Amazonの再認識 は、機械学習 (ML) の専門知識を必要としない、実証済みの高度にスケーラブルなディープ ラーニング テクノロジを使用して、画像とビデオの分析をアプリケーションに簡単に追加できるようにするコンピューター ビジョン サービスです。 Amazon Rekognition を使用すると、画像や動画内のオブジェクト、人物、テキスト、シーン、アクティビティを識別し、不適切なコンテンツを検出できます。 Amazon Rekognition は、さまざまなユースケースで顔を検出、分析、比較するために使用できる、非常に正確な顔分析および顔検索機能も提供します。
Amazon Rekognitionカスタムラベル は Amazon Rekognition の機能であり、特定のユースケースに不可欠な固有のオブジェクトやシーンを検出するために、独自の特殊な ML ベースの画像分析機能を簡単に構築できるようにします。
Rekognition カスタム ラベルの一般的な使用例には、ソーシャル メディアの投稿でロゴを見つける、店舗の棚にある製品を識別する、組立ラインで機械部品を分類する、健康な植物と感染した植物を区別するなどがあります。
Amazon Rekognition ラベル ブルックリン ブリッジ、コロッセオ、エッフェル塔、マチュピチュ、タージ マハルなどの人気のランドマークをサポート、 もっと。 Amazon Rekognition でまだサポートされていない他のランドマークや建物がある場合でも、Amazon Rekognition カスタムラベルを使用できます。
この投稿では、Rekognition カスタム ラベルを使用して、シアトルにある Amazon Spheres の建物を検出する方法を示します。
Rekognition カスタム ラベルを使用すると、AWS が面倒な作業を代行します。 Rekognition Custom Labels は、Amazon Rekognition の既存の機能を基に構築されています。Amazon Rekognition は、多くのカテゴリにわたる数千万の画像で既にトレーニングされています。 数千の画像の代わりに、簡単なコンソールを介してユースケースに固有の小さなトレーニング画像セット (通常は数百画像以下) をアップロードするだけです。 Amazon Rekognition は、数回クリックするだけでトレーニングを開始できます。 Amazon Rekognition が画像セットからトレーニングを開始すると、数分または数時間以内にカスタム画像分析モデルを生成できます。 バックグラウンドで、Rekognition Custom Labels は自動的にトレーニング データを読み込んで検査し、適切な ML アルゴリズムを選択し、モデルをトレーニングし、モデルのパフォーマンス メトリックを提供します。 その後、Rekognition Custom Labels API を介してカスタム モデルを使用し、それをアプリケーションに統合できます。
ソリューションの概要
この例では、 アマゾンスフィア シアトルのビル。 Rekognition カスタム ラベルを使用してモデルをトレーニングします。 類似の画像が使用される場合は常に、アルゴリズムはそれを次のように識別します。 Amazon Spheres Dome, Architecture, Glass building、または他のラベル。
最初に、Amazon Rekognition のラベル検出機能を使用する例を示しましょう。ここでは、カスタム トレーニングなしで Amazon Spheres の画像をフィードします。 Amazon Rekognition コンソールを使用してラベル検出デモを開き、写真をアップロードします。
画像がアップロードされて分析されると、ラベルの下に信頼スコアが表示されます。 結果。 この場合、 Dome 99.2% の信頼スコアで検出されました。 Architecture 99.2％で、 Building 99.2％で、 Metropolis 79.4% など。
カスタム ラベル付けを使用して、画像にラベル付けできるコンピューター ビジョン モデルを作成したい Amazon Spheres.
以下のセクションでは、データセットの準備、Rekognition カスタム ラベル プロジェクトの作成、モデルのトレーニング、結果の評価、および追加の画像を使用したテストについて説明します。
前提条件
手順を開始する前に、 クォータ 注意が必要な Rekognition カスタム ラベルの場合。 制限を変更したい場合は、 サービス上限の引き上げ.
データセットを作成する
Rekognition カスタム ラベルを初めて使用する場合は、ラベルを作成するよう求められます。 Amazon シンプル ストレージ サービス データセットを保存する (Amazon S3) バケット。
このブログのデモンストレーションでは、ワシントン州シアトルを訪れたときにキャプチャした Amazon Spheres の画像を使用しました。 必要に応じて、独自の画像を自由に使用してください。
データセットを新しく作成したバケットにコピーします。これにより、画像がそれぞれのプレフィックス内に保存されます。
プロジェクトを作成する
Rekognition カスタム ラベル プロジェクトを作成するには、次の手順を実行します。
- Rekognition Custom Labelsコンソールで、 プロジェクトを作成する.
- プロジェクト名、名前を入力します。
- 選択する プロジェクトを作成する.
次に、トレーニングおよびテスト データセットの構成とパスを指定します。 - 選択する データセットを作成する.
単一のデータセットを持つプロジェクトから始めることも、個別のトレーニング データセットとテスト データセットを持つプロジェクトから始めることもできます。 単一のデータセットから開始する場合、Rekognition Custom Labels はトレーニング中にデータセットを分割して、プロジェクトのトレーニング データセット (80%) とテスト データセット (20%) を作成します。
さらに、次のいずれかの場所から画像をインポートすることで、プロジェクトのトレーニング データセットとテスト データセットを作成できます。
この投稿では、Amazon Spheres の独自のカスタム データセットを使用します。
- 選択 単一のデータセットから始める.
- 選択 S3バケットから画像をインポートする.
- S3 URIで、S3 バケットへのパスを入力します。
- S3 バケット内のフォルダ名に基づいて、Rekognition カスタム ラベルで画像に自動的にラベルを付ける場合は、 フォルダ名に基づいて、画像レベルのラベルを画像に自動的に割り当てます.
- 選択する データセットを作成する.
ラベル付きの画像を表示するページが開きます。 ラベルに誤りがある場合は、 を参照してください。 データセットのデバッグ.
モデルを訓練する
データセットを確認したら、モデルをトレーニングできます。
- 選択する 電車の模型.
- プロジェクトを選択で、プロジェクトがまだリストされていない場合は、プロジェクトの ARN を入力します。
- 選択する 列車モデル.
Models プロジェクトページのセクションで、現在のステータスを確認できます モデルの状態 トレーニングが進行中の列。 トレーニング セット内の画像の数やラベルの数、モデルのトレーニングに使用される ML アルゴリズムの種類などのいくつかの要因に応じて、トレーニング時間は通常、完了するまでに 30 分から 24 時間かかります。
モデルのトレーニングが完了すると、モデルのステータスが次のように表示されます。 TRAINING_COMPLETED. トレーニングに失敗した場合は、 失敗したモデル トレーニングのデバッグ.
モデルを評価する
モデルの詳細ページを開きます。 の 評価 タブには、各ラベルのメトリックと、テスト データセット全体の平均メトリックが表示されます。
Rekognition Custom Labels コンソールは、トレーニング結果の概要および各ラベルの指標として、次の指標を提供します。
次のスクリーンショットに示すように、個々の画像のトレーニング済みモデルの結果を表示できます。
モデルをテストする
評価結果を確認したので、モデルを開始して新しい画像を分析する準備が整いました。
でモデルを開始できます。 モデルを使用 Rekognition Custom Labels コンソールのタブ、または 開始プロジェクトのバージョン による操作 AWSコマンドラインインターフェイス (AWS CLI) または Python SDK。
モデルが実行されているときは、 カスタムラベルの検出 API。 からの結果 DetectCustomLabels 画像に特定のオブジェクト、シーン、または概念が含まれているという予測です。 次のコードを参照してください。
出力では、ラベルとその信頼スコアを確認できます。
結果からわかるように、数回クリックするだけで、Rekognition カスタム ラベルを使用して正確なラベル付け結果を得ることができます。 これは、食品、ペット、機械部品などのカスタム ラベルの識別など、さまざまな画像のユース ケースに使用できます。
クリーンアップ
この投稿の一部として作成したリソースをクリーンアップし、発生する可能性のある定期的なコストを回避するには、次の手順を実行します。
- ソフトウェア設定ページで、下図のように モデルを使用 タブ、 モデルを停止します.
または、次を使用してモデルを停止できます。 プロジェクトバージョンの停止 AWS CLI または Python SDK を介して操作します。モデルがStopped次のステップに進む前に状態を確認してください。 - モデルを削除します.
- プロジェクトを削除します.
- データセットを削除する.
- 空の S3 バケットの内容と 削除 バケツ。
まとめ
この投稿では、Rekognition カスタム ラベルを使用して建物の画像を検出する方法を紹介しました。
カスタム画像データセットを使い始めることができます。Rekognition Custom Labels コンソールで数回クリックするだけで、モデルをトレーニングし、画像内のオブジェクトを検出できます。 Rekognition カスタム ラベルは、データの読み込みと検査、適切な ML アルゴリズムの選択、モデルのトレーニング、モデル パフォーマンス メトリクスの提供を自動的に行うことができます。 精度、再現率、F1 スコア、信頼スコアなどの詳細なパフォーマンス メトリックを確認できます。
ニューヨーク市のエンパイア ステート ビルディング、インドのタージ マハルなど、世界中の多くの人気のある建物を事前にラベル付けしてアプリケーションのインテリジェンスに使用する準備ができていることを識別できる日が来ました。 ただし、現在 Amazon Rekognition ラベルでまだサポートされていない他のランドマークがある場合は、Amazon Rekognition カスタム ラベルを試してみてください。
カスタムラベルの使用の詳細については、 Amazon Rekognitionカスタムラベルとは何ですか？ また、 GitHubレポ Amazon Rekognition カスタム ブランド検出のエンドツーエンド ワークフロー用。
著者について：
スレシュ・パトナム プリンシパル BDM – AWS の GTM AI/ML リーダーです。 彼は顧客と協力して IT 戦略を構築し、データと AI/ML を活用してクラウドを介したデジタル変革をより利用しやすくしています。 余暇には、Suresh はテニスをしたり、家族と過ごす時間を楽しんでいます。
バニー・カウシク AWS のソリューション アーキテクトです。 彼は、AWS で AI/ML ソリューションを構築し、AWS プラットフォームでの顧客の革新を支援することに情熱を注いでいます。 仕事以外では、ハイキング、登山、水泳を楽しんでいます。
