지난 XNUMX년 동안 컴퓨터 비전 사용 사례는 특히 보험, 자동차, 전자 상거래, 에너지, 소매, 제조 등과 같은 산업에서 증가하는 추세였습니다. 고객은 프로세스에 운영 효율성과 자동화를 제공하기 위해 컴퓨터 비전 머신 러닝(ML) 모델을 구축하고 있습니다. 이러한 모델은 이미지 분류를 자동화하거나 비즈니스에 고유하고 고유한 이미지에서 관심 개체를 감지하는 데 도움이 됩니다.
ML 모델 구축 프로세스를 단순화하기 위해 다음을 도입했습니다. Amazon SageMaker 점프스타트 JumpStart는 ML을 빠르고 쉽게 시작할 수 있도록 도와줍니다. 다양한 사전 훈련된 모델의 원클릭 배포 및 미세 조정과 다양한 종단 간 솔루션을 제공합니다. 이를 통해 ML 프로세스의 각 단계에서 무거운 작업을 제거하여 고품질 모델을 더 쉽게 개발하고 배포 시간을 단축할 수 있습니다. 그러나 2020개 이상의 사전 훈련된 컴퓨터 비전 모델 카탈로그에서 모델을 선택하는 데 도움이 되는 사전 지식이 필요합니다. 그런 다음 다양한 하이퍼파라미터 설정으로 모델 성능을 벤치마킹하고 프로덕션에 배포할 최상의 모델을 선택해야 합니다.
이 경험을 단순화하고 ML 전문 지식이 거의 또는 전혀 없는 개발자가 맞춤형 컴퓨터 비전 모델을 구축할 수 있도록 하기 위해 JumpStart 내에서 다음을 사용하는 새로운 예제 노트북을 출시합니다. Amazon Rekognition 사용자 지정 레이블, 맞춤형 컴퓨터 비전 모델을 구축하기 위한 완전 관리형 서비스입니다. Rekognition Custom Labels는 사전 훈련된 모델을 기반으로 구축됩니다. 아마존 인식, 이미 많은 카테고리에 걸쳐 수천만 개의 이미지에 대해 학습되었습니다. 수천 개의 이미지 대신 사용 사례에 특정한 작은 훈련 이미지 세트(수백 개 이하)로 시작할 수 있습니다. Rekognition Custom Labels는 사용자 지정 모델 구축과 관련된 복잡성을 추상화합니다. 훈련 데이터를 자동으로 검사하고, 올바른 ML 알고리즘을 선택하고, 인스턴스 유형을 선택하고, 다양한 하이퍼파라미터를 사용하여 여러 후보 모델을 훈련하고, 가장 잘 훈련된 모델을 출력합니다. Rekognition Custom Labels는 또한 AWS 관리 콘솔 이미지 레이블 지정, 교육, 모델 배포 및 테스트 결과 시각화를 포함한 전체 ML 워크플로에 대해
Rekognition Custom Labels를 사용하는 JumpStart 내의 이 예제 노트북은 모든 이미지 분류 또는 객체 감지 컴퓨터 비전 ML 작업을 해결하여 아마존 세이지 메이커 사용 사례, 요구 사항 및 기술 집합에 가장 적합한 컴퓨터 비전 솔루션을 구축합니다.
이 게시물에서는 JumpStart 내에서 이 예제 노트북을 사용하는 단계별 지침을 제공합니다. 노트북은 Rekognition Custom Labels 기존 교육 및 추론 API를 쉽게 사용하여 이미지 분류 모델, 다중 레이블 분류 모델 및 객체 감지 모델을 생성하는 방법을 보여줍니다. 쉽게 시작할 수 있도록 각 모델에 대한 예제 데이터 세트를 제공했습니다.
Rekognition Custom Labels를 사용하여 컴퓨터 비전 모델 학습 및 배포
이 섹션에서는 JumpStart에서 원하는 노트북을 찾고 배포된 엔드포인트에서 추론을 훈련하고 실행하는 방법을 보여줍니다.
부터 시작하자 아마존 세이지 메이커 스튜디오 발사통.
- Studio Launcher에서 다음을 선택합니다. SageMaker JumpStart로 이동.
JumpStart 랜딩 페이지에는 솔루션, 텍스트 모델 및 비전 모델에 대한 캐러셀 섹션이 있습니다. 검색창도 있습니다. - 검색 창에
Rekognition Custom Labels
선택하고 Rekognition 비전용 맞춤형 라벨 공책.
노트북이 읽기 전용 모드로 열립니다. - 왼쪽 메뉴에서 노트 가져 오기 노트북을 사용자 환경으로 가져옵니다.
노트북은 JumpStart 콘솔에서 Rekognition Custom Labels를 사용하여 추론을 훈련하고 실행하기 위한 단계별 가이드를 제공합니다. 단일 및 다중 레이블 이미지 분류 및 객체 감지를 보여주기 위해 다음 네 가지 샘플 데이터 세트를 제공합니다.
-
- 단일 레이블 이미지 분류 – 이 데이터 세트는 이미지를 사전 정의된 레이블 세트 중 하나에 속하는 것으로 분류하는 방법을 보여줍니다. 예를 들어, 부동산 회사는 Rekognition Custom Labels를 사용하여 거실, 뒤뜰, 침실 및 기타 가정 위치의 이미지를 분류할 수 있습니다. 다음은 노트북의 일부로 포함된 이 데이터 세트의 샘플 이미지입니다.
- 다중 레이블 이미지 분류 – 이 데이터 세트는 이미지를 색상, 크기, 질감 및 꽃 유형과 같은 여러 범주로 분류하는 방법을 보여줍니다. 예를 들어, 식물 재배자는 Rekognition Custom Label을 사용하여 다른 유형의 꽃과 꽃이 건강한지, 손상되었거나 감염되었는지를 구별할 수 있습니다. 다음 이미지는 이 데이터세트의 예입니다.
- 물체 감지 – 이 데이터 세트는 생산 또는 제조 라인에서 사용되는 부품을 찾기 위한 개체 현지화를 보여줍니다. 예를 들어, 전자 산업에서 Rekognition Custom Labels는 회로 기판의 커패시터 수를 계산하는 데 도움이 될 수 있습니다. 다음 이미지는 이 데이터세트의 예입니다.
- 브랜드 및 로고 감지 – 이 데이터 세트는 이미지에서 로고 또는 브랜드를 찾는 방법을 보여줍니다. 예를 들어, 미디어 산업에서 물체 감지 모델은 사진에서 스폰서 로고의 위치를 식별하는 데 도움이 될 수 있습니다. 다음은 이 데이터세트의 샘플 이미지입니다.
- 단일 레이블 이미지 분류 – 이 데이터 세트는 이미지를 사전 정의된 레이블 세트 중 하나에 속하는 것으로 분류하는 방법을 보여줍니다. 예를 들어, 부동산 회사는 Rekognition Custom Labels를 사용하여 거실, 뒤뜰, 침실 및 기타 가정 위치의 이미지를 분류할 수 있습니다. 다음은 노트북의 일부로 포함된 이 데이터 세트의 샘플 이미지입니다.
- 각 셀을 실행하여 노트북의 단계를 따릅니다.
이 노트북은 단일 노트북을 사용하여 Rekognition Custom label API를 통해 이미지 분류 및 객체 감지 사용 사례를 모두 처리하는 방법을 보여줍니다.
노트북을 계속 진행하면서 앞서 언급한 샘플 데이터 세트 중 하나를 선택할 수 있는 옵션이 있습니다. 각 데이터 세트에 대해 노트북을 실행하는 것이 좋습니다.
결론
이 게시물에서는 Rekognition Custom Labels API를 사용하여 이미지 분류 또는 개체 감지 컴퓨터 비전 모델을 구축하여 비즈니스 요구에 특정한 이미지의 개체를 분류하고 식별하는 방법을 보여주었습니다. 모델을 훈련시키려면 수천 개가 아닌 수십 ~ 수백 개의 레이블이 지정된 이미지를 제공하여 시작할 수 있습니다. Rekognition Custom Labels는 머신 유형, 알고리즘 유형 또는 알고리즘별 하이퍼파라미터(네트워크의 레이어 수, 학습률 및 배치 크기 포함)와 같은 매개변수 선택을 처리하여 모델 교육을 단순화합니다. Rekognition Custom Labels는 또한 훈련된 모델의 호스팅을 단순화하고 훈련된 모델로 추론을 수행하기 위한 간단한 작업을 제공합니다.
Rekognition Custom Labels는 교육 프로세스, 모델 관리 및 데이터세트 이미지 시각화를 위해 사용하기 쉬운 콘솔 환경을 제공합니다. 에 대해 자세히 알아보실 것을 권장합니다. Rekognition 사용자 정의 레이블 비즈니스별 데이터세트로 사용해 보세요.
시작하려면 다음에서 Rekognition Custom Labels 예제 노트북으로 이동할 수 있습니다. 세이지메이커 점프스타트.
저자에 관하여
파시민 미스트리 Amazon Rekognition Custom Labels의 수석 제품 관리자입니다. 직장 밖에서 Pashmeen은 모험적인 하이킹, 사진 촬영, 가족과 함께 시간을 보내는 것을 즐깁니다.
아비 셰쿠 굽타 AWS의 수석 AI 서비스 솔루션 아키텍트입니다. 그는 고객이 컴퓨터 비전 솔루션을 설계하고 구현하도록 돕습니다.
- "
- 100
- 2020
- 초록
- 가로질러
- 주소
- AI
- AI 서비스
- 연산
- 알고리즘
- 이미
- 아마존
- API
- 자동화
- 자동화
- 자동차
- AWS
- 기준
- BEST
- 판
- 브랜드
- 빌드
- 건물
- 빌드
- 사업
- 얻을 수 있습니다
- 후보자
- 한
- 가지 경우
- 선택
- 왼쪽 메뉴에서
- 분류
- 기업
- 컴퓨터
- 콘솔에서
- 만들
- 관습
- 고객
- 데이터
- 로사리오 염주
- 보여
- 배포
- 배포
- 배치
- 전개
- 디자인
- Detection System
- 개발
- 개발자
- 다른
- 용이하게
- 사용하기 쉬운
- 전자 상거래
- 전자
- 격려
- 종점
- 에너지
- 엔터 버튼
- 환경
- 특히
- 재산
- 예
- 현존하는
- 경험
- 전문적 지식
- 가족
- 수행원
- 성장하는
- 안내
- 도움
- 도움이
- 높은 품질의
- 호스팅
- 가정
- 방법
- How To
- 그러나
- HTTPS
- 수백
- 확인
- 영상
- 구현
- 포함
- 포함
- 산업
- 산업
- 보험
- 관심
- 인터페이스
- 참여
- IT
- 지식
- 레이블링
- 레이블
- 배우다
- 배우기
- 리프팅
- 작은
- 생활
- 위치
- 위치
- 심벌 마크
- 기계
- 기계 학습
- 유튜브 영상을 만드는 것은
- 관리
- 구축
- 매니저
- 제조
- 미디어
- 수백만
- ML
- 모델
- 모델
- 배우기
- 여러
- 요구
- 네트워크
- 수첩
- 번호
- 열립니다
- 조작
- 선택권
- 기타
- 부품
- 성능
- 실행할 수 있는
- 사진술
- 방법
- 프로세스
- 프로덕트
- 생산
- 제공
- 제공
- 제공
- 빨리
- 부동산
- 감소
- 요구조건 니즈
- 필요
- 결과
- 소매
- 객실
- 달리기
- 달리는
- 검색
- 서비스
- 서비스
- 세트
- 단순, 간단, 편리
- 크기
- 작은
- 해결책
- 솔루션
- 해결
- 일부
- 지출
- 스폰서
- 스타트
- 시작
- 스튜디오
- 복용
- test
- 수천
- 시간
- 트레이닝
- 기차
- 유형
- 유일한
- 사용
- 종류
- 시력
- 심상
- 이내
- 작업