아마존 인식 ML(머신 러닝) 전문 지식이 필요하지 않은 입증되고 확장성이 뛰어난 딥 러닝 기술을 사용하여 애플리케이션에 이미지 및 비디오 분석을 간단하게 추가할 수 있는 컴퓨터 비전 서비스입니다. Amazon Rekognition을 사용하면 이미지와 비디오에서 객체, 사람, 텍스트, 장면 및 활동을 식별하고 부적절한 콘텐츠를 탐지할 수 있습니다. Amazon Rekognition은 또한 다양한 사용 사례에서 얼굴을 감지, 분석 및 비교하는 데 사용할 수 있는 매우 정확한 얼굴 분석 및 얼굴 검색 기능을 제공합니다.
Amazon Rekognition 사용자 지정 레이블 특정 사용 사례에 필수적인 고유한 객체와 장면을 탐지하는 고유한 ML 기반 이미지 분석 기능을 간단하게 구축할 수 있게 해주는 Amazon Rekognition의 기능입니다.
Rekognition Custom Labels의 몇 가지 일반적인 사용 사례에는 소셜 미디어 게시물에서 로고 찾기, 매장 진열대에서 제품 식별, 조립 라인에서 기계 부품 분류, 건강한 식물과 감염된 식물 구분 등이 포함됩니다.
Amazon Rekognition 레이블 브루클린 브리지, 콜로세움, 에펠탑, 마추픽추, 타지마할과 같은 인기 있는 랜드마크를 지원합니다., 그리고 더. Amazon Rekognition에서 아직 지원하지 않는 다른 랜드마크나 건물이 있는 경우에도 Amazon Rekognition Custom Labels를 사용할 수 있습니다.
이 게시물에서는 Rekognition Custom Labels를 사용하여 시애틀에 있는 Amazon Spheres 건물을 감지하는 방법을 시연합니다.
Rekognition Custom Labels를 사용하면 AWS가 어려운 작업을 처리합니다. Rekognition Custom Labels는 여러 범주에 걸쳐 수천만 개의 이미지에 대해 이미 훈련된 Amazon Rekognition의 기존 기능을 기반으로 합니다. 수천 개의 이미지 대신 간단한 콘솔을 통해 사용 사례에 특정한 작은 훈련 이미지 세트(일반적으로 수백 개 이하)를 업로드하기만 하면 됩니다. Amazon Rekognition은 몇 번의 클릭만으로 교육을 시작할 수 있습니다. Amazon Rekognition이 이미지 세트에서 교육을 시작한 후 몇 분 또는 몇 시간 내에 사용자 지정 이미지 분석 모델을 생성할 수 있습니다. 백그라운드에서 Rekognition Custom Labels는 교육 데이터를 자동으로 로드 및 검사하고, 적합한 ML 알고리즘을 선택하고, 모델을 교육하고, 모델 성능 지표를 제공합니다. 그런 다음 Rekognition Custom Labels API를 통해 사용자 정의 모델을 사용하고 애플리케이션에 통합할 수 있습니다.
솔루션 개요
이 예에서는 다음을 사용합니다. 아마존 스피어 시애틀에 있는 건물. Rekognition Custom Labels를 사용하여 모델을 교육합니다. 유사한 이미지가 사용될 때마다 알고리즘은 이를 다음과 같이 식별해야 합니다. Amazon Spheres 대신 Dome, Architecture, Glass building, 또는 기타 라벨.
먼저 사용자 지정 교육 없이 Amazon Spheres의 이미지를 제공하는 Amazon Rekognition의 레이블 감지 기능을 사용하는 예를 보여드리겠습니다. Amazon Rekognition 콘솔을 사용하여 레이블 감지 데모를 열고 사진을 업로드합니다.
이미지가 업로드되고 분석된 후 아래에 신뢰도 점수가 있는 레이블이 표시됩니다. 결과. 이 경우 Dome 99.2%의 신뢰도 점수로 탐지되었으며, Architecture 99.2 %, Building 99.2 %, Metropolis 79.4%, 등등.
이미지에 레이블을 지정할 수 있는 컴퓨터 비전 모델을 생성하기 위해 사용자 지정 레이블 지정을 사용하려고 합니다. Amazon Spheres.
다음 섹션에서는 데이터 세트 준비, Rekognition Custom Labels 프로젝트 생성, 모델 훈련, 결과 평가 및 추가 이미지로 테스트하는 과정을 안내합니다.
사전 조건
단계를 시작하기 전에 다음이 있습니다. 할당량 알아두어야 할 Rekognition Custom Labels. 한도를 변경하려면 다음을 요청할 수 있습니다. 서비스 한도 증가.
데이터세트 만들기
Rekognition Custom Labels를 처음 사용하는 경우 레이블을 생성하라는 메시지가 표시됩니다. 아마존 단순 스토리지 서비스 (Amazon S3) 버킷을 사용하여 데이터 세트를 저장합니다.
이 블로그 데모에서는 워싱턴주 시애틀을 방문하는 동안 캡처한 Amazon Spheres의 이미지를 사용했습니다. 필요에 따라 자신의 이미지를 자유롭게 사용하십시오.
각각의 접두사 안에 이미지를 저장하는 새로 생성된 버킷에 데이터세트를 복사합니다.
프로젝트 만들기
Rekognition Custom Labels 프로젝트를 생성하려면 다음 단계를 완료하세요.
- Rekognition Custom Labels 콘솔에서 다음을 선택합니다. 프로젝트 만들기.
- 럭셔리 프로젝트 이름이름을 입력하십시오.
- 왼쪽 메뉴에서 프로젝트 만들기.
이제 교육 및 테스트 데이터 세트의 구성과 경로를 지정합니다. - 왼쪽 메뉴에서 데이터 세트 만들기.
단일 데이터 세트가 있는 프로젝트 또는 별도의 훈련 및 테스트 데이터 세트가 있는 프로젝트로 시작할 수 있습니다. 단일 데이터 세트로 시작하는 경우 Rekognition Custom Labels는 훈련 중에 데이터 세트를 분할하여 프로젝트에 대한 훈련 데이터 세트(80%)와 테스트 데이터 세트(20%)를 생성합니다.
또한 다음 위치 중 하나에서 이미지를 가져와서 프로젝트에 대한 교육 및 테스트 데이터 세트를 만들 수 있습니다.
이 게시물에서는 Amazon Spheres의 자체 사용자 지정 데이터 세트를 사용합니다.
- 선택 단일 데이터 세트로 시작.
- 선택 S3 버킷에서 이미지 가져 오기.
- 럭셔리 S3 URI, S3 버킷의 경로를 입력하십시오.
- Rekognition Custom Labels가 S3 버킷의 폴더 이름을 기반으로 이미지에 자동으로 레이블을 지정하도록 하려면 다음을 선택하십시오. 폴더 이름을 기준으로 이미지에 이미지 수준 라벨을 자동으로 할당.
- 왼쪽 메뉴에서 데이터 세트 만들기.
레이블이 있는 이미지를 보여주는 페이지가 열립니다. 라벨에 오류가 있으면 다음을 참조하십시오. 데이터 세트 디버깅.
모델 훈련
데이터 세트를 검토한 후 이제 모델을 교육할 수 있습니다.
- 왼쪽 메뉴에서 기차 모형.
- 럭셔리 프로젝트 선택, 아직 나열되지 않은 경우 프로젝트의 ARN을 입력합니다.
- 왼쪽 메뉴에서 모델 학습.
. 모델 프로젝트 페이지의 섹션에서 현재 상태를 확인할 수 있습니다. 모델 상태 교육이 진행 중인 열입니다. 훈련 시간은 훈련 세트의 이미지 수 및 레이블 수, 모델 훈련에 사용되는 ML 알고리즘 유형과 같은 여러 요인에 따라 일반적으로 완료하는 데 30분에서 24시간이 걸립니다.
모델 학습이 완료되면 모델 상태를 다음과 같이 확인할 수 있습니다. TRAINING_COMPLETED. 교육이 실패하면 다음을 참조하십시오. 실패한 모델 학습 디버깅.
모델 평가
모델 세부정보 페이지를 엽니다. 그만큼 평가 탭에는 각 레이블에 대한 메트릭과 전체 테스트 데이터 세트에 대한 평균 메트릭이 표시됩니다.
Rekognition Custom Labels 콘솔은 교육 결과 요약 및 각 레이블에 대한 지표로 다음과 같은 지표를 제공합니다.
다음 스크린샷과 같이 개별 이미지에 대한 훈련된 모델의 결과를 볼 수 있습니다.
모델 테스트
이제 평가 결과를 보았으므로 모델을 시작하고 새 이미지를 분석할 준비가 되었습니다.
에서 모델을 시작할 수 있습니다. 사용 모델 Rekognition Custom Labels 콘솔의 탭을 사용하거나 시작 프로젝트 버전 를 통한 작동 AWS 명령 줄 인터페이스 (AWS CLI) 또는 Python SDK.
모델이 실행 중일 때 다음을 사용하여 새 이미지를 분석할 수 있습니다. 맞춤 라벨 감지 API. 의 결과 DetectCustomLabels 이미지에 특정 개체, 장면 또는 개념이 포함되어 있다는 예측입니다. 다음 코드를 참조하십시오.
출력에서 신뢰도 점수가 있는 레이블을 볼 수 있습니다.
결과에서 알 수 있듯이 몇 번의 간단한 클릭만으로 Rekognition Custom Labels를 사용하여 정확한 레이블 지정 결과를 얻을 수 있습니다. 식품, 애완 동물, 기계 부품 등에 대한 맞춤형 라벨 식별과 같은 다양한 이미지 사용 사례에 이를 사용할 수 있습니다.
정리
이 게시물의 일부로 생성한 리소스를 정리하고 잠재적인 반복 비용을 방지하려면 다음 단계를 완료하세요.
- 에 사용 모델 탭, 모델을 중지.
또는 다음을 사용하여 모델을 중지할 수 있습니다. 프로젝트 버전 중지 AWS CLI 또는 Python SDK를 통한 작업. 모델이Stopped다음 단계를 계속하기 전에 상태를 확인하십시오. - 모델 삭제.
- 프로젝트 삭제.
- 데이터세트 삭제.
- 빈 S3 버킷 내용 및 삭제 양동이.
결론
이 게시물에서는 Rekognition Custom Labels를 사용하여 건물 이미지를 감지하는 방법을 보여주었습니다.
사용자 지정 이미지 데이터 세트로 시작할 수 있으며 Rekognition Custom Labels 콘솔에서 몇 번의 클릭만으로 모델을 훈련하고 이미지에서 개체를 감지할 수 있습니다. Rekognition Custom Labels는 데이터를 자동으로 로드 및 검사하고, 올바른 ML 알고리즘을 선택하고, 모델을 훈련하고, 모델 성능 메트릭을 제공할 수 있습니다. 정밀도, 재현율, F1 점수 및 신뢰도 점수와 같은 자세한 성능 메트릭을 검토할 수 있습니다.
이제 뉴욕시의 엠파이어 스테이트 빌딩, 인도의 타지마할 및 전 세계의 많은 다른 건물과 같이 인기 있는 건물을 식별하고 애플리케이션에서 인텔리전스를 위해 사용할 준비가 된 날이 왔습니다. 그러나 현재 Amazon Rekognition Labels에서 아직 지원하지 않는 다른 랜드마크가 있는 경우 더 이상 보지 말고 Amazon Rekognition Custom Labels를 사용해 보십시오.
사용자 지정 레이블 사용에 대한 자세한 내용은 Amazon Rekognition 사용자 지정 레이블이란 무엇입니까? 또한, 우리를 방문하십시오 GitHub 레포 Amazon Rekognition 사용자 지정 브랜드 감지의 엔드 투 엔드 워크플로를 위해.
저자 소개 :
수레시 파트남 AWS의 주요 BDM – GTM AI/ML 리더입니다. 그는 고객과 협력하여 IT 전략을 수립하고 데이터 및 AI/ML을 활용하여 클라우드를 통해 디지털 전환에 보다 쉽게 접근할 수 있도록 합니다. 여가 시간에 Suresh는 테니스를 치고 가족과 시간을 보내는 것을 즐깁니다.
버니 카우식 AWS의 솔루션 아키텍트입니다. 그는 AWS에서 AI/ML 솔루션을 구축하고 고객이 AWS 플랫폼에서 혁신하도록 돕는 일에 열정적입니다. 업무 외에는 하이킹, 등산, 수영을 즐깁니다.
