Gunakan visi komputer untuk mengukur hasil pertanian dengan Label Kustom Amazon Rekognition

Di sektor pertanian, masalah mengidentifikasi dan menghitung jumlah buah pada pohon memainkan peran penting dalam estimasi tanaman. Konsep sewa menyewa pohon menjadi populer, dimana seorang pemilik pohon menyewakan pohon tersebut setiap tahun sebelum panen berdasarkan perkiraan hasil buah. Praktik umum menghitung buah secara manual adalah proses yang memakan waktu dan padat karya. Ini adalah salah satu tugas yang paling sulit tetapi paling penting untuk mendapatkan hasil yang lebih baik dalam sistem pengelolaan tanaman Anda. Perkiraan jumlah buah dan bunga ini membantu petani membuat keputusan yang lebih baik—tidak hanya pada harga sewa, tetapi juga pada praktik budidaya dan pencegahan penyakit tanaman.

Di sinilah solusi machine learning (ML) otomatis untuk computer vision (CV) dapat membantu petani. Label Kustom Amazon Rekognition adalah layanan visi komputer terkelola sepenuhnya yang memungkinkan pengembang membuat model khusus untuk mengklasifikasikan dan mengidentifikasi objek dalam gambar yang spesifik dan unik untuk bisnis Anda.

Label Kustom Pengakuan tidak mengharuskan Anda memiliki keahlian visi komputer sebelumnya. Anda dapat memulai hanya dengan mengunggah puluhan gambar, bukan ribuan. Jika gambar sudah diberi label, Anda dapat mulai melatih model hanya dengan beberapa klik. Jika tidak, Anda dapat melabelinya langsung di dalam konsol Label Kustom Pengakuan, atau gunakan Kebenaran Dasar Amazon SageMaker untuk memberi label pada mereka. Label Kustom Rekognition menggunakan pembelajaran transfer untuk memeriksa data pelatihan secara otomatis, memilih kerangka kerja dan algoritme model yang tepat, mengoptimalkan hyperparameter, dan melatih model. Bila Anda puas dengan akurasi model, Anda dapat mulai menghosting model terlatih hanya dengan satu klik.

Dalam posting ini, kami menunjukkan bagaimana Anda dapat membangun solusi ujung ke ujung menggunakan Label Kustom Pengakuan untuk mendeteksi dan menghitung buah untuk mengukur hasil pertanian.

Ikhtisar solusi

Kami membuat model khusus untuk mendeteksi buah menggunakan langkah-langkah berikut:

1. Beri label kumpulan data dengan gambar yang berisi buah menggunakan Kebenaran Dasar Amazon SageMaker.
2. Buat proyek di Label Kustom Pengakuan.
3. Impor kumpulan data berlabel Anda.
4. Latih modelnya.
5. Uji model khusus baru menggunakan titik akhir API yang dibuat secara otomatis.

Label Kustom Rekognition memungkinkan Anda mengelola proses pelatihan model ML di konsol Amazon Rekognition, yang menyederhanakan proses pengembangan dan inferensi model ujung ke ujung.

Prasyarat

Untuk membuat model pengukuran hasil pertanian, Anda harus terlebih dahulu menyiapkan kumpulan data untuk melatih model tersebut. Untuk posting ini, dataset kami terdiri dari gambar buah. Gambar berikut menunjukkan beberapa contoh.

Kami mengambil gambar kami dari kebun kami sendiri. Anda dapat mengunduh file gambar dari GitHub repo.

Untuk posting ini, kami hanya menggunakan beberapa gambar untuk menampilkan use case hasil buah. Anda dapat bereksperimen lebih jauh dengan lebih banyak gambar.

Untuk menyiapkan set data Anda, selesaikan langkah-langkah berikut:

1. Buat Layanan Penyimpanan Sederhana Amazon (Amazon S3).
2. Buat dua folder di dalam ember ini, yang disebut raw_data dan test_data, untuk menyimpan gambar untuk pelabelan dan pengujian model.
3. Pilih Unggah untuk mengunggah gambar ke folder masing-masing dari repo GitHub.
   

Gambar yang diunggah tidak diberi label. Anda memberi label pada gambar di langkah berikut.

Beri label dataset Anda menggunakan Ground Truth

Untuk melatih model ML, Anda memerlukan gambar berlabel. Ground Truth menyediakan proses yang mudah untuk memberi label pada gambar. Tugas pelabelan dilakukan oleh tenaga kerja manusia; dalam posting ini, Anda membuat tenaga kerja swasta. Kamu dapat memakai Amazon Mechanical Turk untuk pelabelan pada skala.

Buat tenaga kerja pelabelan

Pertama-tama mari kita ciptakan tenaga kerja pelabelan kita. Selesaikan langkah-langkah berikut:

1. Di konsol SageMaker, di bawah Kebenaran dasar di panel navigasi, pilih Memberi label pada tenaga kerja.
2. pada Swasta tab, pilih Buat tim pribadi.
   
3. Untuk Nama tim, masukkan nama untuk tenaga kerja Anda (untuk posting ini, labeling-team).
4. Pilih Buat tim pribadi.
   
5. Pilih Undang pekerja baru.
   
   
6. Dalam majalah Tambahkan pekerja berdasarkan alamat email bagian, masukkan alamat email pekerja Anda. Untuk posting ini, masukkan alamat email Anda sendiri.
7. Pilih Undang pekerja baru.
   

Anda telah membuat tenaga kerja pelabelan, yang Anda gunakan pada langkah berikutnya saat membuat pekerjaan pelabelan.

Buat pekerjaan pelabelan Ground Truth

Untuk menyempurnakan pekerjaan pelabelan Anda, selesaikan langkah-langkah berikut:

1. Di konsol SageMaker, di bawah Kebenaran dasar, pilih Pekerjaan pelabelan.
2. Pilih Buat pekerjaan pelabelan.
   
3. Untuk Nama Pekerjaan, Masuk fruits-detection.
4. Pilih Saya ingin menentukan nama atribut label yang berbeda dari nama pekerjaan pelabelan.
5. Untuk Nama atribut label¸ masuk Labels.
6. Untuk Masukkan pengaturan data, pilih Pengaturan data otomatis.
7. Untuk Lokasi S3 untuk set data input, masukkan lokasi S3 gambar, menggunakan ember yang Anda buat sebelumnya (s3://{your-bucket-name}/raw-data/images/).
8. Untuk Lokasi S3 untuk kumpulan data keluaran, pilih Tentukan lokasi baru dan masukkan lokasi keluaran untuk data beranotasi (s3://{your-bucket-name}/annotated-data/).
9. Untuk Tipe data, pilih Gambar.
10. Pilih Selesaikan penyiapan data.
    Ini membuat file manifes gambar dan memperbarui jalur lokasi input S3. Tunggu pesan "Koneksi data input berhasil."
    
11. Lihat lebih lanjut Konfigurasi tambahan.
12. Konfirmasi itu Kumpulan data lengkap dipilih.
    Ini digunakan untuk menentukan apakah Anda ingin memberikan semua gambar ke pekerjaan pelabelan atau subset gambar berdasarkan filter atau pengambilan sampel acak.
    
13. Untuk Kategori tugas, pilih Gambar karena ini adalah tugas untuk anotasi gambar.
14. Karena ini adalah kasus penggunaan deteksi objek, untuk Pemilihan tugas, pilih kotak pembatas.
15. Biarkan opsi lain sebagai default dan pilih Selanjutnya.
    
16. Pilih Selanjutnya.
    
    Sekarang Anda menentukan pekerja Anda dan mengonfigurasi alat pelabelan.
17. Untuk Jenis pekerja, pilih Swasta.Untuk posting ini, Anda menggunakan tenaga kerja internal untuk membubuhi keterangan gambar. Anda juga memiliki pilihan untuk memilih tenaga kerja kontrak publik (Amazon Mekanik Turki) atau tenaga kerja mitra (Vendor dikelola) tergantung pada kasus penggunaan Anda.
18. Untuk tim Pribadi¸ pilih tim yang Anda buat sebelumnya.
19. Biarkan opsi lain sebagai default dan gulir ke bawah ke Alat pelabelan kotak pembatas.Sangat penting untuk memberikan instruksi yang jelas di sini di alat pelabelan untuk tim pelabelan pribadi. Instruksi ini bertindak sebagai panduan untuk annotator saat memberi label. Instruksi yang baik bersifat ringkas, jadi kami menyarankan untuk membatasi instruksi verbal atau tekstual menjadi dua kalimat dan berfokus pada instruksi visual. Dalam hal klasifikasi gambar, kami merekomendasikan untuk menyediakan satu gambar berlabel di setiap kelas sebagai bagian dari instruksi.
20. Tambahkan dua label: fruit dan no_fruit.
21. Masukkan instruksi terperinci di Bidang deskripsi untuk disediakan instruksi kepada para pekerja. Sebagai contoh: You need to label fruits in the provided image. Please ensure that you select label 'fruit' and draw the box around the fruit just to fit the fruit for better quality of label data. You also need to label other areas which look similar to fruit but are not fruit with label 'no_fruit'.Anda juga dapat secara opsional memberikan contoh gambar pelabelan yang baik dan buruk. Anda perlu memastikan bahwa gambar-gambar ini dapat diakses publik.
22. Pilih membuat untuk membuat pekerjaan pelabelan.
    

Setelah pekerjaan berhasil dibuat, langkah selanjutnya adalah memberi label pada gambar input.

Mulai pekerjaan pelabelan

Setelah Anda berhasil membuat pekerjaan, status pekerjaan adalah InProgress. Ini berarti bahwa pekerjaan dibuat dan tenaga kerja swasta diberitahu melalui email mengenai tugas yang diberikan kepada mereka. Karena Anda telah menetapkan tugas untuk diri Anda sendiri, Anda akan menerima email berisi instruksi untuk masuk ke proyek Pelabelan Kebenaran Tanah.

1. Buka email dan pilih tautan yang disediakan.
2. Masukkan nama pengguna dan kata sandi yang diberikan dalam email.
   Anda mungkin harus mengubah kata sandi sementara yang diberikan dalam email menjadi kata sandi baru setelah login.
3. Setelah Anda masuk, pilih pekerjaan Anda dan pilih Mulai bekerja.
   
   Anda dapat menggunakan alat yang disediakan untuk memperbesar, memperkecil, memindahkan, dan menggambar kotak pembatas pada gambar.
4. Pilih label Anda (fruit or no_fruit) lalu gambar kotak pembatas pada gambar untuk membubuhi keterangan.
5. Setelah selesai, pilih Kirim.

Sekarang Anda memiliki gambar yang diberi label dengan benar yang akan digunakan oleh model ML untuk pelatihan.

Buat proyek Pengakuan Amazon Anda

Untuk membuat proyek pengukuran hasil pertanian Anda, selesaikan langkah-langkah berikut:

1. Di konsol Amazon Rekognition, pilih Label Kustom.
2. Pilih Memulai.
3. Untuk Nama proyek, Masuk fruits_yield.
4. Pilih Buat proyek.
   

Anda juga dapat membuat proyek di Proyek halaman. Anda dapat mengakses Proyek halaman melalui panel navigasi. Langkah selanjutnya adalah memberikan gambar sebagai input.

Impor kumpulan data Anda

Untuk membuat model pengukuran hasil pertanian, Anda harus terlebih dahulu mengimpor kumpulan data untuk melatih model tersebut. Untuk posting ini, dataset kami sudah diberi label menggunakan Ground Truth.

1. Untuk Impor gambar, pilih Impor gambar yang diberi label oleh SageMaker Ground Truth.
   
2. Untuk Lokasi file manifes, masukkan lokasi bucket S3 dari file manifes Anda (s3://{your-bucket-name}/fruits_image/annotated_data/fruits-labels/manifests/output/output.manifest).
3. Pilih Buat Set Data.
   

Anda dapat melihat kumpulan data berlabel Anda.

Sekarang Anda memiliki set data input untuk model ML untuk memulai pelatihannya.

Latih model Anda

Setelah Anda memberi label pada gambar Anda, Anda siap untuk melatih model Anda.

1. Pilih Model kereta.
2. Untuk Pilih proyek, pilih proyek Anda fruits_yield.
3. Pilih Model Kereta.
   

Tunggu hingga pelatihan selesai. Sekarang Anda dapat mulai menguji kinerja untuk model terlatih ini.

Uji model Anda

Model pengukuran hasil pertanian Anda sekarang siap digunakan dan harus dalam Running negara. Untuk menguji model, selesaikan langkah-langkah berikut:

Langkah 1: Mulai model

Di halaman detail model Anda, di Gunakan model tab, pilih Start.

Label Kustom Pengakuan juga menyediakan panggilan API untuk memulai, menggunakan, dan menghentikan model Anda.

Langkah 2: Uji modelnya

Saat model ada di Running negara, Anda dapat menggunakan skrip pengujian sampel analyzeImage.py untuk menghitung jumlah buah dalam sebuah gambar.

1. Unduh skrip ini dari GitHub repo.
2. Edit file ini untuk mengganti parameter bucket dengan nama ember Anda dan model dengan ARN model Amazon Rekognition Anda.

Kami menggunakan parameter photo dan min_confidence sebagai input untuk skrip Python ini.

Anda dapat menjalankan skrip ini secara lokal menggunakan Antarmuka Baris Perintah AWS (AWS CLI) atau menggunakan AWS CloudShell. Dalam contoh kami, kami menjalankan skrip melalui konsol CloudShell. Perhatikan bahwa CloudShell adalah bebas untuk digunakan.

Pastikan untuk menginstal ketergantungan yang diperlukan menggunakan perintah pip3 install boto3 PILLOW jika belum terpasang.

3. Unggah file analyzeImage.py ke CloudShell menggunakan tindakan menu.
   

Tangkapan layar berikut menunjukkan output, yang mendeteksi dua buah pada gambar input. Kami menyediakan 15.jpeg sebagai argumen foto dan 85 sebagai min_confidence nilai.

Contoh berikut menunjukkan gambar 15.jpeg dengan dua kotak pembatas.

Anda dapat menjalankan skrip yang sama dengan gambar lain dan bereksperimen dengan mengubah skor kepercayaan lebih lanjut.

Langkah 3: Hentikan modelnya

Setelah selesai, ingatlah untuk menghentikan model untuk menghindari timbulnya biaya yang tidak perlu. Pada halaman detail model Anda, pada tab Gunakan model, pilih Berhenti.

Membersihkan

Untuk menghindari timbulnya biaya yang tidak perlu, hapus sumber daya yang digunakan dalam panduan ini saat tidak digunakan. Kita perlu menghapus proyek Amazon Rekognition dan bucket S3.

Hapus proyek Pengakuan Amazon

Untuk menghapus proyek Amazon Rekognition, selesaikan langkah-langkah berikut:

1. Di konsol Amazon Rekognition, pilih Gunakan Label Kustom.
2. Pilih Get started.
3. Di panel navigasi, pilih Proyek.
4. pada Proyek halaman, pilih proyek yang ingin Anda hapus.
   1. Pilih Delete.
      Grafik Hapus proyek kotak dialog muncul.
5. Jika proyek tidak memiliki model terkait:
   1. Enter hapus untuk menghapus proyek.
   2. Pilih Delete untuk menghapus proyek.
6. Jika proyek memiliki model atau set data terkait:
   1. Enter hapus untuk mengonfirmasi bahwa Anda ingin menghapus model dan set data.
   2. Pilih juga Hapus model terkait, Hapus kumpulan data terkait, atau Hapus set data dan model terkait, bergantung pada apakah model memiliki kumpulan data, model, atau keduanya.

   Penghapusan model mungkin memerlukan beberapa saat untuk diselesaikan. Perhatikan bahwa konsol Amazon Rekognition tidak dapat menghapus model yang sedang dalam pelatihan atau berjalan. Coba lagi setelah menghentikan semua model lari yang terdaftar, dan tunggu hingga model yang terdaftar sebagai pelatihan selesai. Jika Anda menutup kotak dialog selama penghapusan model, model akan tetap terhapus. Kemudian, Anda dapat menghapus proyek dengan mengulangi prosedur ini.

7. Enter hapus untuk mengonfirmasi bahwa Anda ingin menghapus proyek.
8. Pilih Delete untuk menghapus proyek.

Hapus ember S3 Anda

Anda harus mengosongkan ember terlebih dahulu, lalu menghapusnya.

1. pada Amazon S3 konsol, pilih Ember.
2. Pilih ember yang ingin Anda kosongkan, lalu pilih Empty.
3. Konfirmasikan bahwa Anda ingin mengosongkan ember dengan memasukkan nama ember ke dalam kolom teks, lalu pilih Empty.
4. Pilih Delete.
5. Konfirmasikan bahwa Anda ingin menghapus ember dengan memasukkan nama ember ke dalam kolom teks, lalu pilih Hapus ember.

Kesimpulan

Dalam posting ini, kami menunjukkan cara membuat model deteksi objek dengan Label Kustom Pengakuan. Fitur ini memudahkan untuk melatih model kustom yang dapat mendeteksi kelas objek tanpa perlu menentukan objek lain atau kehilangan akurasi dalam hasilnya.

Untuk informasi lebih lanjut tentang menggunakan label kustom, lihat Apa Itu Label Kustom Amazon Rekognition?

---

Tentang penulis

Dhiraj Thakur adalah Arsitek Solusi dengan Amazon Web Services. Dia bekerja dengan pelanggan dan mitra AWS untuk memberikan panduan tentang adopsi cloud perusahaan, migrasi, dan strategi. Dia sangat menyukai teknologi dan suka membangun serta bereksperimen dalam ruang analitik dan AI / ML.

Sameer Goel adalah Sr. Solutions Architect di Belanda, yang mendorong kesuksesan pelanggan dengan membangun prototipe pada inisiatif mutakhir. Sebelum bergabung dengan AWS, Sameer lulus dengan gelar master dari Boston, dengan konsentrasi ilmu data. Dia menikmati membangun dan bereksperimen dengan proyek AI/ML di Raspberry Pi. Anda dapat menemukannya di LinkedIn.