זיהוי ציוני דרך עם תוויות מותאמות אישית של אמזון זיהוי

אמזון הוא שירות ראייה ממוחשבת המקל על הוספת ניתוח תמונות ווידאו ליישומים שלך באמצעות טכנולוגיית למידה עמוקה מוכחת, בעלת יכולת הרחבה גבוהה, שאינה דורשת מומחיות למידת מכונה (ML). עם Amazon Rekognition, אתה יכול לזהות אובייקטים, אנשים, טקסט, סצנות ופעילויות בתמונות ובסרטונים ולזהות תוכן לא הולם. Amazon Rekognition מספקת גם יכולות ניתוח פנים וחיפוש פנים מדויקות ביותר שבהן אתה יכול להשתמש כדי לזהות, לנתח ולהשוות פנים עבור מגוון רחב של מקרי שימוש.

תוויות מותאמות אישית של Amazon Rekognition היא תכונה של Amazon Rekognition שמקלה על בניית יכולות ניתוח תמונה מיוחדות משלך מבוססות ML כדי לזהות אובייקטים וסצנות ייחודיות המשולבות במיקרה השימוש הספציפי שלך.

כמה מקרי שימוש נפוצים ב-Rekognition Custom Labels כוללים מציאת הלוגו שלך בפוסטים במדיה החברתית, זיהוי המוצרים שלך על מדפי החנויות, סיווג חלקי מכונות בפס ייצור, הבחנה בין צמחים בריאים לנגועים ועוד.

תוויות זיהוי של אמזון תומך בנקודות ציון פופולריות כמו גשר ברוקלין, הקולוסיאום, מגדל אייפל, מאצ'ו פיצ'ו, טאג' מאהל, ועוד. אם יש לך ציוני דרך או מבנים אחרים שעדיין לא נתמכים על ידי Amazon Rekognition, אתה עדיין יכול להשתמש בתוויות מותאמות אישית של Amazon Rekognition.

בפוסט זה, אנו מדגימים שימוש בתוויות מותאמות אישית של זיהוי כדי לזהות את בניין Amazon Spheres בסיאטל.

עם תוויות מותאמות אישית של זיהוי, AWS דואגת עבורך למשימות הכבדות. זיהוי תוויות מותאמות אישית בונה את היכולות הקיימות של אמזון זיהוי, שכבר מאומן על עשרות מיליוני תמונות בקטגוריות רבות. במקום אלפי תמונות, אתה פשוט צריך להעלות קבוצה קטנה של תמונות אימון (בדרך כלל כמה מאות תמונות או פחות) הספציפיות למקרה השימוש שלך דרך הקונסולה הפשוטה שלנו. אמזון זיהוי יכול להתחיל אימון בכמה קליקים בלבד. לאחר ש-Amazon Rekognition מתחילה להתאמן מסט התמונות שלך, היא יכולה לייצר עבורך מודל ניתוח תמונה מותאם אישית תוך מספר דקות או שעות. מאחורי הקלעים, Rekognition Custom Labels טוען ובודק אוטומטית את נתוני האימון, בוחר את אלגוריתמי ה-ML המתאימים, מאמן מודל ומספק מדדי ביצועים של המודל. לאחר מכן תוכל להשתמש במודל המותאם אישית שלך באמצעות ממשק API של Rekognition Custom Labels ולשלב אותו באפליקציות שלך.

סקירת פתרונות

לדוגמא שלנו, אנו משתמשים ב- כדורי אמזון בניין בסיאטל. אנו מאמנים מודל באמצעות זיהוי תוויות מותאמות אישית; בכל פעם שמשתמשים בתמונות דומות, האלגוריתם צריך לזהות אותו Amazon Spheres במקום Dome, Architecture, Glass building, או תוויות אחרות.

בואו נראה תחילה דוגמה לשימוש בתכונת זיהוי התוויות של Amazon Rekognition, שבה אנו מאכילים את התמונה של Amazon Spheres ללא כל הכשרה מותאמת אישית. אנו משתמשים בקונסולת הזיהוי של אמזון כדי לפתוח את הדגמת זיהוי התווית ולהעלות את התמונה שלנו.

לאחר העלאת התמונה וניתוח, אנו רואים תוויות עם ציוני הביטחון שלהן מתחת תוצאות. במקרה הזה, Dome זוהה עם ציון ביטחון של 99.2%, Architecture עם 99.2%, Building עם 99.2%, Metropolis עם 79.4% וכן הלאה.

אנחנו רוצים להשתמש בתיוג מותאם אישית כדי לייצר מודל ראייה ממוחשבת שיכול לתייג את התמונה Amazon Spheres.

בסעיפים הבאים, אנו מדריכים אותך בהכנת מערך הנתונים שלך, יצירת פרויקט של זיהוי תוויות מותאמות אישית, אימון המודל, הערכת התוצאות ובדיקתו עם תמונות נוספות.

תנאים מוקדמים

לפני שמתחילים עם השלבים, יש מכסה עבור תוויות מותאמות אישית של זיהוי שאתה צריך להיות מודע אליהם. אם אתה רוצה לשנות את המגבלות, אתה יכול לבקש א הגדלת מגבלת השירות.

צור את מערך הנתונים שלך

אם זו הפעם הראשונה שלך שאתה משתמש בתוויות מותאמות אישית של זיהוי, תתבקש ליצור שירות אחסון פשוט של אמזון (Amazon S3) דלי לאחסון מערך הנתונים שלך.

להדגמת הבלוג הזו, השתמשנו בתמונות של כדורי האמזונס, שצילמנו בזמן שביקרנו בסיאטל, וושינגטון. אל תהסס להשתמש בתמונות משלך לפי הצורך שלך.

העתק את מערך הנתונים שלך לדלי החדש שנוצר, אשר מאחסן את התמונות שלך בתוך הקידומות המתאימות.

צור פרוייקט

כדי ליצור את פרויקט התוויות המותאמות אישית של זיהוי, בצע את השלבים הבאים:

1. במסוף התוויות מותאמות אישית של זיהוי, בחר צור פרוייקט.
2. בעד שם הפרוייקט, הכנס שם.
3. לבחור צור פרוייקט.
   
   כעת אנו מציינים את התצורה והנתיב של מערך ההדרכה והבדיקה שלך.
4. לבחור צור מערך נתונים.
   

אתה יכול להתחיל עם פרויקט שיש לו מערך נתונים בודד, או פרויקט שיש לו מערכי הדרכה ובדיקה נפרדים. אם אתה מתחיל עם מערך נתונים בודד, Rekognition Custom Labels מפצל את מערך הנתונים שלך במהלך ההדרכה כדי ליצור מערך הדרכה (80%) ומערך בדיקה (20%) עבור הפרויקט שלך.

בנוסף, אתה יכול ליצור מערכי הדרכה ובדיקה עבור פרויקט על ידי ייבוא ​​תמונות מאחד מהמיקומים הבאים:

עבור פוסט זה, אנו משתמשים במערך נתונים מותאם אישית משלנו של Amazon Spheres.

1. בחר התחל עם מערך נתונים בודד.
2. בחר ייבא תמונות מדלי S3.
   
3. בעד S3 URI, הזן את הנתיב לדלי S3 שלך.
4. אם אתה רוצה ש-Rekognition Custom Labels יסמנו את התמונות עבורך באופן אוטומטי על סמך שמות התיקיות בדלי S3 שלך, בחר הקצה אוטומטית תוויות ברמת התמונה לתמונות על סמך שם התיקיה.
   
5. לבחור צור מערך נתונים.

נפתח דף שמציג את התמונות עם התוויות שלהן. אם אתה רואה שגיאות כלשהן בתוויות, עיין ב איתור באגים של מערכי נתונים.

הרכבת הדגם

לאחר שבדקת את מערך הנתונים שלך, כעת תוכל לאמן את המודל.

1. לבחור דגם רכבת.
2. בעד בחר פרויקט, הזן את ה-ARN עבור הפרויקט שלך אם הוא עדיין לא רשום.
3. לבחור דגם רכבת.

ב מודלים בחלק של דף הפרויקט, אתה יכול לבדוק את המצב הנוכחי ב- מצב דגם עמודה, שבה ההדרכה מתבצעת. זמן האימון לוקח בדרך כלל 30 דקות עד 24 שעות להשלמתו, תלוי במספר גורמים כגון מספר התמונות ומספר התוויות בערכת האימון, וסוגי אלגוריתמי ML המשמשים לאימון המודל שלך.

לאחר השלמת הכשרת המודל, תוכל לראות את סטטוס הדגם כ TRAINING_COMPLETED. אם האימון נכשל, עיין ב איתור באגים אימון מודל כושל.

הערך את המודל

פתח את דף פרטי הדגם. ה הערכה הכרטיסייה מציגה מדדים עבור כל תווית, ואת המדד הממוצע עבור כל מערך הנתונים של הבדיקה.

מסוף ה-Rekognition Custom Labels מספק את המדדים הבאים כסיכום של תוצאות האימון וכמדדים עבור כל תווית:

אתה יכול להציג את התוצאות של הדגם המאומן שלך עבור תמונות בודדות, כפי שמוצג בצילום המסך הבא.

בדוק את הדגם

כעת, לאחר שצפינו בתוצאות ההערכה, אנו מוכנים להתחיל את המודל ולנתח תמונות חדשות.

אתה יכול להתחיל את הדגם על השתמש במודל הכרטיסייה במסוף זיהוי תוויות מותאמות אישית, או על ידי שימוש ב- StartProjectVersion פעולה באמצעות ה ממשק שורת הפקודה של AWS (AWS CLI) או Python SDK.

כאשר המודל פועל, אנו יכולים לנתח את התמונות החדשות באמצעות ה DetectCustomLabels ממשק API. התוצאה מ DetectCustomLabels הוא חיזוי שהתמונה מכילה אובייקטים, סצנות או מושגים ספציפיים. ראה את הקוד הבא:

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

בפלט, אתה יכול לראות את התווית עם ציון הביטחון שלה:

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

כפי שאתה יכול לראות מהתוצאה, רק בכמה לחיצות פשוטות, אתה יכול להשתמש בתוויות מותאמות אישית של זיהוי כדי להשיג תוצאות תיוג מדויקות. אתה יכול להשתמש בזה עבור מספר רב של מקרי שימוש בתמונה, כגון זיהוי תיוג מותאם אישית עבור מוצרי מזון, חיות מחמד, חלקי מכונות ועוד.

לנקות את

כדי לנקות את המשאבים שיצרת כחלק מהפוסט הזה ולהימנע מכל עלויות פוטנציאליות חוזרות, בצע את השלבים הבאים:

1. על השתמש במודל הכרטיסייה, לעצור את הדגם.
   לחלופין, אתה יכול לעצור את הדגם באמצעות StopProjectVersion פעולה באמצעות AWS CLI או Python SDK.המתן עד שהדגם יהיה ב- Stopped מצב לפני שתמשיך לשלבים הבאים.
2. מחק את הדגם.
3. מחק את הפרויקט.
4. מחק את מערך הנתונים.
5. ריק תכולת הדלי S3 ו להסיר הדלי.

סיכום

בפוסט זה, הראינו כיצד להשתמש בתוויות מותאמות אישית של זיהוי כדי לזהות תמונות בנייה.

אתה יכול להתחיל עם מערכי הנתונים המותאמים אישית של התמונות שלך, ובכמה לחיצות פשוטות על קונסולת התוויות המותאמות אישית של Rekognition, תוכל לאמן את המודל שלך ולזהות אובייקטים בתמונות. תוויות מותאמות אישית של זיהוי יכולות לטעון ולבדוק את הנתונים באופן אוטומטי, לבחור את אלגוריתמי ה-ML הנכונים, לאמן מודל ולספק מדדי ביצועים של המודל. אתה יכול לסקור מדדי ביצועים מפורטים כגון דיוק, ריקול, ציוני F1 וציוני ביטחון.

הגיע היום שבו נוכל לזהות כעת מבנים פופולריים כמו בניין אמפייר סטייט בניו יורק, הטאג' מאהל בהודו ורבים אחרים ברחבי העולם עם תווית מראש ומוכנים לשימוש עבור מודיעין ביישומים שלך. אבל אם יש לך נקודות ציון אחרות שעדיין אינן נתמכות על ידי אמזון זיהוי תוויות, אל תחפש עוד ונסה את התוויות המותאמות אישית של זיהוי אמזון.

למידע נוסף על שימוש בתוויות מותאמות אישית, ראה מה זה תוויות מותאמות אישית לזיהוי אמזון? כמו כן, בקר שלנו GitHub ריפו לזרימת עבודה מקצה לקצה של זיהוי מותג מותאם אישית של Amazon Rekognition.

על כותבים:

סורש פאטנם הוא מנהיג BDM ראשי - GTM AI/ML ב-AWS. הוא עובד עם לקוחות כדי לבנות אסטרטגיית IT, מה שהופך את הטרנספורמציה הדיגיטלית דרך הענן לנגישה יותר על ידי מינוף נתונים ו-AI/ML. בזמנו הפנוי, סורש נהנה לשחק טניס ולבלות עם משפחתו.

באני קאושיק הוא אדריכל פתרונות ב-AWS. הוא נלהב מבניית פתרונות AI/ML ב-AWS ולעזור ללקוחות לחדש בפלטפורמת AWS. מחוץ לעבודה, הוא נהנה לטייל, לטפס ולשחות.