Aangepaste labels voor Amazon-herkenning is een volledig beheerde computer vision-service waarmee ontwikkelaars aangepaste modellen kunnen bouwen om objecten in afbeeldingen te classificeren en identificeren die specifiek en uniek zijn voor uw bedrijf.
Rekognition Custom Labels vereist geen eerdere computer vision-expertise. U kunt aan de slag door simpelweg tientallen afbeeldingen te uploaden in plaats van duizenden. Als de afbeeldingen al zijn gelabeld, kunt u met slechts een paar klikken beginnen met het trainen van een model. Als dat niet het geval is, kunt u ze rechtstreeks labelen in de Rekognition Custom Labels-console of gebruiken Amazon SageMaker Grondwaarheid om ze te labelen. Rekognition Custom Labels gebruikt transfer learning om automatisch de trainingsgegevens te inspecteren, het juiste modelraamwerk en algoritme te selecteren, de hyperparameters te optimaliseren en het model te trainen. Als u tevreden bent met de nauwkeurigheid van het model, kunt u met slechts รฉรฉn klik beginnen met het hosten van het getrainde model.
Als u echter een zakelijke gebruiker bent en een computervisieprobleem wilt oplossen, de resultaten van het aangepaste model wilt visualiseren en meldingen wilt ontvangen wanneer dergelijke resultaten beschikbaar zijn, moet u op uw technische team vertrouwen om een โโdergelijke toepassing te bouwen. Een manager landbouwactiviteiten kan bijvoorbeeld worden geรฏnformeerd wanneer een gewas een ziekte blijkt te hebben, een wijnmaker kan worden geรฏnformeerd wanneer de druiven rijp zijn om te worden geoogst, of een winkelmanager kan worden geรฏnformeerd wanneer het tijd is om voorraden aan te vullen, zoals frisdrank in een verticale koelkast.
In dit bericht leiden we u door het proces van het bouwen van een oplossing waarmee u het gevolgtrekkingsresultaat kunt visualiseren en meldingen naar geabonneerde gebruikers kunt sturen wanneer specifieke labels worden geรฏdentificeerd in afbeeldingen die worden verwerkt met behulp van modellen die zijn gebouwd door Rekognition Custom Labels.
Overzicht oplossingen
Het volgende diagram illustreert onze oplossingsarchitectuur.
Deze oplossing maakt gebruik van de volgende AWS-services om een โโschaalbare en kosteneffectieve architectuur te implementeren:
- Amazone Athene โ Een serverloze interactieve queryservice die het eenvoudig maakt om gegevens in Amazon S3 te analyseren met behulp van standaard SQL.
- AWS Lambda - Een serverloze rekenservice waarmee u code kunt uitvoeren als reactie op triggers zoals wijzigingen in gegevens, verschuivingen in de systeemstatus of gebruikersacties. Omdat Amazon S3 direct een Lambda-functie kan activeren, kun je verschillende real-time bouwen serverless gegevensverwerkende systemen.
- Amazon QuickSight - Een zeer snelle, gebruiksvriendelijke, cloudgebaseerde service voor bedrijfsanalyse waarmee u eenvoudig visualisaties kunt maken, ad-hocanalyses kunt uitvoeren en snel zakelijke inzichten uit de gegevens kunt halen.
- Aangepaste labels voor Amazon-herkenning โ Hiermee kunt u een aangepast computervisiemodel trainen om de objecten en scรจnes in afbeeldingen te identificeren die specifiek zijn voor uw zakelijke behoeften.
- Amazon eenvoudige meldingsservice โ Amazon SNS is een volledig beheerde berichtenservice voor zowel applicatie-naar-applicatie (A2A) als applicatie-naar-persoon (A2P) communicatie.
- Amazon Simple Queue-service - Amazon SQS is een volledig beheerde berichtenwachtrijservice waarmee u microservices, gedistribueerde systemen en serverloze applicaties kunt ontkoppelen en schalen.
- Amazon eenvoudige opslagservice โ Amazon S3 dient als objectopslag voor uw documenten en maakt centraal beheer met nauwkeurig afgestemde toegangscontroles mogelijk.
De oplossing maakt gebruik van een serverloze workflow die wordt geactiveerd wanneer een afbeelding wordt geรผpload naar de input S3-bucket. Een SQS-wachtrij ontvangt een gebeurtenismelding voor het maken van objecten. De oplossing creรซert ook dode letter wachtrijen (DLQ's) om berichten opzij te zetten en te isoleren die niet correct kunnen worden verwerkt. Een Lambda-functie voedt zich met de SQS-wachtrij en maakt de DetectLabels
API-aanroep om alle labels in de afbeelding te detecteren. Om deze oplossing te schalen en er een losjes gekoppeld ontwerp van te maken, stuurt de Lambda-functie de voorspellingsresultaten naar een andere SQS-wachtrij. Deze SQS-wachtrij activeert een andere Lambda-functie, die alle labels in de voorspellingen analyseert. Op basis van de gebruikersvoorkeur (geconfigureerd tijdens de implementatie van de oplossing) publiceert de functie een bericht naar een SNS-onderwerp. Het SNS-onderwerp is geconfigureerd om e-mailmeldingen aan de gebruiker te bezorgen. U kunt de Lambda-functie configureren om een โโURL toe te voegen aan het bericht dat naar Amazon SNS wordt verzonden om toegang te krijgen tot de afbeelding (met behulp van een Amazon S3 vooraf ondertekende URL). Ten slotte uploadt de Lambda-functie een voorspellingsresultaat en beeldmetadata naar een S3-bucket. Vervolgens kunt u Athena en QuickSight gebruiken om de resultaten van de S3-bucket te analyseren en te visualiseren.
Voorwaarden
U moet een model hebben dat is getraind en werkt met Rekognition Custom Labels.
Met Rekognition Custom Labels kunt u het trainingsproces van het machine learning-model op de computer beheren Amazon Rekognition console, die het end-to-end modelontwikkelingsproces vereenvoudigt. Voor deze post gebruiken we een classificatiemodel dat is getraind om bladziekte bij planten te detecteren.
Implementeer de oplossing
U zet een AWS CloudFormatie sjabloon om de benodigde bronnen in te richten, waaronder S3-buckets, SQS-wachtrijen, SNS-onderwerp, Lambda-functies en AWS Identiteits- en toegangsbeheer (IAM) rollen. De sjabloon maakt de stapel in de regio us-east-1, maar u kunt de sjabloon gebruiken om uw stapel te maken in elke regio waar de bovenstaande AWS-services beschikbaar zijn.
- Start de volgende CloudFormation-sjabloon in het Region- en AWS-account waar u het Rekognition Custom Labels-model hebt geรฏmplementeerd:
- Voor Stack naam, voer een stapelnaam in, zoals
rekognition-customlabels-analytics-and-notification
. - Voor AangepastModelARN, voer de ARN in van het Amazon Rekognition Custom Labels-model dat u wilt gebruiken.
Het Rekognition Custom Labels-model moet in hetzelfde AWS-account worden geรฏmplementeerd.
- Voor E-mail notificatie, voer een e-mailadres in waarop u meldingen wilt ontvangen.
- Voor InputBucketnaam, voer een unieke naam in voor de S3-bucket die de stapel maakt; bijvoorbeeld,
plant-leaf-disease-data-input
.
Hier worden de binnenkomende plantbladbeelden opgeslagen.
- Voor LabelsvanInteresse, kunt u maximaal 10 verschillende labels invoeren waarvan u op de hoogte wilt worden gehouden, in door komma's gescheiden indeling. Voer in voor ons voorbeeld van een plantenziekte
bacterial-leaf-blight,leaf-smut
. - Voor Min Vertrouwen, voer de minimale betrouwbaarheidsdrempel in om meldingen te ontvangen. Labels die zijn gedetecteerd met een betrouwbaarheid die lager is dan de waarde van MinConfidence, worden niet geretourneerd in het antwoord en genereren geen melding.
- Voor OutputBucketnaam, voer een unieke naam in voor de S3-bucket die de stapel maakt; bijvoorbeeld,
plant-leaf-disease-data-output
.
De uitvoerbucket bevat JSON-bestanden met metadata van afbeeldingen (gevonden labels en betrouwbaarheidsscore).
- Kies Volgende.
- Op de Configureer stapelopties pagina, stel eventuele aanvullende parameters voor de stapel in, inclusief tags.
- Kies Volgende.
- In het Mogelijkheden en transformaties sectie, schakelt u het selectievakje in om te bevestigen dat AWS CloudFormation kan maken IAM-bronnen.
- Kies Maak een stapel.
De pagina met stapeldetails moet de status van de stapel weergeven als: CREATE_IN_PROGRESS
. Het kan 5 minuten duren voordat de status verandert CREATE_COMPLETE
.
Amazon SNS stuurt een bevestigingsbericht voor het abonnement naar het e-mailadres. Je moet bevestig het abonnement.
Test de oplossing
Nu we de resources hebben geรฏmplementeerd, zijn we klaar om de oplossing te testen. Zorg ervoor dat je start het model.
- Kies op de Amazon S3-console Emmers.
- Kies de input S3-bucket.
- Upload testafbeeldingen naar de bucket.
In productie kunt u geautomatiseerde processen instellen om afbeeldingen aan deze bucket te leveren.
Deze afbeeldingen triggeren de workflow. Als het labelvertrouwen de opgegeven drempel overschrijdt, ontvangt u een e-mailmelding zoals het volgende.
U kunt het SNS-onderwerp ook configureren om deze meldingen aan iedereen te bezorgen bestemmingen ondersteund door de dienst.
Analyseer de voorspellingsresultaten
Nadat u de oplossing hebt getest, kunt u de oplossing uitbreiden om een โโvisuele analyse te maken voor de voorspellingen van verwerkte afbeeldingen. Hiervoor gebruiken we Athena, een interactieve query-service die het eenvoudig maakt om gegevens direct vanuit Amazon S3 te analyseren met behulp van standaard SQL, en QuickSight om de gegevens te visualiseren.
Configureer Athene
Als u niet bekend bent met Amazon Athena, zie deze tutorial. Maak op de Athena-console een tabel in de Athena-gegevenscatalogus met de volgende code:
Vul het Location
veld in de voorgaande query met de naam van uw uitvoerbucket, zoals plant-leaf-disease-data-output
.
Deze code vertelt Athena hoe elke rij van de tekst in de S3-bucket moet worden geรฏnterpreteerd.
U kunt nu de gegevens opvragen:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Configureer QuickSight
Voer de volgende stappen uit om QuickSight te configureren:
- Open de QuickSight-console.
- Als u niet bent aangemeld voor QuickSight, wordt u gevraagd om u aan te melden. Volg de stappen om meld u aan om QuickSight te gebruiken.
- Nadat u zich hebt aangemeld bij QuickSight, kiest u Beheer QuickSight onder uw rekening.
- Kies in het navigatievenster Beveiliging en machtigingen.
- Onder QuickSight-toegang tot AWS-services, kiezen Toevoegen of verwijderen.
Er verschijnt een pagina om QuickSight-toegang tot AWS-services in te schakelen.
- kies Amazone Athene.
- Kies in het pop-upvenster Volgende.
- Selecteer op het tabblad S3 de benodigde S3-buckets. Voor dit bericht selecteer ik de bucket waarin mijn Athena-queryresultaten worden opgeslagen.
- Selecteer ook voor elke bucket Schrijfrechten voor Athena Workgroup.
- Kies Finish.
- Kies bijwerken.
- Kies op de QuickSight-console Nieuwe analyse.
- Kies Nieuwe dataset.
- Voor datasets, kiezen Athene.
- Voor Naam gegevensbron, ga naar binnen
Athena-CustomLabels-analysis
. - Voor Athena-werkgroep, kiezen primair.
- Kies Maak een gegevensbron.
- Voor Database, kiezen
default
in het vervolgkeuzemenu. - Voor Tafels, selecteer de tabel
rekognition_customlabels_analytics
. - Kies Selecteer.
- Kies Visualiseer.
- Op de Visualiseer pagina, onder de Velden lijst, kies label en selecteer het cirkeldiagram uit Visuele typen.
U kunt meer visualisaties toevoegen in het dashboard. Als je analyse klaar is, kun je kiezen Delen om een โโdashboard te maken en te delen binnen uw organisatie.
Samengevat
In dit bericht hebben we laten zien hoe je een oplossing kunt creรซren om meldingen te ontvangen voor specifieke labels (zoals bacteriรซle bladziekte of bladroet) die worden aangetroffen in verwerkte afbeeldingen met behulp van Rekognition Custom Labels. Daarnaast lieten we zien hoe je dashboards kunt maken om de resultaten te visualiseren met behulp van Athena en QuickSight.
U kunt dergelijke visualisatiedashboards nu eenvoudig delen met zakelijke gebruikers en hen toestaan โโzich te abonneren op meldingen in plaats van te moeten vertrouwen op uw technische teams om een โโdergelijke applicatie te bouwen.
Over de auteurs
Jay Rao is Principal Solutions Architect bij AWS. Hij geeft graag technische en strategische begeleiding aan klanten en helpt hen bij het ontwerpen en implementeren van oplossingen op AWS.
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.
- 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/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- toegang
- Account
- acties
- Ad
- toevoeging
- Extra
- adres
- algoritme
- Alles
- al
- Amazone
- analyse
- analytics
- Nog een
- api
- Aanvraag
- toepassingen
- architectuur
- geautomatiseerde
- Beschikbaar
- AWS
- grens
- Box camera's
- bouw
- Gebouw
- bedrijfsdeskundigen
- Bellen
- Kan krijgen
- verandering
- Kies
- classificatie
- code
- Communicatie
- Berekenen
- vertrouwen
- troosten
- bevat
- kostenefficient
- gepaard
- creรซert
- het aanmaken
- gewas
- gewoonte
- Klanten
- dashboards
- gegevens
- implementeren
- ingezet
- inzet
- Design
- gedetecteerd
- ontwikkelaars
- Ontwikkeling
- anders
- direct
- Ziekte
- verdeeld
- documenten
- Nee
- gemakkelijk
- waardoor
- Engineering
- Enter
- Event
- voorbeeld
- expertise
- verlengen
- familie
- SNELLE
- Tot slot
- volgen
- volgend
- formaat
- gevonden
- Achtergrond
- functie
- voortbrengen
- met
- Hoe
- How To
- HTTPS
- identificeren
- Identiteit
- beeld
- uitvoeren
- Inclusief
- invoer
- inzichten
- interactieve
- IT
- eentje maar
- labels
- leren
- Lijst
- plaats
- op zoek
- machine
- machine learning
- MERKEN
- beheerd
- management
- manager
- messaging
- minimum
- model
- modellen
- meer
- Navigatie
- notificatie
- Operations
- Keuze
- organisatie
- fotografie
- voorspelling
- Voorspellingen
- Principal
- probleem
- processen
- Product
- productie
- het verstrekken van
- doel
- snel
- real-time
- ontvangen
- vereisen
- Resources
- antwoord
- Resultaten
- lopen
- lopend
- schaalbare
- Scale
- Scenes
- Serverless
- service
- Diensten
- reeks
- Delen
- Eenvoudig
- oplossing
- Oplossingen
- OPLOSSEN
- Uitgaven
- stack
- standaard
- begin
- gestart
- Land
- Status
- mediaopslag
- shop
- winkels
- strategisch
- abonneren
- abonnement
- ondersteunde
- system
- Systems
- team
- Technisch
- vertelt
- proef
- duizenden kosten
- Door
- niet de tijd of
- Trainingen
- overdracht
- unieke
- .
- gebruikers
- waarde
- variรซteit
- visie
- visualisatie
- binnen
- Mijn werk
- Werkgroep