Oriëntatiepunten identificeren met Amazon Rekognition Custom Labels

Amazon Rekognition is een computer vision-service die het eenvoudig maakt om beeld- en video-analyse aan uw applicaties toe te voegen met behulp van bewezen, zeer schaalbare, deep learning-technologie waarvoor geen machine learning (ML)-expertise vereist is. Met Amazon Herkenning kunt u objecten, mensen, tekst, scènes en activiteiten in afbeeldingen en video's identificeren en ongepaste inhoud detecteren. Amazon Rekognition biedt ook zeer nauwkeurige gezichtsanalyse en gezichtszoekmogelijkheden die u kunt gebruiken om gezichten te detecteren, analyseren en vergelijken voor een breed scala aan gebruiksscenario's.

Aangepaste labels voor Amazon-herkenning is een functie van Amazon Rekognition die het eenvoudig maakt om uw eigen gespecialiseerde ML-gebaseerde beeldanalysemogelijkheden te bouwen om unieke objecten en scènes te detecteren die integraal deel uitmaken van uw specifieke gebruikssituatie.

Enkele veelvoorkomende use-cases van Rekognition Custom Labels zijn onder meer het vinden van uw logo in posts op sociale media, het identificeren van uw producten in de winkelschappen, het classificeren van machine-onderdelen in een lopende band, onderscheid maken tussen gezonde en geïnfecteerde planten en meer.

Amazon Erkenningslabels ondersteunt populaire bezienswaardigheden zoals de Brooklyn Bridge, het Colosseum, de Eiffeltoren, Machu Picchu, Taj Mahal, en meer. Als je andere oriëntatiepunten of gebouwen hebt die nog niet door Amazon Rekognition worden ondersteund, kun je nog steeds Amazon Rekognition Custom Labels gebruiken.

In dit bericht demonstreren we het gebruik van Rekognition Custom Labels om het Amazon Spheres-gebouw in Seattle te detecteren.

Met Rekognition Custom Labels neemt AWS het zware werk voor je uit handen. Rekognition Custom Labels bouwt voort op de bestaande mogelijkheden van Amazon Rekognition, dat al is getraind op tientallen miljoenen afbeeldingen in vele categorieën. In plaats van duizenden afbeeldingen hoeft u alleen maar een kleine set trainingsafbeeldingen (meestal een paar honderd afbeeldingen of minder) te uploaden die specifiek zijn voor uw gebruikssituatie via onze eenvoudige console. Amazon Rekognition kan met slechts een paar klikken beginnen met trainen. Nadat Amazon Rekognition begint met trainen vanuit uw afbeeldingsset, kan het binnen enkele minuten of uren een aangepast beeldanalysemodel voor u produceren. Achter de schermen laadt en inspecteert Rekognition Custom Labels automatisch de trainingsgegevens, selecteert de geschikte ML-algoritmen, traint een model en biedt modelprestatiestatistieken. Vervolgens kunt u uw maatwerkmodel gebruiken via de Rekognition Custom Labels API en integreren in uw applicaties.

Overzicht oplossingen

Voor ons voorbeeld gebruiken we de Amazone bollen bouwen in Seattle. We trainen een model met behulp van Rekognition Custom Labels; wanneer vergelijkbare afbeeldingen worden gebruikt, moet het algoritme deze identificeren als Amazon Spheres in plaats van Dome, Architecture, Glass building, of andere etiketten.

Laten we eerst een voorbeeld laten zien van het gebruik van de labeldetectiefunctie van Amazon Rekognition, waarbij we de afbeelding van Amazon Spheres voeden zonder enige aangepaste training. We gebruiken de Amazon Rekognition-console om de labeldetectiedemo te openen en onze foto te uploaden.

Nadat de afbeelding is geüpload en geanalyseerd, zien we labels met hun betrouwbaarheidsscores eronder Resultaten. In dit geval, Dome werd gedetecteerd met een betrouwbaarheidsscore van 99.2%, Architecture met 99.2%, Building met 99.2%, Metropolis met 79.4%, enzovoort.

We willen aangepaste labels gebruiken om een ​​computervisiemodel te maken dat de afbeelding kan labelen Amazon Spheres.

In de volgende secties helpen we u bij het voorbereiden van uw dataset, het maken van een Rekognition Custom Labels-project, het trainen van het model, het evalueren van de resultaten en het testen ervan met extra afbeeldingen.

Voorwaarden

Voordat u met de stappen begint, zijn er quota voor Erkenning Aangepaste Labels waarvan u op de hoogte moet zijn. Als u de limieten wilt wijzigen, kunt u een verzoek indienen verhoging van de servicelimiet.

Maak uw dataset

Als dit de eerste keer is dat u Rekognition Custom Labels gebruikt, wordt u gevraagd om een Amazon eenvoudige opslagservice (Amazon S3) bucket om uw dataset op te slaan.

Voor deze blogdemonstratie hebben we afbeeldingen van de Amazon Spheres gebruikt, die we hebben vastgelegd tijdens ons bezoek aan Seattle, WA. Voel je vrij om je eigen afbeeldingen te gebruiken volgens je behoefte.

Kopieer uw dataset naar de nieuw gemaakte bucket, waarin uw afbeeldingen worden opgeslagen in hun respectievelijke voorvoegsels.

Maak een project

Voer de volgende stappen uit om uw Rekognition Custom Labels-project te maken:

1. Kies in de console Rekognition Custom Labels: Maak een project.
2. Voor Naam van het project, voer een naam in.
3. Kies Maak een project aan.
   
   Nu specificeren we de configuratie en het pad van uw trainings- en testdataset.
4. Kies Maak een dataset.
   

U kunt beginnen met een project met een enkele dataset of een project met afzonderlijke trainings- en testdatasets. Als u begint met een enkele dataset, splitst Rekognition Custom Labels uw dataset tijdens de training om een ​​trainingsdataset (80%) en een testdataset (20%) voor uw project te maken.

Bovendien kunt u trainings- en testdatasets voor een project maken door afbeeldingen te importeren vanaf een van de volgende locaties:

Voor dit bericht gebruiken we onze eigen aangepaste dataset van Amazon Spheres.

1. kies Begin met een enkele dataset.
2. kies Importeer afbeeldingen uit S3-bucket.
   
3. Voor S3-URI, voer het pad naar uw S3-bucket in.
4. Als u wilt dat Rekognition Custom Labels de afbeeldingen automatisch voor u labelt op basis van de mapnamen in uw S3-bucket, selecteert u Wijs automatisch labels op afbeeldingsniveau toe aan afbeeldingen op basis van de mapnaam.
   
5. Kies Maak een dataset.

Er wordt een pagina geopend waarop u de afbeeldingen met hun labels kunt zien. Als u fouten in de labels ziet, raadpleeg dan Datasets debuggen.

Train het model

Nadat u uw dataset heeft bekeken, kunt u het model nu trainen.

1. Kies trein model.
2. Voor Kies een project, voer de ARN voor uw project in als dit nog niet in de lijst staat.
3. Kies Trein model.

In het Modellen gedeelte van de projectpagina kunt u de huidige status controleren in de Modelstatus kolom, waar de training aan de gang is. De trainingstijd duurt doorgaans 30 minuten tot 24 uur, afhankelijk van verschillende factoren, zoals het aantal afbeeldingen en het aantal labels in de trainingsset en de typen ML-algoritmen die worden gebruikt om uw model te trainen.

Wanneer de modeltraining is voltooid, kunt u de modelstatus zien als TRAINING_COMPLETED. Als de training mislukt, raadpleeg dan Debuggen van een mislukte modeltraining.

Evalueer het model

Open de pagina met modeldetails. De Evaluatie tabblad toont metrische gegevens voor elk label en de gemiddelde metrische waarde voor de gehele testdataset.

De Rekognition Custom Labels-console biedt de volgende statistieken als samenvatting van de trainingsresultaten en als statistieken voor elk label:

U kunt de resultaten van uw getrainde model voor afzonderlijke afbeeldingen bekijken, zoals weergegeven in de volgende schermafbeelding.

Test het model

Nu we de evaluatieresultaten hebben bekeken, zijn we klaar om het model te starten en nieuwe afbeeldingen te analyseren.

U kunt het model starten op de Gebruik model tabblad op de Herkenning Aangepaste Labels-console, of met behulp van de StartProjectVersie bediening via de AWS-opdrachtregelinterface (AWS CLI) of Python SDK.

Wanneer het model draait, kunnen we de nieuwe afbeeldingen analyseren met behulp van de Detecteer aangepaste labels API. Het resultaat van DetectCustomLabels is een voorspelling dat de afbeelding specifieke objecten, scènes of concepten bevat. Zie de volgende code:

aws rekognition detect-custom-labels 
--project-version-arn  
--image '{"S3Object": {"Bucket":,"Name":}}' 
--region 

In de uitvoer ziet u het label met de betrouwbaarheidsscore:

{
    "Custom Labels": [
        {
            "Name": "Amazon Spheres",
            "Confidence": 93.55500030517578
        }
    ]
}

Zoals u aan het resultaat kunt zien, kunt u met slechts een paar simpele klikken Rekognition Custom Labels gebruiken om nauwkeurige labelresultaten te bereiken. U kunt dit gebruiken voor een groot aantal gebruiksscenario's voor afbeeldingen, zoals het identificeren van aangepaste labels voor voedingsproducten, huisdieren, machineonderdelen en meer.

Opruimen

Voer de volgende stappen uit om de bronnen op te schonen die u als onderdeel van dit bericht hebt gemaakt en mogelijke terugkerende kosten te vermijden:

1. Op de Gebruik model tab, het model stoppen.
   U kunt het model ook stoppen met de StopProjectVersie bediening via de AWS CLI of Python SDK. Wacht tot het model in de Stopped staat voordat u doorgaat naar de volgende stappen.
2. Het model verwijderen.
3. Het project verwijderen.
4. De gegevensset verwijderen.
5. Leeg de inhoud van de S3-emmer en verwijderen de emmer.

Conclusie

In dit bericht hebben we laten zien hoe u Rekognition Custom Labels kunt gebruiken om afbeeldingen van gebouwen te detecteren.

U kunt aan de slag met uw aangepaste afbeeldingsgegevenssets en met een paar simpele klikken op de Rekognition Custom Labels-console kunt u uw model trainen en objecten in afbeeldingen detecteren. Rekognition Custom Labels kunnen automatisch de gegevens laden en inspecteren, de juiste ML-algoritmen selecteren, een model trainen en prestatiestatistieken van modellen leveren. U kunt gedetailleerde prestatiestatistieken bekijken, zoals precisie, herinnering, F1-scores en vertrouwensscores.

De dag is aangebroken waarop we nu populaire gebouwen zoals het Empire State Building in New York City, de Taj Mahal in India en vele andere over de hele wereld kunnen identificeren, vooraf gelabeld en klaar voor gebruik voor intelligentie in uw toepassingen. Maar als u andere oriëntatiepunten heeft die momenteel nog niet worden ondersteund door Amazon Rekognition Labels, hoeft u niet verder te zoeken en Amazon Rekognition Custom Labels uit te proberen.

Zie voor meer informatie over het gebruik van aangepaste labels Wat zijn aangepaste labels van Amazon Rekognition? Bezoek ook onze GitHub repo voor een end-to-end workflow van aangepaste merkdetectie van Amazon Rekognition.

Over de Auteurs:

Suresh Patnam is een Principal BDM – GTM AI/ML Leader bij AWS. Hij werkt samen met klanten om een ​​IT-strategie op te bouwen en digitale transformatie via de cloud toegankelijker te maken door gebruik te maken van Data & AI/ML. In zijn vrije tijd speelt Suresh graag tennis en brengt hij graag tijd door met zijn gezin.

Konijn Kaushik is een oplossingsarchitect bij AWS. Hij is gepassioneerd door het bouwen van AI/ML-oplossingen op AWS en het helpen van klanten bij het innoveren op het AWS-platform. Naast zijn werk houdt hij van wandelen, klimmen en zwemmen.