In het afgelopen decennium is het gebruik van computervisies een groeiende trend geweest, vooral in sectoren als verzekeringen, auto's, e-commerce, energie, detailhandel, productie en andere. Klanten bouwen computer vision machine learning (ML) modellen om operationele efficiëntie en automatisering in hun processen te brengen. Dergelijke modellen helpen bij het automatiseren van de classificatie van afbeeldingen of detectie van interessante objecten in afbeeldingen die specifiek en uniek zijn voor uw bedrijf.
Om het ML-modelbouwproces te vereenvoudigen, introduceerden we: Amazon SageMaker JumpStart in december 2020. JumpStart helpt je snel en eenvoudig aan de slag met ML. Het biedt implementatie met één klik en fine-tuning van een breed scala aan vooraf getrainde modellen, evenals een selectie van end-to-end-oplossingen. Dit neemt het zware werk uit elke stap van het ML-proces, waardoor het gemakkelijker wordt om hoogwaardige modellen te ontwikkelen en de implementatietijd te verkorten. U moet echter enige voorkennis hebben om te helpen bij het selecteren van modellen uit een catalogus van meer dan 200 vooraf getrainde computervisiemodellen. Vervolgens moet u de modelprestaties benchmarken met verschillende hyperparameterinstellingen en het beste model selecteren dat in productie moet worden ingezet.
Om deze ervaring te vereenvoudigen en ontwikkelaars met weinig tot geen ML-expertise in staat te stellen aangepaste computer vision-modellen te bouwen, brengen we een nieuwe voorbeeldnotebook uit binnen JumpStart die gebruikmaakt van Aangepaste labels voor Amazon-herkenning, een volledig beheerde service om aangepaste computervisiemodellen te bouwen. Rekognition Custom Labels bouwt voort op de vooraf getrainde modellen in Amazon Rekognition, die al zijn getraind op tientallen miljoenen afbeeldingen in vele categorieën. In plaats van duizenden afbeeldingen, kunt u aan de slag gaan met een kleine set trainingsafbeeldingen (een paar honderd of minder) die specifiek zijn voor uw gebruik. Rekognition Custom Labels abstraheert de complexiteit die gepaard gaat met het bouwen van een aangepast model. Het inspecteert automatisch de trainingsgegevens, selecteert de juiste ML-algoritmen, selecteert het instantietype, traint meerdere kandidaatmodellen met verschillende hyperparameters en voert het best getrainde model uit. Rekognition Custom Labels biedt ook een gebruiksvriendelijke interface van de AWS-beheerconsole voor de gehele ML-workflow, inclusief het labelen van afbeeldingen, training, het implementeren van een model en het visualiseren van de testresultaten.
Dit voorbeeldnotebook in JumpStart met Rekognition Custom Labels lost elke afbeeldingsclassificatie of objectdetectie computer vision ML-taak op, waardoor het gemakkelijk wordt voor klanten die bekend zijn met Amazon Sage Maker om een computervisie-oplossing te bouwen die het beste past bij uw gebruiksscenario, vereisten en vaardigheden.
In dit bericht geven we stapsgewijze instructies om dit voorbeeldnotitieblok in JumpStart te gebruiken. De notebook laat zien hoe u eenvoudig bestaande trainings- en inferentie-API's van Rekognition Custom Labels kunt gebruiken om een beeldclassificatiemodel, een classificatiemodel met meerdere labels en een objectdetectiemodel te maken. Om het u gemakkelijk te maken om aan de slag te gaan, hebben we voor elk model voorbeelddatasets gegeven.
Train en implementeer een computervisiemodel met behulp van Rekognition Custom Labels
In deze sectie zoeken we de gewenste notebook in JumpStart en laten we zien hoe u inferentie kunt trainen en uitvoeren op het geïmplementeerde eindpunt.
Laten we beginnen bij de Amazon SageMaker Studio Launcher.
- Kies in de Studio Launcher Ga naar SageMaker JumpStart.
De JumpStart-bestemmingspagina heeft secties voor carrousels voor oplossingen, tekstmodellen en visiemodellen. Het heeft ook een zoekbalk. - Voer in de zoekbalk in
Rekognition Custom Labels
En kies de Erkenning aangepaste labels voor Vision notebook.
De notebook wordt geopend in de alleen-lezen modus. - Kies Notebook importeren om de notebook in uw omgeving te importeren.
De notebook biedt een stapsgewijze handleiding voor training en het uitvoeren van gevolgtrekkingen met behulp van Rekognition Custom Labels van de JumpStart-console. Het biedt de volgende vier voorbeeldgegevenssets om afbeeldingsclassificatie met één en meerdere labels en objectdetectie te demonstreren.
-
- Classificatie van afbeeldingen met één label – Deze dataset laat zien hoe afbeeldingen kunnen worden geclassificeerd als behorend tot een van een set vooraf gedefinieerde labels. Vastgoedbedrijven kunnen bijvoorbeeld Rekognition Custom Labels gebruiken om hun afbeeldingen van woonkamers, achtertuinen, slaapkamers en andere huishoudelijke locaties te categoriseren. Het volgende is een voorbeeldafbeelding van deze gegevensset, die is opgenomen als onderdeel van het notitieblok.
- Classificatie van afbeeldingen met meerdere labels – Deze dataset laat zien hoe afbeeldingen in meerdere categorieën kunnen worden ingedeeld, zoals de kleur, grootte, textuur en het type van een bloem. Plantenkwekers kunnen bijvoorbeeld Rekognition Custom Labels gebruiken om onderscheid te maken tussen verschillende soorten bloemen en of ze gezond, beschadigd of geïnfecteerd zijn. De volgende afbeelding is een voorbeeld uit deze dataset.
- Objectdetectie – Deze dataset demonstreert objectlokalisatie om onderdelen te lokaliseren die in productie- of productielijnen worden gebruikt. In de elektronica-industrie kunnen Rekognition Custom Labels bijvoorbeeld helpen bij het tellen van het aantal condensatoren op een printplaat. De volgende afbeelding is een voorbeeld uit deze dataset.
- Merk- en logodetectie – Deze dataset demonstreert het lokaliseren van logo's of merken in een afbeelding. In de media-industrie kan een objectdetectiemodel bijvoorbeeld helpen bij het identificeren van de locatie van sponsorlogo's op foto's. Het volgende is een voorbeeldafbeelding van deze gegevensset.
- Classificatie van afbeeldingen met één label – Deze dataset laat zien hoe afbeeldingen kunnen worden geclassificeerd als behorend tot een van een set vooraf gedefinieerde labels. Vastgoedbedrijven kunnen bijvoorbeeld Rekognition Custom Labels gebruiken om hun afbeeldingen van woonkamers, achtertuinen, slaapkamers en andere huishoudelijke locaties te categoriseren. Het volgende is een voorbeeldafbeelding van deze gegevensset, die is opgenomen als onderdeel van het notitieblok.
- Volg de stappen in het notitieblok door elke cel uit te voeren.
Dit notitieblok laat zien hoe je één enkel notitieblok kunt gebruiken om zowel beeldclassificatie als objectdetectie aan te pakken via de Rekognition Custom label-API's.
Naarmate u verder gaat met de notebook, heeft u de mogelijkheid om een van de bovengenoemde voorbeeldgegevenssets te selecteren. We raden u aan het notitieblok uit te voeren voor elk van de gegevenssets.
Conclusie
In dit bericht hebben we u laten zien hoe u de Rekognition Custom Labels API's kunt gebruiken om een afbeeldingsclassificatie of een computervisiemodel voor objectdetectie te bouwen om objecten in afbeeldingen te classificeren en te identificeren die specifiek zijn voor uw zakelijke behoeften. Om een model te trainen, kunt u aan de slag gaan door tientallen tot honderden gelabelde afbeeldingen aan te bieden in plaats van duizenden. Rekognition Custom Labels vereenvoudigt de modeltraining door te zorgen voor parameterkeuzes zoals machinetype, algoritmetype of algoritmespecifieke hyperparameters (inclusief het aantal lagen in het netwerk, leersnelheid en batchgrootte). Rekognition Custom Labels vereenvoudigt ook het hosten van een getraind model en biedt een eenvoudige bewerking voor het uitvoeren van inferentie met een getraind model.
Rekognition Custom Labels biedt een gebruiksvriendelijke console-ervaring voor het trainingsproces, modelbeheer en visualisatie van datasetafbeeldingen. We moedigen u aan om meer te weten te komen over: Erkenning aangepaste labels en probeer het uit met uw bedrijfsspecifieke datasets.
Om aan de slag te gaan, kunt u navigeren naar het voorbeeldnotitieboek Rekognition Custom Labels in SageMaker JumpStart.
Over de auteurs
Pashmeen Mistry is de Senior Product Manager voor Amazon Rekognition Custom Labels. Naast zijn werk houdt Pashmeen van avontuurlijke wandelingen, fotografie en tijd doorbrengen met zijn gezin.
Abhishek Gupta is de Senior AI Services Solution Architect bij AWS. Hij helpt klanten bij het ontwerpen en implementeren van computer vision-oplossingen.
- Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
- CryptoHawk. Altcoin-radar. Gratis proefversie.
- Bron: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- samenvattingen
- over
- adres
- AI
- AI-diensten
- algoritme
- algoritmen
- al
- Amazone
- APIs
- automatiseren
- Automatisering
- automotive
- AWS
- criterium
- BEST
- boord
- merken
- bouw
- Gebouw
- bouwt
- bedrijfsdeskundigen
- Kan krijgen
- kandidaat
- verzorging
- gevallen
- keuzes
- Kies
- classificatie
- Bedrijven
- computer
- troosten
- en je merk te creëren
- gewoonte
- Klanten
- gegevens
- decennium
- tonen
- implementeren
- ingezet
- het inzetten
- inzet
- Design
- Opsporing
- ontwikkelen
- ontwikkelaars
- anders
- gemakkelijk
- gemakkelijk te gebruiken
- ecommerce
- Elektronica
- aanmoedigen
- Endpoint
- energie-niveau
- Enter
- Milieu
- vooral
- vastgoed
- voorbeeld
- bestaand
- ervaring
- expertise
- familie
- volgend
- Groeiend
- gids
- hulp
- helpt
- hoogwaardige
- Hosting
- huishouden
- Hoe
- How To
- Echter
- HTTPS
- Honderden
- identificeren
- beeld
- uitvoeren
- inclusief
- Inclusief
- industrieën
- -industrie
- verzekering
- belang
- Interface
- betrokken zijn
- IT
- kennis
- etikettering
- labels
- LEARN
- leren
- facelift
- Elke kleine stap levert grote resultaten op!
- leven
- plaats
- locaties
- logo
- machine
- machine learning
- maken
- beheerd
- management
- manager
- productie
- Media
- miljoenen
- ML
- model
- modellen
- meer
- meervoudig
- behoeften
- netwerk
- notitieboekje
- aantal
- opent
- operatie
- Keuze
- Overige
- deel
- prestatie
- uitvoerend
- fotografie
- processen
- Product
- productie
- zorgen voor
- biedt
- het verstrekken van
- snel
- vastgoed
- vermindering
- Voorwaarden
- vereist
- Resultaten
- <HR>Retail
- Studio's
- lopen
- lopend
- Ontdek
- service
- Diensten
- reeks
- Eenvoudig
- Maat
- Klein
- oplossing
- Oplossingen
- Lost op
- sommige
- Uitgaven
- sponsor
- begin
- gestart
- studio
- het nemen
- proef
- duizenden kosten
- niet de tijd of
- Trainingen
- treinen
- types
- unieke
- .
- variëteit
- visie
- visualisatie
- binnen
- Mijn werk