I det siste tiåret har datasynsbruk vært en økende trend, spesielt i bransjer som forsikring, bilindustri, e-handel, energi, detaljhandel, produksjon og andre. Kunder bygger modeller for maskinlæring for datamaskinsyn (ML) for å bringe driftseffektivitet og automatisering til prosessene deres. Slike modeller hjelper til med å automatisere klassifiseringen av bilder eller gjenkjenning av objekter av interesse i bilder som er spesifikke og unike for virksomheten din.
For å forenkle ML-modellbyggingsprosessen introduserte vi Amazon SageMaker JumpStart i desember 2020. JumpStart hjelper deg raskt og enkelt å komme i gang med ML. Det gir ett-klikks distribusjon og finjustering av et bredt utvalg av forhåndsopplærte modeller, samt et utvalg ende-til-ende-løsninger. Dette fjerner de tunge løftene fra hvert trinn i ML-prosessen, noe som gjør det enklere å utvikle høykvalitetsmodeller og reduserer tiden til utrulling. Det krever imidlertid at du har noen forkunnskaper for å hjelpe til med modellvalg fra en katalog med over 200 forhåndsopplærte datasynsmodeller. Du må deretter måle modellytelsen med forskjellige hyperparameterinnstillinger og velge den beste modellen som skal distribueres i produksjonen.
For å forenkle denne opplevelsen og la utviklere med liten eller ingen ML-ekspertise bygge tilpassede datasynsmodeller, gir vi ut en ny eksempelnotisbok i JumpStart som bruker Amazon Rekognition Egendefinerte etiketter, en fullstendig administrert tjeneste for å bygge tilpassede datasynsmodeller. Rekognition Custom Labels bygger på de forhåndstrente modellene i Amazon-anerkjennelse, som allerede er trent på titalls millioner bilder i mange kategorier. I stedet for tusenvis av bilder, kan du komme i gang med et lite sett med treningsbilder (noen hundre eller færre) som er spesifikke for ditt bruksområde. Egendefinerte etiketter for anerkjennelse abstraherer kompleksiteten som er involvert i å bygge en tilpasset modell. Den inspiserer automatisk treningsdataene, velger de riktige ML-algoritmene, velger instanstypen, trener flere kandidatmodeller med forskjellige hyperparametre, og gir ut den best trente modellen. Egendefinerte etiketter for anerkjennelse gir også et brukervennlig grensesnitt fra AWS-administrasjonskonsoll for hele ML-arbeidsflyten, inkludert merking av bilder, opplæring, distribusjon av en modell og visualisering av testresultatene.
Denne eksempelnotisboken i JumpStart ved hjelp av Rekognition Custom Labels løser enhver bildeklassifisering eller objektgjenkjenning datasyn ML-oppgave, noe som gjør det enkelt for kunder som er kjent med Amazon SageMaker å bygge en datasynsløsning som passer best til ditt bruksområde, krav og ferdigheter.
I dette innlegget gir vi trinnvise instruksjoner for å bruke denne eksempelnotisboken i JumpStart. Notatboken demonstrerer hvordan du enkelt kan bruke Rekognition Custom Labels eksisterende trenings- og slutnings-APIer for å lage en bildeklassifiseringsmodell, en fleretikettsklassifiseringsmodell og en objektdeteksjonsmodell. For å gjøre det enkelt for deg å komme i gang har vi gitt eksempeldatasett for hver modell.
Tren og distribuer en datasynsmodell ved hjelp av egendefinerte etiketter for anerkjennelse
I denne delen finner vi den ønskede notatboken i JumpStart, og demonstrerer hvordan du trener og kjører inferens på det utplasserte endepunktet.
La oss starte fra Amazon SageMaker Studio Bæreraketter.
- På Studio Launcher velger du Gå til SageMaker JumpStart.
JumpStart-landingssiden har seksjoner for karuseller for løsninger, tekstmodeller og synsmodeller. Den har også en søkefelt. - Gå inn i søkefeltet
Rekognition Custom Labels
og velg Anerkjennelse Egendefinerte etiketter for Vision notisbok.
Den bærbare datamaskinen åpnes i skrivebeskyttet modus. - Velg Importer notatbok for å importere den bærbare datamaskinen til miljøet ditt.
Den bærbare datamaskinen gir en trinn-for-trinn-veiledning for trening og løpende konklusjoner ved bruk av egendefinerte etiketter for gjenkjenning fra JumpStart-konsollen. Den gir følgende fire eksempeldatasett for å demonstrere enkelt- og multi-etikett bildeklassifisering og objektdeteksjon.
-
- Bildeklassifisering med én etikett – Dette datasettet viser hvordan du klassifiserer bilder som tilhørende en av et sett med forhåndsdefinerte etiketter. For eksempel kan eiendomsselskaper bruke egendefinerte etiketter for anerkjennelse for å kategorisere bilder av stuer, bakgårder, soverom og andre steder i husholdningen. Følgende er et eksempelbilde fra dette datasettet, som er inkludert som en del av notatboken.
- Bildeklassifisering med flere etiketter – Dette datasettet viser hvordan du klassifiserer bilder i flere kategorier, for eksempel farge, størrelse, tekstur og type av en blomst. For eksempel kan plantedyrkere bruke Rekognition Custom Labels for å skille mellom ulike typer blomster og om de er sunne, skadede eller infiserte. Følgende bilde er et eksempel fra dette datasettet.
- Objektdeteksjon – Dette datasettet viser objektlokalisering for å lokalisere deler som brukes i produksjons- eller produksjonslinjer. For eksempel, i elektronikkindustrien kan Rekognition Custom Labels hjelpe med å telle antall kondensatorer på et kretskort. Følgende bilde er et eksempel fra dette datasettet.
- Merke- og logogjenkjenning – Dette datasettet demonstrerer å finne logoer eller merkevarer i et bilde. For eksempel, i medieindustrien, kan en objektdeteksjonsmodell hjelpe med å identifisere plasseringen av sponsorlogoer i fotografier. Følgende er et eksempelbilde fra dette datasettet.
- Bildeklassifisering med én etikett – Dette datasettet viser hvordan du klassifiserer bilder som tilhørende en av et sett med forhåndsdefinerte etiketter. For eksempel kan eiendomsselskaper bruke egendefinerte etiketter for anerkjennelse for å kategorisere bilder av stuer, bakgårder, soverom og andre steder i husholdningen. Følgende er et eksempelbilde fra dette datasettet, som er inkludert som en del av notatboken.
- Følg trinnene i notatboken ved å kjøre hver celle.
Denne notatboken demonstrerer hvordan du kan bruke én enkelt notatbok til å adressere både bildeklassifisering og objektgjenkjenning via API-ene for egendefinerte etiketter for Rekognition.
Når du fortsetter med notatboken, har du muligheten til å velge et av de nevnte eksempeldatasettene. Vi oppfordrer deg til å prøve å kjøre notatboken for hvert av datasettene.
konklusjonen
I dette innlegget viste vi deg hvordan du bruker Rekognition Custom Labels API-er for å bygge en bildeklassifisering eller en datasynsmodell for objektgjenkjenning for å klassifisere og identifisere objekter i bilder som er spesifikke for bedriftens behov. For å trene en modell kan du komme i gang ved å gi titalls til hundrevis av merkede bilder i stedet for tusenvis. Egendefinerte etiketter for anerkjennelse forenkler modellopplæringen ved å ta vare på parametervalg som for eksempel maskintype, algoritmetype eller algoritmespesifikke hyperparametre (inkludert antall lag i nettverket, læringshastighet og batchstørrelse). Egendefinerte etiketter for anerkjennelse forenkler også hosting av en trent modell og gir en enkel operasjon for å utføre slutninger med en trent modell.
Rekognition Custom Labels gir en brukervennlig konsollopplevelse for opplæringsprosessen, modelladministrasjon og visualisering av datasettbilder. Vi oppfordrer deg til å lære mer om Egendefinerte etiketter for anerkjennelse og prøv det ut med dine bedriftsspesifikke datasett.
For å komme i gang kan du navigere til eksempelnotisboken for Rekognition Custom Labels i SageMaker JumpStart.
Om forfatterne
Pashmeen Mistry er Senior Product Manager for Amazon Rekognition Custom Labels. Utenom jobben liker Pashmeen eventyrlige fotturer, fotografering og å tilbringe tid med familien.
Abhishek Gupta er senior AI Services Solution Architect hos AWS. Han hjelper kunder med å designe og implementere datasynsløsninger.
- Myntsmart. Europas beste Bitcoin og Crypto Exchange.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
- CryptoHawk. Altcoin Radar. Gratis prøveperiode.
- Kilde: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- sammendrag
- tvers
- adresse
- AI
- AI-tjenester
- algoritme
- algoritmer
- allerede
- Amazon
- APIer
- automatisere
- Automatisering
- automotive
- AWS
- benchmark
- BEST
- borde
- merker
- bygge
- Bygning
- bygger
- virksomhet
- Kan få
- kandidat
- hvilken
- saker
- valg
- Velg
- klassifisering
- Selskaper
- datamaskin
- Konsoll
- skape
- skikk
- Kunder
- dato
- tiår
- demonstrere
- utplassere
- utplassert
- utplasserings
- distribusjon
- utforming
- Gjenkjenning
- utvikle
- utviklere
- forskjellig
- lett
- lett-å-bruke
- e-handel
- Elektronikk
- oppmuntre
- Endpoint
- energi
- Enter
- Miljø
- spesielt
- eiendom
- eksempel
- eksisterende
- erfaring
- ekspertise
- familie
- etter
- Økende
- veilede
- hjelpe
- hjelper
- høykvalitets
- Hosting
- husholdning
- Hvordan
- Hvordan
- Men
- HTTPS
- Hundrevis
- identifisere
- bilde
- iverksette
- inkludert
- Inkludert
- bransjer
- industri
- forsikring
- interesse
- Interface
- involvert
- IT
- kunnskap
- merking
- etiketter
- LÆRE
- læring
- løfte
- lite
- levende
- plassering
- steder
- logo
- maskin
- maskinlæring
- Making
- fikk til
- ledelse
- leder
- produksjon
- Media
- millioner
- ML
- modell
- modeller
- mer
- flere
- behov
- nettverk
- bærbare
- Antall
- åpner
- drift
- Alternativ
- Annen
- del
- ytelse
- utfører
- fotografering
- prosess
- Prosesser
- Produkt
- Produksjon
- gi
- gir
- gi
- raskt
- eiendomsmegling
- redusere
- Krav
- Krever
- Resultater
- detaljhandel
- Rom
- Kjør
- rennende
- Søk
- tjeneste
- Tjenester
- sett
- Enkelt
- Størrelse
- liten
- løsning
- Solutions
- løser
- noen
- utgifter
- sponse
- Begynn
- startet
- studio
- ta
- test
- tusener
- tid
- Kurs
- Togene
- typer
- unik
- bruke
- variasjon
- syn
- visualisering
- innenfor
- Arbeid