Amazon Rekognition Egendefinerte etiketter er en fullstendig administrert datasynstjeneste som lar utviklere bygge tilpassede modeller for å klassifisere og identifisere objekter i bilder som er spesifikke og unike for virksomheten din.
Rekognition Custom Labels krever ikke at du har noen tidligere datasynsekspertise. Du kan komme i gang ved å bare laste opp titalls bilder i stedet for tusenvis. Hvis bildene allerede er merket, kan du begynne å trene en modell med bare noen få klikk. Hvis ikke, kan du merke dem direkte i Rekognition Custom Labels-konsollen, eller bruke Amazon SageMaker Ground Truth å merke dem. Rekognition Custom Labels bruker overføringslæring for automatisk å inspisere treningsdataene, velge riktig modellrammeverk og algoritme, optimalisere hyperparametrene og trene modellen. Når du er fornøyd med modellnøyaktigheten, kan du begynne å være vert for den trente modellen med bare ett klikk.
Men hvis du er en bedriftsbruker som ønsker å løse et datasynsproblem, visualisere slutningsresultater fra den tilpassede modellen og motta varsler når slike slutningsresultater er tilgjengelige, må du stole på ingeniørteamet ditt for å bygge en slik applikasjon. For eksempel kan en driftsleder for landbruket bli varslet når en avling viser seg å ha en sykdom, en vinprodusent kan bli varslet når druene er modne for høsting, eller en butikksjef kan bli varslet når det er på tide å fylle på lager som brus. i et vertikalt kjøleskap.
I dette innlegget leder vi deg gjennom prosessen med å bygge en løsning som lar deg visualisere slutningsresultatet og sende varsler til abonnerte brukere når spesifikke etiketter identifiseres i bilder som behandles ved hjelp av modeller bygget av Rekognition Custom Labels.
Løsningsoversikt
Følgende diagram illustrerer løsningsarkitekturen.
Denne løsningen bruker følgende AWS-tjenester for å implementere en skalerbar og kostnadseffektiv arkitektur:
- Amazonas Athena – En serverløs interaktiv spørringstjeneste som gjør det enkelt å analysere data i Amazon S3 ved hjelp av standard SQL.
- AWS Lambda – En serverløs databehandlingstjeneste som lar deg kjøre kode som svar på triggere som endringer i data, endringer i systemtilstand eller brukerhandlinger. Fordi Amazon S3 direkte kan utløse en Lambda-funksjon, kan du bygge en rekke sanntid server databehandlingssystemer.
- Amazon QuickSight – En veldig rask, brukervennlig, skydrevet forretningsanalysetjeneste som gjør det enkelt å bygge visualiseringer, utføre ad hoc-analyser og raskt få forretningsinnsikt fra dataene.
- Amazon Rekognition Egendefinerte etiketter – Lar deg trene en tilpasset datasynsmodell for å identifisere objektene og scenene i bilder som er spesifikke for bedriftens behov.
- Amazon enkel varslingstjeneste – Amazon SNS er en fullstendig administrert meldingstjeneste for både applikasjon-til-applikasjon (A2A) og applikasjon-til-person (A2P) kommunikasjon.
- Amazon enkel køtjeneste – Amazon SQS er en fullstendig administrert meldingskøtjeneste som lar deg koble fra og skalere mikrotjenester, distribuerte systemer og serverløse applikasjoner.
- Amazon enkel lagringstjeneste – Amazon S3 fungerer som en objektlager for dokumentene dine og gir mulighet for sentral administrasjon med finjusterte tilgangskontroller.
Løsningen bruker en serverløs arbeidsflyt som utløses når et bilde lastes opp til S3-inngangen. En SQS-kø mottar et hendelsesvarsel for objektoppretting. Løsningen skaper også døde bokstavkøer (DLQs) å sette til side og isolere meldinger som ikke kan behandles riktig. En Lambda-funksjon strømmer ut av SQS-køen og lager DetectLabels
API-kall for å oppdage alle etiketter i bildet. For å skalere denne løsningen og gjøre den til en løst koblet design, sender Lambda-funksjonen prediksjonsresultatene til en annen SQS-kø. Denne SQS-køen utløser en annen Lambda-funksjon, som analyserer alle etikettene som finnes i spådommene. Basert på brukerpreferansen (konfigurert under løsningsdistribusjon), publiserer funksjonen en melding til et SNS-emne. SNS-emnet er konfigurert til å levere e-postvarsler til brukeren. Du kan konfigurere Lambda-funksjonen til å legge til en URL til meldingen som sendes til Amazon SNS for å få tilgang til bildet (ved hjelp av en Amazon S3 forhåndsdefinert URL). Til slutt laster Lambda-funksjonen opp et prediksjonsresultat og bildemetadata til en S3-bøtte. Du kan deretter bruke Athena og QuickSight til å analysere og visualisere resultatene fra S3-bøtten.
Forutsetninger
Du må ha en modell trent og kjører med Rekognition Custom Labels.
Rekognition Custom Labels lar deg administrere opplæringsprosessen for maskinlæringsmodeller på Amazon-anerkjennelse konsoll, som forenkler ende-til-ende modellutviklingsprosessen. For dette innlegget bruker vi en klassifiseringsmodell trent for å oppdage plantebladsykdom.
Distribuere løsningen
Du distribuerer en AWS skyformasjon mal for å levere de nødvendige ressursene, inkludert S3-bøtter, SQS-køer, SNS-emne, Lambda-funksjoner og AWS identitets- og tilgangsadministrasjon (IAM) roller. Malen oppretter stabelen us-east-1-regionen, men du kan bruke malen til å lage stabelen din i en hvilken som helst region der AWS-tjenestene ovenfor er tilgjengelige.
- Start følgende CloudFormation-mal i regionen og AWS-kontoen der du implementerte Rekognition Custom Labels-modellen:
- Til Stabelnavn, skriv inn et stabelnavn, for eksempel
rekognition-customlabels-analytics-and-notification
. - Til CustomModelARN, skriv inn ARN for Amazon Rekognition Custom Labels-modellen du vil bruke.
Rekognition Custom Labels-modellen må distribueres i samme AWS-konto.
- Til E-postvarsling, skriv inn en e-postadresse der du ønsker å motta varsler.
- Til InputBucketName, skriv inn et unikt navn for S3-bøtten som stabelen lager; for eksempel,
plant-leaf-disease-data-input
.
Det er her de innkommende plantebladbildene lagres.
- Til Etiketter av interesse, kan du skrive inn opptil 10 forskjellige etiketter du ønsker å bli varslet om, i kommadelt format. For vårt eksempel på plantesykdom, skriv inn
bacterial-leaf-blight,leaf-smut
. - Til MinConfidence, skriv inn minstekonfidensgrensen for å motta varsling. Etiketter oppdaget med en konfidens under verdien til MinConfidence returneres ikke i svaret og vil ikke generere varsling.
- Til OutputBucketName, skriv inn et unikt navn for S3-bøtten som stabelen lager; for eksempel,
plant-leaf-disease-data-output
.
Utdatabøtten inneholder JSON-filer med bildemetadata (etiketter funnet og konfidenspoengsum).
- Velg neste.
- På Konfigurer stakkalternativer side, angi eventuelle tilleggsparametere for stakken, inkludert koder.
- Velg neste.
- på Evner og transformasjoner seksjonen, merk av i avmerkingsboksen for å bekrefte at AWS CloudFormation kan opprette IAM-ressurser.
- Velg Lag stabel.
Stabeldetaljsiden skal vise statusen til stabelen som CREATE_IN_PROGRESS
. Det kan ta opptil 5 minutter før statusen endres til CREATE_COMPLETE
.
Amazon SNS vil sende en abonnementsbekreftelsesmelding til e-postadressen. Du trenger å bekrefte abonnementet.
Test løsningen
Nå som vi har distribuert ressursene, er vi klare til å teste løsningen. Vær sikker på at du starte modellen.
- Velg på Amazon S3-konsollen Bøtter.
- Velg input S3-bøtte.
- Last opp testbilder til bøtta.
I produksjon kan du sette opp automatiserte prosesser for å levere bilder til denne bøtten.
Disse bildene utløser arbeidsflyten. Hvis etikettsikkerheten overskrider den angitte terskelen, mottar du et e-postvarsel som det følgende.
Du kan også konfigurere SNS-emnet til å levere disse varslene til alle destinasjoner støttet av tjenesten.
Analyser prediksjonsresultatene
Etter at du har testet løsningen, kan du utvide løsningen for å lage en visuell analyse for spådommene til behandlede bilder. Til dette formålet bruker vi Athena, en interaktiv spørringstjeneste som gjør det enkelt å analysere data direkte fra Amazon S3 ved hjelp av standard SQL, og QuickSight for å visualisere dataene.
Konfigurer Athena
Hvis du ikke er kjent med Amazon Athena, se denne opplæringen. På Athena-konsollen oppretter du en tabell i Athena-datakatalogen med følgende kode:
Befolk Location
feltet i den foregående spørringen med navnet på utdatabøtte, for eksempel plant-leaf-disease-data-output
.
Denne koden forteller Athena hvordan hun skal tolke hver rad i teksten i S3-bøtta.
Du kan nå spørre etter dataene:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Konfigurer QuickSight
For å konfigurere QuickSight, fullfør følgende trinn:
- Åpne QuickSight-konsoll.
- Hvis du ikke er registrert for QuickSight, blir du bedt om muligheten til å registrere deg. Følg fremgangsmåten for å registrer deg for å bruke QuickSight.
- Etter at du har logget på QuickSight, velger du Administrer QuickSight under kontoen din.
- Velg i navigasjonsruten Sikkerhet og tillatelser.
- Under QuickSight-tilgang til AWS-tjenester, velg Legg til eller fjern.
En side vises for å aktivere QuickSight-tilgang til AWS-tjenester.
- Plukke ut Amazon Athena.
- I popup-vinduet velger du neste.
- På S3-fanen velger du de nødvendige S3-bøttene. For dette innlegget velger jeg bøtten som lagrer mine Athena-spørringsresultater.
- Velg også for hver bøtte Skrivetillatelse for Athena Workgroup.
- Velg Finish.
- Velg Oppdater.
- Velg på QuickSight-konsollen Ny analyse.
- Velg Nytt datasett.
- Til datasett, velg Athena.
- Til Navn på datakilde, Tast inn
Athena-CustomLabels-analysis
. - Til Athena arbeidsgruppe, velg primære.
- Velg Lag datakilde.
- Til Database, velg
default
på rullegardinmenyen. - Til tabeller, velg tabellen
rekognition_customlabels_analytics
. - Velg Plukke ut.
- Velg Visualisere.
- På Visualisere side, under Felt liste, velg etikett og velg kakediagrammet fra Visuelle typer.
Du kan legge til flere visualiseringer i dashbordet. Når analysen din er klar, kan du velge Del for å lage et dashbord og dele det i organisasjonen din.
Oppsummering
I dette innlegget viste vi hvordan du kan lage en løsning for å motta varsler for spesifikke etiketter (som bakteriell bladsmuss eller bladsmuts) funnet i behandlede bilder ved å bruke Rekognition Custom Labels. I tillegg viste vi hvordan du kan lage dashboards for å visualisere resultatene ved hjelp av Athena og QuickSight.
Du kan nå enkelt dele slike visualiseringsdashboards med bedriftsbrukere og la dem abonnere på varsler i stedet for å måtte stole på ingeniørteamene dine for å bygge en slik applikasjon.
Om forfatterne
Jay Rao er en hovedløsningsarkitekt ved AWS. Han liker å gi teknisk og strategisk veiledning til kunder og hjelpe dem med å designe og implementere løsninger på AWS.
Pashmeen Mistry er Senior Product Manager for Amazon Rekognition Custom Labels. Utenom jobben liker Pashmeen eventyrlige fotturer, fotografering og å tilbringe tid med familien.
- 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/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- adgang
- Logg inn
- handlinger
- Ad
- tillegg
- Ytterligere
- adresse
- algoritme
- Alle
- allerede
- Amazon
- analyse
- analytics
- En annen
- api
- Søknad
- søknader
- arkitektur
- Automatisert
- tilgjengelig
- AWS
- grensen
- Eske
- bygge
- Bygning
- virksomhet
- ring
- Kan få
- endring
- Velg
- klassifisering
- kode
- Kommunikasjon
- Beregn
- selvtillit
- Konsoll
- inneholder
- kostnadseffektiv
- kombinert
- skaper
- skaperverket
- avling
- skikk
- Kunder
- dashbord
- dato
- utplassere
- utplassert
- distribusjon
- utforming
- oppdaget
- utviklere
- Utvikling
- forskjellig
- direkte
- sykdom
- distribueres
- dokumenter
- ikke
- lett
- emalje
- muliggjør
- Ingeniørarbeid
- Enter
- Event
- eksempel
- ekspertise
- utvide
- familie
- FAST
- Endelig
- følge
- etter
- format
- funnet
- Rammeverk
- funksjon
- generere
- å ha
- Hvordan
- Hvordan
- HTTPS
- identifisere
- Identitet
- bilde
- iverksette
- Inkludert
- inngang
- innsikt
- interaktiv
- IT
- bare én
- etiketter
- læring
- Liste
- plassering
- ser
- maskin
- maskinlæring
- GJØR AT
- fikk til
- ledelse
- leder
- meldinger
- minimum
- modell
- modeller
- mer
- Navigasjon
- varsling
- Drift
- Alternativ
- organisasjon
- fotografering
- prediksjon
- Spådommer
- Principal
- Problem
- prosess
- Prosesser
- Produkt
- Produksjon
- gi
- formål
- raskt
- sanntids
- motta
- krever
- Ressurser
- svar
- Resultater
- Kjør
- rennende
- skalerbar
- Skala
- Scener
- server~~POS=TRUNC
- tjeneste
- Tjenester
- sett
- Del
- Enkelt
- løsning
- Solutions
- LØSE
- utgifter
- stable
- Standard
- Begynn
- startet
- Tilstand
- status
- lagring
- oppbevare
- butikker
- Strategisk
- abonnere
- abonnement
- Støttes
- system
- Systemer
- lag
- Teknisk
- forteller
- test
- tusener
- Gjennom
- tid
- Kurs
- overføre
- unik
- bruke
- Brukere
- verdi
- variasjon
- syn
- visualisering
- innenfor
- Arbeid
- arbeidsgruppe