Amazon Rekognition Custom Labels로 컴퓨터 비전을 사용하여 농업 수확량 측정

농업 부문에서 나무에 달린 과일의 양을 식별하고 계산하는 문제는 작물 추정에 중요한 역할을 합니다. 매년 나무 소유자가 추정 과일 수확량을 기반으로 수확 전에 나무를 임대하는 나무 임대 및 임대 개념이 대중화되고 있습니다. 과일을 수동으로 세는 일반적인 관행은 시간이 많이 걸리고 노동 집약적인 프로세스입니다. 작물 관리 시스템에서 더 나은 결과를 얻기 위해서는 가장 어렵지만 가장 중요한 작업 중 하나입니다. 과일과 꽃의 양에 대한 이러한 추정은 농부들이 임대 가격뿐만 아니라 재배 방법 및 식물 질병 예방에 대해 더 나은 결정을 내리는 데 도움이 됩니다.

이것이 바로 컴퓨터 비전(CV)을 위한 자동화된 기계 학습(ML) 솔루션이 농부들을 도울 수 있는 곳입니다. Amazon Rekognition 사용자 지정 레이블 는 개발자가 비즈니스에 고유하고 고유한 이미지의 개체를 분류하고 식별하는 사용자 지정 모델을 구축할 수 있는 완전 관리형 컴퓨터 비전 서비스입니다.

Rekognition Custom Labels를 사용하려면 컴퓨터 비전에 대한 사전 지식이 필요하지 않습니다. 수천 개가 아닌 수십 개의 이미지를 업로드하기만 하면 시작할 수 있습니다. 이미지에 이미 레이블이 지정되어 있는 경우 몇 번의 클릭만으로 모델 학습을 시작할 수 있습니다. 그렇지 않은 경우 Rekognition Custom Labels 콘솔 내에서 직접 레이블을 지정하거나 다음을 사용할 수 있습니다. 아마존 세이지 메이커 그라운드 진실 레이블을 지정합니다. Rekognition Custom Labels는 전이 학습을 사용하여 훈련 데이터를 자동으로 검사하고, 올바른 모델 프레임워크와 알고리즘을 선택하고, 하이퍼파라미터를 최적화하고, 모델을 훈련합니다. 모델 정확도에 만족하면 클릭 한 번으로 훈련된 모델 호스팅을 시작할 수 있습니다.

이 게시물에서는 Rekognition Custom Labels를 사용하여 과일을 감지하고 계산하여 농업 수확량을 측정하는 종단 간 솔루션을 구축하는 방법을 보여줍니다.

솔루션 개요

다음 단계를 사용하여 과일을 감지하는 사용자 지정 모델을 만듭니다.

1. 다음을 사용하여 과일이 포함된 이미지로 데이터세트에 레이블 지정 아마존 세이지 메이커 그라운드 진실.
2. Rekognition Custom Labels에서 프로젝트를 생성합니다.
3. 레이블이 지정된 데이터세트를 가져옵니다.
4. 모델을 훈련시킵니다.
5. 자동으로 생성 된 API 엔드 포인트를 사용하여 새 사용자 지정 모델을 테스트합니다.

Rekognition Custom Labels를 사용하면 Amazon Rekognition 콘솔에서 ML 모델 교육 프로세스를 관리할 수 있으므로 종단 간 모델 개발 및 추론 프로세스가 간소화됩니다.

사전 조건

농업 수확량 측정 모델을 생성하려면 먼저 모델을 훈련할 데이터 세트를 준비해야 합니다. 이 게시물의 데이터 세트는 과일 이미지로 구성됩니다. 다음 이미지는 몇 가지 예를 보여줍니다.

우리는 우리 자신의 정원에서 이미지를 가져왔습니다. 에서 이미지 파일을 다운로드할 수 있습니다. GitHub 레포.

이 게시물에서는 과일 수확량 사용 사례를 보여주기 위해 소수의 이미지만 사용합니다. 더 많은 이미지로 더 실험할 수 있습니다.

데이터 세트를 준비하려면 다음 단계를 완료하세요.

1. 를 생성 아마존 단순 스토리지 서비스 (Amazon S3) 버킷.
2. 이 버킷 내에 다음이라는 두 개의 폴더를 만듭니다. raw_data 와 test_data, 레이블 지정 및 모델 테스트용 이미지를 저장합니다.
3. 왼쪽 메뉴에서 가이드라가 GitHub 리포지토리에서 해당 폴더에 이미지를 업로드합니다.
   

업로드된 이미지에는 레이블이 지정되지 않습니다. 다음 단계에서 이미지에 레이블을 지정합니다.

Ground Truth를 사용하여 데이터 세트에 레이블 지정

ML 모델을 훈련하려면 레이블이 지정된 이미지가 필요합니다. Ground Truth는 이미지에 레이블을 지정하는 쉬운 프로세스를 제공합니다. 라벨링 작업은 인력이 수행합니다. 이 게시물에서는 개인 인력을 만듭니다. 당신이 사용할 수있는 아마존 기계 터크 대규모 라벨링용.

라벨링 인력 생성

먼저 라벨링 인력을 생성해 보겠습니다. 다음 단계를 완료하십시오.

1. SageMaker 콘솔의 지상 진실 탐색 창에서 라벨링 인력.
2. 에 프라이빗 투어 탭에서 개인 팀 만들기.
   
3. 럭셔리 팀 이름, 인력 이름을 입력합니다(이 게시물의 경우, labeling-team).
4. 왼쪽 메뉴에서 개인 팀 만들기.
   
5. 왼쪽 메뉴에서 새로운 일꾼을 초대합니다.
   
   
6. . 이메일 주소로 작업자 추가 섹션에 작업자의 이메일 주소를 입력합니다. 이 게시물에는 자신의 이메일 주소를 입력하세요.
7. 왼쪽 메뉴에서 신규 근로자 초대.
   

레이블링 작업을 생성하는 동안 다음 단계에서 사용할 레이블링 인력을 생성했습니다.

Ground Truth 레이블 지정 작업 만들기

라벨링 작업을 훌륭하게 수행하려면 다음 단계를 완료하십시오.

1. SageMaker 콘솔의 지상 진실선택한다. 라벨링 작업.
2. 왼쪽 메뉴에서 라벨링 작업 생성.
   
3. 럭셔리 직업 이름, 입력 fruits-detection.
4. 선택 라벨 작업 이름과 다른 라벨 속성 이름을 지정하고 싶습니다.
5. 럭셔리 라벨 속성 이름시작하다 Labels.
6. 럭셔리 입력 데이터 설정, 고르다 자동화된 데이터 설정.
7. 럭셔리 입력 데이터 세트의 S3 위치, 이전에 생성한 버킷을 사용하여 이미지의 S3 위치를 입력합니다(s3://{your-bucket-name}/raw-data/images/).
8. 럭셔리 출력 데이터 세트의 S3 위치, 고르다 새 위치 지정 주석이 달린 데이터의 출력 위치를 입력합니다(s3://{your-bucket-name}/annotated-data/).
9. 럭셔리 데이터 유형선택한다. 영상.
10. 왼쪽 메뉴에서 데이터 설정 완료.
    그러면 이미지 매니페스트 파일이 생성되고 S3 입력 위치 경로가 업데이트됩니다. "입력 데이터 연결 성공" 메시지를 기다립니다.
    
11. 펼치기 추가 구성.
12. 확인 전체 데이터세트 선택됩니다.
    레이블 작업에 모든 이미지를 제공할지 아니면 필터 또는 무작위 샘플링을 기반으로 이미지의 하위 집합을 제공할지 여부를 지정하는 데 사용됩니다.
    
13. 럭셔리 작업 카테고리선택한다. 영상 이것은 이미지 주석을 위한 작업이기 때문입니다.
14. 이것은 객체 감지 사용 사례이기 때문에 작업 선택, 고르다 경계 상자.
15. 다른 옵션은 기본값으로 두고 다음을 선택합니다. 다음 보기.
    
16. 왼쪽 메뉴에서 다음 보기.
    
    이제 작업자를 지정하고 레이블 지정 도구를 구성합니다.
17. 럭셔리 근로자 유형, 고르다 프라이빗 투어.이 게시물의 경우 내부 인력을 사용하여 이미지에 주석을 달았습니다. 또한 공공 계약 인력(아마존 기계 터크) 또는 파트너 인력(공급업체 관리) 사용 사례에 따라 다릅니다.
18. 비공개 팀의 경우 이전에 만든 팀을 선택합니다.
19. 다른 옵션은 기본값으로 두고 아래로 스크롤하여 경계 상자 레이블 지정 도구.여기에 개인 라벨링 팀을 위한 라벨링 도구에 명확한 지침을 제공하는 것이 중요합니다. 이 지침은 레이블을 지정하는 동안 주석가를 위한 가이드 역할을 합니다. 좋은 지침은 간결하므로 구두 또는 텍스트 지침을 두 문장으로 제한하고 시각적 지침에 중점을 두는 것이 좋습니다. 이미지 분류의 경우 지침의 일부로 각 클래스에 하나의 레이블이 지정된 이미지를 제공하는 것이 좋습니다.
20. 두 개의 레이블을 추가합니다. fruit 와 no_fruit.
21. 에 자세한 지침을 입력하십시오. 제공할 설명 필드 노동자들에게 지시. 예를 들어: 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'.또한 선택적으로 좋은 라벨링 이미지와 나쁜 라벨링 이미지의 예를 제공할 수 있습니다. 이러한 이미지가 공개적으로 액세스할 수 있는지 확인해야 합니다.
22. 왼쪽 메뉴에서 만들기 라벨링 작업을 생성합니다.
    

작업이 성공적으로 생성되면 다음 단계는 입력 이미지에 레이블을 지정하는 것입니다.

라벨링 작업 시작

작업을 성공적으로 생성하면 작업 상태는 다음과 같습니다. InProgress. 즉, 작업이 생성되고 개인 인력에게 할당된 작업에 대해 이메일을 통해 알림이 전송됩니다. 자신에게 작업을 할당했으므로 Ground Truth Labeling 프로젝트에 로그인하기 위한 지침이 포함된 이메일을 받아야 합니다.

1. 이메일을 열고 제공된 링크를 선택합니다.
2. 이메일에 제공된 사용자 이름과 비밀번호를 입력합니다.
   이메일에 제공된 임시 비밀번호를 로그인 후 새 비밀번호로 변경해야 할 수 있습니다.
3. 로그인 후 직업을 선택하고 일을 시작하다.
   
   제공된 도구를 사용하여 이미지의 경계 상자를 확대, 축소, 이동 및 그릴 수 있습니다.
4. 레이블 선택(fruit or no_fruit) 그런 다음 이미지에 경계 상자를 그려 주석을 추가합니다.
5. 완료되면 문의하기.

이제 학습을 위해 ML 모델에서 사용할 이미지에 올바르게 레이블이 지정되었습니다.

Amazon Rekognition 프로젝트 생성

농업 수확량 측정 프로젝트를 생성하려면 다음 단계를 완료하십시오.

1. Amazon Rekognition 콘솔에서 맞춤 라벨.
2. 왼쪽 메뉴에서 시작하기.
3. 럭셔리 프로젝트 이름, 입력 fruits_yield.
4. 왼쪽 메뉴에서 프로젝트 만들기.
   

당신은 또한 프로젝트를 만들 수 있습니다 프로젝트 페이지. 당신은 액세스 할 수 있습니다 프로젝트 탐색 창을 통해 페이지. 다음 단계는 이미지를 입력으로 제공하는 것입니다.

데이터세트 가져오기

농업 수확량 측정 모델을 생성하려면 먼저 모델을 훈련할 데이터 세트를 가져와야 합니다. 이 게시물에서 데이터 세트는 이미 Ground Truth를 사용하여 레이블이 지정되었습니다.

1. 럭셔리 이미지 가져 오기, 고르다 SageMaker Ground Truth로 레이블이 지정된 이미지 가져오기.
   
2. 럭셔리 매니페스트 파일 위치, 매니페스트 파일(s3://{your-bucket-name}/fruits_image/annotated_data/fruits-labels/manifests/output/output.manifest).
3. 왼쪽 메뉴에서 데이터 세트 생성.
   

레이블이 지정된 데이터 세트를 볼 수 있습니다.

이제 학습을 시작할 ML 모델에 대한 입력 데이터 세트가 있습니다.

모델 학습

이미지에 레이블을 지정하면 모델을 훈련 할 준비가 된 것입니다.

1. 왼쪽 메뉴에서 모델 학습.
2. 럭셔리 프로젝트 선택, 프로젝트 선택 fruits_yield.
3. 왼쪽 메뉴에서 기차 모형.
   

교육이 완료될 때까지 기다리십시오. 이제 이 훈련된 모델의 성능 테스트를 시작할 수 있습니다.

모델 테스트

농업 수확량 측정 모델은 이제 사용할 준비가 되었으며 다음 위치에 있어야 합니다. Running 상태. 모델을 테스트하려면 다음 단계를 완료하십시오.

1단계: 모델 시작

모델 세부정보 페이지에서 사용 모델 탭에서 스타트.

Rekognition Custom Labels는 또한 모델을 시작, 사용 및 중지하기 위한 API 호출을 제공합니다.

2단계: 모델 테스트

모델이 있을 때 Running 상태, 샘플 테스트 스크립트를 사용할 수 있습니다 analyzeImage.py 이미지에서 과일의 양을 계산합니다.

1. 에서 이 스크립트를 다운로드하십시오. GitHub 레포.
2. 매개변수를 바꾸려면 이 파일을 편집하십시오. bucket 버킷 이름과 model Amazon Rekognition 모델 ARN과 함께.

우리는 매개변수를 사용합니다 photo 와 min_confidence 이 Python 스크립트에 대한 입력으로.

다음을 사용하여 로컬에서 이 스크립트를 실행할 수 있습니다. AWS 명령 줄 인터페이스 (AWS CLI) 또는 사용 AWS 클라우드쉘. 이 예에서는 CloudShell 콘솔을 통해 스크립트를 실행했습니다. CloudShell은 무료로 사용 가능.

명령을 사용하여 필요한 종속성을 설치해야 합니다. pip3 install boto3 PILLOW 아직 설치되지 않은 경우.

3. 파일 업로드 analyzeImage.py 다음을 사용하여 CloudShell에 행위 메뉴를 선택합니다.
   

다음 스크린샷은 입력 이미지에서 두 개의 과일을 감지한 출력을 보여줍니다. 우리는 사진 인수로 15.jpeg를 제공하고 85를 제공했습니다. min_confidence 값.

다음 예는 두 개의 경계 상자가 있는 이미지 15.jpeg를 보여줍니다.

다른 이미지로 동일한 스크립트를 실행하고 신뢰도 점수를 추가로 변경하여 실험할 수 있습니다.

3단계: 모델 중지

완료되면 불필요한 요금이 발생하지 않도록 모델을 중지하는 것을 잊지 마십시오. 모델 세부 정보 페이지의 모델 사용 탭에서 중지를 선택합니다.

정리

불필요한 요금이 발생하지 않도록 하려면 사용하지 않을 때 이 연습에 사용된 리소스를 삭제하십시오. Amazon Rekognition 프로젝트와 S3 버킷을 삭제해야 합니다.

Amazon Rekognition 프로젝트 삭제

Amazon Rekognition 프로젝트를 삭제하려면 다음 단계를 완료하십시오.

1. Amazon Rekognition 콘솔에서 맞춤 라벨 사용.
2. 왼쪽 메뉴에서 시작하기.
3. 탐색 창에서 프로젝트.
4. 에 프로젝트 페이지에서 삭제할 프로젝트를 선택합니다.
   1. 왼쪽 메뉴에서 ..
      XNUMXD덴탈의 프로젝트 삭제 대화 상자가 나타납니다.
5. 프로젝트에 연결된 모델이 없는 경우:
   1. 엔터 버튼 삭제 프로젝트를 삭제합니다.
   2. 왼쪽 메뉴에서 . 프로젝트를 삭제합니다.
6. 프로젝트에 연결된 모델 또는 데이터세트가 있는 경우:
   1. 엔터 버튼 삭제 모델 및 데이터세트를 삭제할 것인지 확인합니다.
   2. 어느 쪽이든 선택하십시오 연결된 모델 삭제, 연결된 데이터세트 삭제및 연결된 데이터세트 및 모델 삭제, 모델에 데이터세트, 모델 또는 둘 다 있는지 여부에 따라 다릅니다.

   모델 삭제를 완료하는 데 시간이 걸릴 수 있습니다. Amazon Rekognition 콘솔은 훈련 중이거나 실행 중인 모델을 삭제할 수 없습니다. 나열된 실행 중인 모델을 모두 중지한 후 다시 시도하고 훈련으로 나열된 모델이 완료될 때까지 기다리십시오. 모델 삭제 중에 대화 상자를 닫으면 모델이 계속 삭제됩니다. 나중에 이 절차를 반복하여 프로젝트를 삭제할 수 있습니다.

7. 엔터 버튼 삭제 프로젝트 삭제를 확인합니다.
8. 왼쪽 메뉴에서 . 프로젝트를 삭제합니다.

S3 버킷 삭제

먼저 버킷을 비운 다음 삭제해야 합니다.

1. 에 아마존 S3 콘솔, 선택 버킷.
2. 비우려는 버킷을 선택한 다음 빈.
3. 텍스트 필드에 버킷 이름을 입력하여 버킷을 비울 것인지 확인한 다음 빈.
4. 왼쪽 메뉴에서 ..
5. 텍스트 필드에 버킷 이름을 입력하여 버킷을 삭제할 것인지 확인한 다음 버킷 삭제.

결론

이 게시물에서는 Rekognition Custom Labels를 사용하여 객체 감지 모델을 만드는 방법을 보여주었습니다. 이 기능을 사용하면 다른 개체를 지정하거나 결과의 정확성을 잃지 않고 개체 클래스를 감지할 수 있는 사용자 지정 모델을 쉽게 훈련할 수 있습니다.

사용자 지정 레이블 사용에 대한 자세한 내용은 Amazon Rekognition 사용자 지정 레이블이란 무엇입니까?

---

저자 소개

디 라즈 타쿠 르 Amazon Web Services의 솔루션 설계자입니다. 그는 AWS 고객 및 파트너와 협력하여 엔터프라이즈 클라우드 채택, 마이그레이션 및 전략에 대한 지침을 제공합니다. 그는 기술에 대한 열정이 있으며 분석 및 AI / ML 공간에서 구축하고 실험하는 것을 즐깁니다.

사 메르 고엘 최첨단 이니셔티브에 대한 프로토타입을 구축하여 고객 성공을 주도하는 네덜란드의 수석 솔루션 설계자입니다. AWS에 합류하기 전에 Sameer는 보스턴에서 데이터 과학에 집중하여 석사 학위를 취득했습니다. 그는 Raspberry Pi에서 AI/ML 프로젝트를 구축하고 실험하는 것을 즐깁니다. 당신은 그를 찾을 수 있습니다 링크드인.