השתמש בראייה ממוחשבת כדי למדוד את התפוקה החקלאית עם התוויות המותאמות אישית של אמזון זיהוי

בענף החקלאות, לבעיית הזיהוי והספירה של כמות הפירות על העצים יש תפקיד חשוב באומדן היבול. הרעיון של השכרה והשכרה של עץ הופך לפופולרי, כאשר בעל עץ שוכר את העץ מדי שנה לפני הקטיף על סמך תפוקת הפרי המשוערת. הפרקטיקה המקובלת של ספירת פירות ידנית היא תהליך שלוקח זמן ועבודה. זו אחת המשימות הקשות אך החשובות ביותר על מנת להשיג תוצאות טובות יותר במערכת ניהול היבול שלך. הערכה זו של כמות הפירות והפרחים מסייעת לחקלאים לקבל החלטות טובות יותר - לא רק על מחירי הליסינג, אלא גם על שיטות גידול ומניעת מחלות צמחים.

זה המקום שבו פתרון למידת מכונה אוטומטית (ML) עבור ראייה ממוחשבת (CV) יכול לעזור לחקלאים. תוויות מותאמות אישית של Amazon Rekognition הוא שירות ראייה ממוחשבת מנוהל במלואו המאפשר למפתחים לבנות מודלים מותאמים אישית לסיווג וזיהוי אובייקטים בתמונות ספציפיות וייחודיות לעסק שלך.

זיהוי תוויות מותאמות אישית אינן מחייבות אותך מומחיות קודמת בראיית מחשב. אתה יכול להתחיל פשוט על ידי העלאת עשרות תמונות במקום אלפים. אם התמונות כבר מסומנות, אתה יכול להתחיל לאמן דוגמנית בכמה קליקים בלבד. אם לא, אתה יכול לתייג אותם ישירות בתוך קונסולת התוויות המותאמות אישית של זיהוי, או להשתמש האמת של אמזון SageMaker כדי לתייג אותם. תוויות מותאמות אישית של זיהוי משתמש בלימוד העברה כדי לבדוק אוטומטית את נתוני האימון, לבחור את מסגרת המודל והאלגוריתם הנכונים, לייעל את הפרמטרים ההיפר ולאמן את המודל. כאשר אתה מרוצה מהדיוק של הדגם, אתה יכול להתחיל לארח את הדגם המיומן בלחיצה אחת בלבד.

בפוסט זה, אנו מציגים כיצד ניתן לבנות פתרון מקצה לקצה באמצעות תוויות מותאמות אישית של Rekognition כדי לזהות ולספור פירות כדי למדוד את התפוקה החקלאית.

סקירת פתרונות

אנו יוצרים מודל מותאם אישית לזיהוי פירות באמצעות השלבים הבאים:

1. תווית מערך נתונים עם תמונות המכילות פירות באמצעות האמת של אמזון SageMaker.
2. צור פרויקט בתוויות מותאמות אישית של זיהוי.
3. ייבא את מערך הנתונים המסומן שלך.
4. הרכבת הדגם.
5. בדוק את המודל המותאם אישית החדש באמצעות נקודת הקצה שנוצרה אוטומטית ממשק API.

Rekognition Custom Labels מאפשר לך לנהל את תהליך ההכשרה של מודל ML בקונסולת Amazon Rekognition, מה שמפשט את תהליך הפיתוח וההסקה של המודל מקצה לקצה.

תנאים מוקדמים

כדי ליצור מודל למדידת תפוקה חקלאית, תחילה עליך להכין מערך נתונים כדי לאמן את המודל איתו. עבור פוסט זה, מערך הנתונים שלנו מורכב מתמונות של פירות. התמונות הבאות מציגות כמה דוגמאות.

רכשנו את התמונות שלנו מהגינה שלנו. אתה יכול להוריד את קבצי התמונה מה- GitHub ריפו.

עבור פוסט זה, אנו משתמשים רק בקומץ תמונות כדי להציג את מקרה השימוש בתפוקת הפירות. אתה יכול להתנסות עוד עם תמונות נוספות.

כדי להכין את מערך הנתונים שלך, בצע את השלבים הבאים:

1. צור שירות אחסון פשוט של אמזון (אמזון S3) דלי.
2. צור שתי תיקיות בתוך הדלי הזה, שנקרא raw_data ו test_data, לאחסון תמונות לתיוג ולבדיקת דגמים.
3. בחרו העלה כדי להעלות את התמונות לתיקיות המתאימות מהריפו של GitHub.
   

התמונות שהועלו אינן מתויגות. אתה תויג את התמונות בשלב הבא.

סמן את מערך הנתונים שלך באמצעות Ground Truth

כדי לאמן את מודל ה-ML, אתה צריך תמונות מסווגות. Ground Truth מספק תהליך קל לתיוג התמונות. משימת התיוג מבוצעת על ידי כוח עבודה אנושי; בפוסט הזה אתה יוצר כוח עבודה פרטי. אתה יכול להשתמש אמזון מכני לתיוג בקנה מידה.

צור כוח אדם לתיוג

בואו ניצור תחילה את כוח העבודה שלנו לתיוג. השלם את השלבים הבאים:

1. במסוף SageMaker, תחת אמת קרקע בחלונית הניווט, בחר תיוג עובדים.
2. על פְּרָטִי בחר, בחר צור צוות פרטי.
   
3. בעד שם קבוצה, הזן שם לכוח העבודה שלך (עבור פוסט זה, labeling-team).
4. בחרו צור צוות פרטי.
   
5. בחרו הזמן עובדים חדשים.
   
   
6. ב הוסף עובדים לפי כתובת אימייל בקטע, הזן את כתובות האימייל של העובדים שלך. עבור פוסט זה, הזן את כתובת הדוא"ל שלך.
7. בחרו הזמינו עובדים חדשים.
   

יצרת כוח עבודה לתיוג, שבו אתה משתמש בשלב הבא בעת יצירת עבודת תיוג.

צור עבודת תיוג Ground Truth

כדי לשפר את עבודת התיוג שלך, בצע את השלבים הבאים:

1. במסוף SageMaker, תחת אמת קרקע, בחר עבודות תיוג.
2. בחרו צור עבודת תיוג.
   
3. בעד שם העבודה, להיכנס fruits-detection.
4. בחר ברצוני לציין שם של תכונת תווית שונה משם עבודת התיוג.
5. בעד שם מאפיין תוויתלהיכנס Labels.
6. בעד הגדרת נתוני קלט, בחר הגדרת נתונים אוטומטית.
7. בעד מיקום S3 עבור מערכי נתונים של קלט, הזן את מיקום S3 של התמונות, באמצעות הדלי שיצרת קודם לכן (s3://{your-bucket-name}/raw-data/images/).
8. בעד מיקום S3 עבור מערכי נתונים פלט, בחר ציין מיקום חדש והזן את מיקום הפלט עבור נתונים מוערים (s3://{your-bucket-name}/annotated-data/).
9. בעד סוג מידע, בחר תמונה.
10. בחרו השלם את הגדרת הנתונים.
    זה יוצר את קובץ המניפסט של התמונה ומעדכן את נתיב מיקום הקלט S3. המתן להודעה "חיבור נתונים קלט הצליח."
    
11. לְהַרְחִיב תצורה נוספת.
12. אשר זאת מערך נתונים מלא נבחר.
    זה משמש כדי לציין אם ברצונך לספק את כל התמונות לעבודת התיוג או קבוצת משנה של תמונות המבוססת על מסננים או דגימה אקראית.
    
13. בעד קטגוריית המשימות, בחר תמונה כי זו משימה להערת תמונה.
14. מכיוון שזהו מקרה שימוש לזיהוי אובייקט, עבור בחירת משימות, בחר תיבה תוחמת.
15. השאר את האפשרויות האחרות כברירת מחדל ובחר הַבָּא.
    
16. בחרו הַבָּא.
    
    כעת אתה מציין את העובדים שלך ומגדיר את כלי התיוג.
17. בעד סוגי עובדים, בחר פְּרָטִי.עבור פוסט זה, אתה משתמש בכוח עבודה פנימי כדי להוסיף הערות לתמונות. יש לך גם אפשרות לבחור כוח עבודה חוזי ציבורי (אמזון מכאני טורק) או כוח עבודה שותף (הספק מנוהל) בהתאם למקרה השימוש שלך.
18. עבור צוותים פרטיים¸ בחר את הצוות שיצרת קודם לכן.
19. השאר את האפשרויות האחרות כברירת מחדל וגלול מטה אל כלי תיוג תיוג תיוג.חיוני לספק הנחיות ברורות כאן בכלי התיוג לצוות התיוג הפרטי. הוראות אלו משמשות כמדריך למגיבים בעת התיוג. הוראות טובות הן תמציתיות, לכן אנו ממליצים להגביל את ההוראות המילוליות או הטקסטואליות לשני משפטים ולהתמקד בהוראות חזותיות. במקרה של סיווג תמונה, אנו ממליצים לספק תמונה אחת מסומנת בכל אחת מהשיעורים כחלק מההוראות.
20. הוסף שתי תוויות: fruit ו no_fruit.
21. הזן הוראות מפורטות ב- שדה תיאור שיש לספק הנחיות לעובדים. לדוגמה: 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'.אפשר גם לספק דוגמאות לתמונות תיוג טובות ורעות. עליך לוודא שהתמונות הללו נגישות לציבור.
22. בחרו צור כדי ליצור את עבודת התיוג.
    

לאחר יצירת העבודה בהצלחה, השלב הבא הוא לתייג את תמונות הקלט.

התחל את עבודת התיוג

לאחר שיצרת את העבודה בהצלחה, הסטטוס של המשרה הוא InProgress. המשמעות היא שהעבודה נוצרת וצוות העובדים הפרטי מקבל הודעה בדוא"ל לגבי המשימה שהוטלה עליהם. מכיוון שהטלת את המשימה לעצמך, אתה אמור לקבל אימייל עם הוראות להתחבר לפרויקט Ground Truth Labeling.

1. פתח את המייל ובחר בקישור שסופק.
2. הזן את שם המשתמש והסיסמה שסופקו באימייל.
   ייתכן שיהיה עליך לשנות את הסיסמה הזמנית שסופקה בדוא"ל לסיסמה חדשה לאחר הכניסה.
3. לאחר הכניסה, בחר את העבודה שלך ובחר תתחיל לעבוד.
   
   אתה יכול להשתמש בכלים המסופקים כדי להתקרב, להתרחק, להזיז ולצייר תיבות תוחמות בתמונות.
4. בחר את התווית שלך (fruit or no_fruit) ולאחר מכן צייר תיבה תוחמת בתמונה כדי להעיר לה.
5. כשתסיים, בחר חפש.

כעת יש לך תווית נכונה של תמונות שישמשו את מודל ה-ML לאימון.

צור את פרויקט ההכרה שלך באמזון

כדי ליצור את פרויקט מדידת התשואה החקלאית שלך, בצע את השלבים הבאים:

1. במסוף ההכרה של אמזון בחר תוויות בהתאמה אישית.
2. בחרו למלונות.
3. בעד שם הפרוייקט, להיכנס fruits_yield.
4. בחרו צור פרוייקט.
   

אתה יכול גם ליצור פרויקט ב- פרויקטים עמוד. אתה יכול לגשת אל פרויקטים דף דרך חלונית הניווט. השלב הבא הוא לספק תמונות כקלט.

ייבא את מערך הנתונים שלך

כדי ליצור את מודל מדידת התשואה החקלאית שלך, תחילה עליך לייבא מערך נתונים כדי לאמן את המודל איתו. עבור פוסט זה, מערך הנתונים שלנו כבר מסומן באמצעות Ground Truth.

1. בעד ייבא תמונות, בחר ייבא תמונות שכותרתו על ידי SageMaker Ground Truth.
   
2. בעד מיקום קובץ מניפסט, הזן את מיקום דלי S3 של קובץ המניפסט שלך (s3://{your-bucket-name}/fruits_image/annotated_data/fruits-labels/manifests/output/output.manifest).
3. בחרו צור מערך נתונים.
   

אתה יכול לראות את מערך הנתונים המסומן שלך.

כעת יש לך את מערך הקלט שלך עבור מודל ה-ML כדי להתחיל להתאמן עליהם.

אמן את הדגם שלך

לאחר שתייג את התמונות שלך, אתה מוכן לאמן את הדגם שלך.

1. בחרו דגם רכבת.
2. בעד בחר פרויקט, בחר את הפרויקט שלך fruits_yield.
3. בחרו דגם רכבת.
   

המתן לסיום ההכשרה. עכשיו אתה יכול להתחיל לבדוק את הביצועים של דגם מאומן זה.

בדוק את הדגם שלך

מודל מדידת התשואה החקלאית שלך מוכן כעת לשימוש ואמור להיות ב- Running מדינה. כדי לבדוק את הדגם, בצע את השלבים הבאים:

שלב 1: התחל את הדגם

בדף פרטי הדגם שלך, ב- השתמש במודל בחר, בחר הַתחָלָה.

זיהוי תוויות מותאמות אישית מספקות גם את קריאות ה-API להפעלה, שימוש ועצירה של המודל שלך.

שלב 2: בדוק את הדגם

כאשר הדגם נמצא ב Running המדינה, אתה יכול להשתמש בסקריפט הבדיקה לדוגמה analyzeImage.py לספור את כמות הפירות בתמונה.

1. הורד את הסקריפט הזה מה- GitHub ריפו.
2. ערוך קובץ זה כדי להחליף את הפרמטר bucket עם שם הדלי שלך ו model עם דגם הזיהוי של אמזון שלך ARN.

אנו משתמשים בפרמטרים photo ו min_confidence כקלט עבור סקריפט Python זה.

אתה יכול להפעיל את הסקריפט הזה באופן מקומי באמצעות ה ממשק שורת הפקודה של AWS (AWS CLI) או באמצעות AWS CloudShell. בדוגמה שלנו, הרצנו את הסקריפט דרך קונסולת CloudShell. שימו לב ש-CloudShell כן חופשי לשימוש.

הקפד להתקין את התלות הנדרשת באמצעות הפקודה pip3 install boto3 PILLOW אם עדיין לא מותקן.

3. העלה את הקובץ analyzeImage.py ל-CloudShell באמצעות ה פעולות תפריט.
   

צילום המסך הבא מציג את הפלט, שזיהה שני פירות בתמונת הקלט. סיפקנו 15.jpeg כארגומנט הצילום ו-85 כארגומנט min_confidence ערך.

הדוגמה הבאה מציגה תמונה 15.jpeg עם שתי תיבות תוחמות.

אתה יכול להריץ את אותו סקריפט עם תמונות אחרות ולהתנסות על ידי שינוי ציון הביטחון עוד יותר.

שלב 3: עצור את הדגם

כשתסיים, זכור להפסיק את המודל כדי להימנע מחיובים מיותרים. בדף פרטי הדגם שלך, בכרטיסייה השתמש בדגם, בחר עצור.

לנקות את

כדי להימנע מחיובים מיותרים, מחק את המשאבים המשמשים בהדרכה זו כאשר אינם בשימוש. אנחנו צריכים למחוק את פרויקט הזיהוי של אמזון ואת דלי ה-S3.

מחק את פרויקט הזיהוי של אמזון

כדי למחוק את פרויקט הזיהוי של אמזון, בצע את השלבים הבאים:

1. במסוף ההכרה של אמזון בחר השתמש בתוויות מותאמות אישית.
2. בחרו התחל כאן.
3. בחלונית הניווט בחר פרויקטים.
4. על פרויקטים בעמוד, בחר את הפרויקט שברצונך למחוק.
   1. בחרו מחק.
      השמיים מחק את הפרויקט תיבת הדו-שיח מופיעה.
5. אם לפרויקט אין דגמים משויכים:
   1. זן להסיר כדי למחוק את הפרויקט.
   2. בחרו מחק כדי למחוק את הפרויקט.
6. אם לפרויקט יש מודלים או מערכי נתונים משויכים:
   1. זן להסיר כדי לאשר שברצונך למחוק את המודל ואת מערכי הנתונים.
   2. בחר באחד מהם מחק דגמים משויכים, מחק מערכי נתונים משויכים, או מחק מערכי נתונים ומודלים משויכים, תלוי אם למודל יש מערכי נתונים, מודלים או שניהם.

   מחיקת הדגם עשויה להימשך זמן מה. שימו לב שמסוף הזיהוי של אמזון לא יכול למחוק דגמים שנמצאים באימונים או בריצה. נסה שוב לאחר הפסקת כל דגמי הריצה הרשומים, והמתן עד להשלמת הדגמים הרשומים כאימון. אם תסגור את תיבת הדו-שיח במהלך מחיקת המודל, הדגמים עדיין יימחקו. מאוחר יותר, תוכל למחוק את הפרויקט על ידי חזרה על הליך זה.

7. זן להסיר כדי לאשר שברצונך למחוק את הפרויקט.
8. בחרו מחק כדי למחוק את הפרויקט.

מחק את דלי ה-S3 שלך

תחילה עליך לרוקן את הדלי ולאחר מכן למחוק אותו.

1. על אמזון S3 קונסולה, בחר דליים.
2. בחר את הדלי שברצונך לרוקן ולאחר מכן בחר ריק.
3. אשר שברצונך לרוקן את הדלי על ידי הזנת שם הדלי בשדה הטקסט, ולאחר מכן בחר ריק.
4. בחרו מחק.
5. אשר שברצונך למחוק את הדלי על ידי הזנת שם הדלי בשדה הטקסט, ולאחר מכן בחר מחק דלי.

סיכום

בפוסט זה, הראינו לכם כיצד ליצור מודל זיהוי אובייקטים עם תוויות מותאמות אישית של זיהוי. תכונה זו מקלה על אימון מודל מותאם אישית שיכול לזהות מחלקה של אובייקט מבלי צורך לציין אובייקטים אחרים או לאבד את הדיוק בתוצאות שלו.

למידע נוסף על שימוש בתוויות מותאמות אישית, ראה מה זה תוויות מותאמות אישית לזיהוי אמזון?

---

על המחברים

Dhirj Thakur הוא אדריכל פתרונות עם שירותי האינטרנט של אמזון. הוא עובד עם לקוחות AWS ושותפים בכדי לספק הנחיות בנושא אימוץ ענן ארגוני, הגירה ואסטרטגיה. הוא נלהב מהטכנולוגיה ונהנה לבנות ולהתנסות בתחום הניתוח וה- AI / ML.

סאילר גואל הוא Sr. Solutions Architect בהולנד, המניע את הצלחת הלקוחות על ידי בניית אבות טיפוס על יוזמות חדשניות. לפני הצטרפותו ל-AWS, סמיר סיים תואר שני בבוסטון, עם ריכוז במדעי הנתונים. הוא נהנה לבנות ולהתנסות בפרויקטים של AI/ML ב-Raspberry Pi. אתה יכול למצוא אותו על לינקדין.