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.
Namun, jika Anda adalah pengguna bisnis yang ingin memecahkan masalah visi komputer, memvisualisasikan hasil inferensi dari model kustom, dan menerima pemberitahuan saat hasil inferensi tersebut tersedia, Anda harus mengandalkan tim teknik Anda untuk membangun aplikasi semacam itu. Misalnya, manajer operasi pertanian dapat diberi tahu ketika tanaman ditemukan memiliki penyakit, pembuat anggur dapat diberi tahu ketika anggur sudah matang untuk dipanen, atau manajer toko dapat diberi tahu ketika tiba waktunya untuk mengisi kembali persediaan seperti minuman ringan. dalam lemari es vertikal.
Dalam posting ini, kami memandu Anda melalui proses membangun solusi yang memungkinkan Anda memvisualisasikan hasil inferensi dan mengirim pemberitahuan ke pengguna yang berlangganan ketika label tertentu diidentifikasi dalam gambar yang diproses menggunakan model yang dibuat oleh Label Kustom Rekognition.
Ikhtisar solusi
Diagram berikut menggambarkan arsitektur solusi kami.
Solusi ini menggunakan layanan AWS berikut untuk mengimplementasikan arsitektur yang skalabel dan hemat biaya:
- Amazon Athena โ Layanan kueri interaktif tanpa server yang memudahkan analisis data di Amazon S3 menggunakan SQL standar.
- AWS Lambda โ Layanan komputasi tanpa server yang memungkinkan Anda menjalankan kode sebagai respons terhadap pemicu seperti perubahan data, perubahan status sistem, atau tindakan pengguna. Karena Amazon S3 dapat langsung memicu fungsi Lambda, Anda dapat membangun berbagai waktu nyata tanpa server sistem pemrosesan data.
- Amazon QuickSight โ Layanan analisis bisnis bertenaga cloud yang sangat cepat, mudah digunakan, yang memudahkan pembuatan visualisasi, melakukan analisis ad hoc, dan mendapatkan wawasan bisnis dari data dengan cepat.
- Label Kustom Amazon Rekognition โ Memungkinkan Anda melatih model visi komputer khusus untuk mengidentifikasi objek dan pemandangan dalam gambar yang khusus untuk kebutuhan bisnis Anda.
- Layanan Pemberitahuan Sederhana Amazon โ Amazon SNS adalah layanan pesan terkelola sepenuhnya untuk komunikasi aplikasi-ke-aplikasi (A2A) dan aplikasi-ke-orang (A2P).
- Layanan Antrian Sederhana Amazon โ Amazon SQS adalah layanan antrian pesan terkelola sepenuhnya yang memungkinkan Anda memisahkan dan menskalakan layanan mikro, sistem terdistribusi, dan aplikasi tanpa server.
- Layanan Penyimpanan Sederhana Amazon โ Amazon S3 berfungsi sebagai penyimpanan objek untuk dokumen Anda dan memungkinkan pengelolaan terpusat dengan kontrol akses yang disesuaikan.
Solusinya menggunakan alur kerja tanpa server yang dipicu saat gambar diunggah ke bucket S3 input. Antrian SQS menerima pemberitahuan acara untuk pembuatan objek. Solusinya juga menciptakan antrian surat mati (DLQ) untuk menyisihkan dan mengisolasi pesan yang tidak dapat diproses dengan benar. Fungsi Lambda memberi umpan dari antrian SQS dan membuat DetectLabels
Panggilan API untuk mendeteksi semua label dalam gambar. Untuk menskalakan solusi ini dan menjadikannya desain yang digabungkan secara longgar, fungsi Lambda mengirimkan hasil prediksi ke antrean SQS lainnya. Antrian SQS ini memicu fungsi Lambda lain, yang menganalisis semua label yang ditemukan dalam prediksi. Berdasarkan preferensi pengguna (dikonfigurasi selama penerapan solusi), fungsi memublikasikan pesan ke topik SNS. Topik SNS dikonfigurasi untuk mengirimkan pemberitahuan email kepada pengguna. Anda dapat mengonfigurasi fungsi Lambda untuk menambahkan URL ke pesan yang dikirim ke Amazon SNS untuk mengakses gambar (menggunakan Amazon S3 URL yang ditentukan). Terakhir, fungsi Lambda mengunggah hasil prediksi dan metadata gambar ke bucket S3. Anda kemudian dapat menggunakan Athena dan QuickSight untuk menganalisis dan memvisualisasikan hasil dari ember S3.
Prasyarat
Anda harus memiliki model yang terlatih dan berjalan dengan Label Kustom Pengakuan.
Label Kustom Pengakuan memungkinkan Anda mengelola proses pelatihan model pembelajaran mesin di Rekognisi Amazon konsol, yang menyederhanakan proses pengembangan model ujung ke ujung. Untuk posting ini, kami menggunakan model klasifikasi yang dilatih untuk mendeteksi penyakit daun tanaman.
Terapkan solusinya
Anda menerapkan Formasi AWS Cloud template untuk menyediakan sumber daya yang diperlukan, termasuk bucket S3, antrean SQS, topik SNS, fungsi Lambda, dan Identitas AWS dan Manajemen Akses (IAM). Templat membuat tumpukan Wilayah us-timur-1, tetapi Anda dapat menggunakan templat untuk membuat tumpukan di Wilayah mana pun tempat layanan AWS di atas tersedia.
- Luncurkan template CloudFormation berikut di Wilayah dan akun AWS tempat Anda menerapkan model Label Kustom Pengakuan:
- Untuk Nama tumpukan, masukkan nama tumpukan, seperti
rekognition-customlabels-analytics-and-notification
. - Untuk Model KhususARN, masukkan ARN model Label Kustom Amazon Rekognition yang ingin Anda gunakan.
Model Label Kustom Pengakuan perlu diterapkan di akun AWS yang sama.
- Untuk Pemberitahuan email, masukkan alamat email tempat Anda ingin menerima pemberitahuan.
- Untuk MasukanBucketName, masukkan nama unik untuk ember S3 yang dibuat tumpukan; Misalnya,
plant-leaf-disease-data-input
.
Di sinilah gambar daun tanaman yang masuk disimpan.
- Untuk LabelMinat, Anda dapat memasukkan hingga 10 label berbeda yang ingin Anda beri tahu, dalam format yang dipisahkan koma. Untuk contoh penyakit tanaman kami, masukkan
bacterial-leaf-blight,leaf-smut
. - Untuk Percaya Diri, masukkan ambang batas kepercayaan minimum untuk menerima pemberitahuan. Label yang terdeteksi dengan keyakinan di bawah nilai MinConfidence tidak dikembalikan dalam respons dan tidak akan menghasilkan notifikasi.
- Untuk NamaKeluaranBucket, masukkan nama unik untuk ember S3 yang dibuat tumpukan; Misalnya,
plant-leaf-disease-data-output
.
Bucket keluaran berisi file JSON dengan metadata gambar (label ditemukan dan skor keyakinan).
- Pilih Selanjutnya.
- pada Konfigurasikan opsi tumpukan halaman, setel parameter tambahan untuk tumpukan, termasuk tag.
- Pilih Selanjutnya.
- Dalam majalah Kemampuan dan transformasi bagian, pilih kotak centang untuk mengakui bahwa AWS CloudFormation mungkin membuat Sumber daya IAM.
- Pilih Buat tumpukan.
Halaman detail tumpukan harus menunjukkan status tumpukan sebagai CREATE_IN_PROGRESS
. Diperlukan waktu hingga 5 menit untuk mengubah status CREATE_COMPLETE
.
Amazon SNS akan mengirimkan pesan konfirmasi berlangganan ke alamat email. Kamu butuh konfirmasi langganan.
Uji solusinya
Sekarang setelah kami menerapkan sumber daya, kami siap untuk menguji solusinya. Pastikan Anda mulai modelnya.
- Pada konsol Amazon S3, pilih Ember.
- Pilih ember S3 masukan.
- Unggah gambar uji ke keranjang.
Dalam produksi, Anda dapat menyiapkan proses otomatis untuk mengirimkan gambar ke bucket ini.
Gambar-gambar ini memicu alur kerja. Jika keyakinan label melebihi ambang batas yang ditentukan, Anda akan menerima pemberitahuan email seperti berikut.
Anda juga dapat mengonfigurasi topik SNS untuk mengirimkan pemberitahuan ini ke siapa pun tujuan didukung oleh layanan.
Analisis hasil prediksi
Setelah Anda menguji solusi, Anda dapat memperluas solusi untuk membuat analisis visual untuk prediksi gambar yang diproses. Untuk tujuan ini, kami menggunakan Athena, layanan kueri interaktif yang memudahkan analisis data langsung dari Amazon S3 menggunakan SQL standar, dan QuickSight untuk memvisualisasikan data.
Konfigurasi Athena
Jika Anda tidak akrab dengan Amazon Athena, lihat tutorial ini. Di konsol Athena, buat tabel di katalog data Athena dengan kode berikut:
Mengisi Location
bidang dalam kueri sebelumnya dengan nama keranjang keluaran Anda, seperti plant-leaf-disease-data-output
.
Kode ini memberi tahu Athena cara menafsirkan setiap baris teks dalam ember S3.
Anda sekarang dapat menanyakan data:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Konfigurasikan QuickSight
Untuk mengonfigurasi QuickSight, selesaikan langkah-langkah berikut:
- Buka Konsol QuickSight.
- Jika Anda tidak mendaftar ke QuickSight, Anda akan diminta dengan opsi untuk mendaftar. Ikuti langkah-langkah untuk daftar untuk menggunakan QuickSight.
- Setelah Anda masuk ke QuickSight, pilih Kelola QuickSight di bawah akun Anda.
- Di panel navigasi, pilih Keamanan & izin.
- Bawah Akses QuickSight ke layanan AWS, pilih Tambah atau hapus.
Sebuah halaman muncul untuk mengaktifkan akses QuickSight ke layanan AWS.
- Pilih Amazon Athena.
- Di jendela sembulan, pilih Selanjutnya.
- Pada tab S3, pilih bucket S3 yang diperlukan. Untuk posting ini, saya memilih ember yang menyimpan hasil kueri Athena saya.
- Untuk setiap ember, pilih juga Izin menulis untuk Athena Workgroup.
- Pilih Finish.
- Pilih Memperbarui.
- Pada konsol QuickSight, pilih Analisis baru.
- Pilih Dataset baru.
- Untuk Dataset, pilih Athena.
- Untuk Nama sumber data, Masuk
Athena-CustomLabels-analysis
. - Untuk Kelompok kerja Athena, pilih primer.
- Pilih Buat sumber data.
- Untuk Basis Data, pilih
default
di menu drop-down. - Untuk Meja, pilih meja
rekognition_customlabels_analytics
. - Pilih Memilih.
- Pilih Membayangkan.
- pada Membayangkan halaman, di bawah Fields daftar, pilih label dan pilih diagram lingkaran dari Jenis visual.
Anda dapat menambahkan lebih banyak visualisasi di dasbor. Ketika analisis Anda siap, Anda dapat memilih Share untuk membuat dasbor dan membagikannya di dalam organisasi Anda.
Kesimpulan
Dalam posting ini, kami menunjukkan bagaimana Anda dapat membuat solusi untuk menerima pemberitahuan untuk label tertentu (seperti penyakit hawar daun bakteri atau jamur api daun) yang ditemukan pada gambar yang diproses menggunakan Label Kustom Rekognition. Selain itu, kami menunjukkan bagaimana Anda dapat membuat dasbor untuk memvisualisasikan hasil menggunakan Athena dan QuickSight.
Anda sekarang dapat dengan mudah berbagi dasbor visualisasi tersebut dengan pengguna bisnis dan mengizinkan mereka untuk berlangganan pemberitahuan daripada harus bergantung pada tim teknik Anda untuk membangun aplikasi semacam itu.
Tentang Penulis
Jay Rao adalah Arsitek Solusi Utama di AWS. Dia senang memberikan panduan teknis dan strategis kepada pelanggan dan membantu mereka merancang dan mengimplementasikan solusi di AWS.
Mistry pashmeen adalah Manajer Produk Senior untuk Label Kustom Amazon Rekognition. Di luar pekerjaan, Pashmeen menikmati petualangan hiking, fotografi, dan menghabiskan waktu bersama keluarganya.
- 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/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- mengakses
- Akun
- tindakan
- Ad
- tambahan
- Tambahan
- alamat
- algoritma
- Semua
- sudah
- Amazon
- analisis
- analisis
- Lain
- api
- Aplikasi
- aplikasi
- arsitektur
- Otomatis
- tersedia
- AWS
- batas
- Kotak
- membangun
- Bangunan
- bisnis
- panggilan
- Bisa Dapatkan
- perubahan
- Pilih
- klasifikasi
- kode
- Komunikasi
- menghitung
- kepercayaan
- konsul
- mengandung
- hemat biaya
- ditambah
- menciptakan
- penciptaan
- tanaman
- adat
- pelanggan
- dasbor
- data
- menyebarkan
- dikerahkan
- penyebaran
- Mendesain
- terdeteksi
- pengembang
- Pengembangan
- berbeda
- langsung
- Penyakit
- didistribusikan
- dokumen
- Tidak
- mudah
- memungkinkan
- Teknik
- Enter
- Acara
- contoh
- keahlian
- memperpanjang
- keluarga
- FAST
- Akhirnya
- mengikuti
- berikut
- format
- ditemukan
- Kerangka
- fungsi
- menghasilkan
- memiliki
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTTPS
- mengenali
- identitas
- gambar
- melaksanakan
- Termasuk
- memasukkan
- wawasan
- interaktif
- IT
- hanya satu
- Label
- pengetahuan
- Daftar
- tempat
- mencari
- mesin
- Mesin belajar
- MEMBUAT
- berhasil
- pengelolaan
- manajer
- pesan
- minimum
- model
- model
- lebih
- Navigasi
- pemberitahuan
- Operasi
- pilihan
- organisasi
- fotografi
- ramalan
- Prediksi
- Utama
- Masalah
- proses
- proses
- Produk
- Produksi
- menyediakan
- tujuan
- segera
- real-time
- menerima
- membutuhkan
- Sumber
- tanggapan
- Hasil
- Run
- berjalan
- terukur
- Skala
- adegan
- Tanpa Server
- layanan
- Layanan
- set
- Share
- Sederhana
- larutan
- Solusi
- MEMECAHKAN
- Pengeluaran
- tumpukan
- standar
- awal
- mulai
- Negara
- Status
- penyimpanan
- menyimpan
- toko
- Strategis
- berlangganan
- berlangganan
- Didukung
- sistem
- sistem
- tim
- Teknis
- mengatakan
- uji
- ribuan
- Melalui
- waktu
- Pelatihan
- transfer
- unik
- menggunakan
- Pengguna
- nilai
- variasi
- penglihatan
- visualisasi
- dalam
- Kerja
- Kelompok Kerja