat
- lokasi
- logo
- mesin
- Mesin belajar
- Membuat
- berhasil
- pengelolaan
- manajer
- pabrik
- Media
- jutaan
- ML
- model
- model
- lebih
- beberapa
- kebutuhan
- jaringan
- buku catatan
- jumlah
- membuka
- operasi
- pilihan
- Lainnya
- bagian
- prestasi
- melakukan
- fotografi
- proses
- proses
- Produk
- Produksi
- memberikan
- menyediakan
- menyediakan
- segera
- real estate
- mengurangi
- Persyaratan
- membutuhkan
- Hasil
- eceran
- kamar
- Run
- berjalan
- Pencarian
- layanan
- Layanan
- set
- Sederhana
- Ukuran
- kecil
- larutan
- Solusi
- Memecahkan
- beberapa
- Pengeluaran
- mensponsori
- awal
- mulai
- studio
- pengambilan
- uji
- ribuan
- waktu
- Pelatihan
- kereta
- jenis
- unik
- menggunakan
- variasi
- penglihatan
- visualisasi
- dalam
- Kerja