W ostatniej dekadzie przypadki użycia wizji komputerowej stały się rosnącym trendem, szczególnie w branżach takich jak ubezpieczenia, motoryzacja, e-commerce, energetyka, handel detaliczny, produkcja i inne. Klienci tworzą modele komputerowego uczenia maszynowego (ML), aby zwiększyć wydajność operacyjną i automatyzację swoich procesów. Takie modele pomagają zautomatyzować klasyfikację obrazów lub wykrywanie obiektów zainteresowania w obrazach, które są specyficzne i unikalne dla Twojej firmy.
Aby uprościć proces budowania modelu ML, wprowadziliśmy Amazon SageMaker JumpStart w grudniu 2020 r. JumpStart pomaga szybko i łatwo rozpocząć pracę z ML. Zapewnia wdrażanie i dostrajanie za pomocą jednego kliknięcia szerokiej gamy wstępnie przeszkolonych modeli, a także wybór kompleksowych rozwiązań. Eliminuje to konieczność podnoszenia ciężarów na każdym etapie procesu ML, ułatwiając opracowywanie modeli wysokiej jakości i skracając czas wdrażania. Wymaga to jednak wcześniejszej wiedzy, aby pomóc w wyborze modelu z katalogu ponad 200 wstępnie przeszkolonych modeli widzenia komputerowego. Następnie musisz porównać wydajność modelu z różnymi ustawieniami hiperparametrów i wybrać najlepszy model do wdrożenia w środowisku produkcyjnym.
Aby uprościć to doświadczenie i umożliwić programistom z niewielką lub żadną wiedzą z zakresu ML tworzenie niestandardowych modeli wizji komputerowej, udostępniamy nowy przykładowy notebook w programie JumpStart, który wykorzystuje Etykiety niestandardowe Amazon Rekognition, w pełni zarządzana usługa do tworzenia niestandardowych modeli wizji komputerowych. Rekognition Custom Labels opiera się na wstępnie przeszkolonych modelach w Amazon Rekognition, które są już przeszkolone na dziesiątkach milionów obrazów z wielu kategorii. Zamiast tysięcy obrazów możesz zacząć od małego zestawu obrazów szkoleniowych (kilkaset lub mniej), które są specyficzne dla Twojego przypadku użycia. Rekognition Custom Labels ogranicza złożoność związaną z budowaniem modelu niestandardowego. Automatycznie sprawdza dane szkoleniowe, wybiera odpowiednie algorytmy ML, wybiera typ wystąpienia, trenuje wiele modeli kandydujących z różnymi hiperparametrami i generuje najlepiej wyszkolony model. Rekognition Custom Labels zapewnia również łatwy w użyciu interfejs od Konsola zarządzania AWS dla całego przepływu pracy ML, w tym etykietowania obrazów, szkolenia, wdrażania modelu i wizualizacji wyników testów.
Ten przykładowy notatnik w programie JumpStart przy użyciu Rekognition Custom Labels rozwiązuje każdą klasyfikację obrazów lub wykrywanie obiektów zadanie komputerowej ML, ułatwiając klientom zaznajomionym z Amazon Sage Maker aby zbudować rozwiązanie komputerowe, które najlepiej pasuje do Twojego przypadku użycia, wymagań i umiejętności.
W tym poście przedstawiamy szczegółowe instrukcje korzystania z tego przykładowego notatnika w programie JumpStart. Notatnik pokazuje, jak łatwo korzystać z istniejących interfejsów API uczenia i wnioskowania Rekognition Custom Labels do tworzenia modelu klasyfikacji obrazów, modelu klasyfikacji z wieloma etykietami i modelu wykrywania obiektów. Aby ułatwić rozpoczęcie pracy, udostępniliśmy przykładowe zestawy danych dla każdego modelu.
Szkolenie i wdrażanie modelu wizji komputerowej za pomocą etykiet niestandardowych Rekognition
W tej sekcji zlokalizujemy żądany notes w programie JumpStart i zademonstrujemy, jak trenować i uruchamiać wnioskowanie na wdrożonym punkcie końcowym.
Zacznijmy od Studio Amazon SageMaker Launcher.
- W programie uruchamiającym Studio wybierz Przejdź do SageMaker JumpStart.
Strona docelowa JumpStart zawiera sekcje dotyczące karuzeli rozwiązań, modeli tekstowych i modeli wizyjnych. Posiada również pasek wyszukiwania. - Na pasku wyszukiwania wpisz
Rekognition Custom Labels
i wybierz Niestandardowe etykiety rozpoznawania dla Vision notatnik.
Notatnik otwiera się w trybie tylko do odczytu. - Dodaj Importuj notatnik aby zaimportować notatnik do swojego środowiska.
Notatnik zawiera przewodnik krok po kroku dotyczący szkolenia i prowadzenia wniosków za pomocą etykiet niestandardowych rozpoznawania z konsoli JumpStart. Zawiera następujące cztery przykładowe zestawy danych, aby zademonstrować klasyfikację obrazów jedno- i wieloetykietowych oraz wykrywanie obiektów.
-
- Klasyfikacja obrazów z pojedynczą etykietą – Ten zestaw danych pokazuje, jak klasyfikować obrazy jako należące do jednego z zestawu predefiniowanych etykiet. Na przykład firmy zajmujące się nieruchomościami mogą używać etykiet niestandardowych Rekognition do kategoryzowania swoich zdjęć salonów, podwórek, sypialni i innych miejsc w gospodarstwie domowym. Poniżej znajduje się przykładowy obraz z tego zestawu danych, który jest częścią notesu.
- Klasyfikacja obrazów z wieloma etykietami – Ten zestaw danych pokazuje, jak klasyfikować obrazy do wielu kategorii, takich jak kolor, rozmiar, tekstura i rodzaj kwiatu. Na przykład hodowcy roślin mogą używać etykiet niestandardowych Rekognition, aby rozróżniać różne rodzaje kwiatów oraz czy są zdrowe, uszkodzone lub zakażone. Poniższy obraz jest przykładem z tego zestawu danych.
- Wykrywanie obiektów – Ten zestaw danych przedstawia lokalizację obiektu w celu zlokalizowania części używanych na liniach produkcyjnych lub produkcyjnych. Na przykład w przemyśle elektronicznym etykiety niestandardowe Rekognition mogą pomóc zliczyć liczbę kondensatorów na płytce drukowanej. Poniższy obraz jest przykładem z tego zestawu danych.
- Wykrywanie marki i logo – Ten zestaw danych przedstawia lokalizowanie logo lub marek na obrazie. Na przykład w branży medialnej model wykrywania obiektów może pomóc w identyfikacji lokalizacji logo sponsorów na zdjęciach. Poniżej znajduje się przykładowy obraz z tego zestawu danych.
- Klasyfikacja obrazów z pojedynczą etykietą – Ten zestaw danych pokazuje, jak klasyfikować obrazy jako należące do jednego z zestawu predefiniowanych etykiet. Na przykład firmy zajmujące się nieruchomościami mogą używać etykiet niestandardowych Rekognition do kategoryzowania swoich zdjęć salonów, podwórek, sypialni i innych miejsc w gospodarstwie domowym. Poniżej znajduje się przykładowy obraz z tego zestawu danych, który jest częścią notesu.
- Postępuj zgodnie z instrukcjami w notesie, uruchamiając każdą komórkę.
Ten notatnik pokazuje, w jaki sposób można użyć jednego notatnika, aby zająć się przypadkami użycia klasyfikacji obrazów i wykrywania obiektów za pośrednictwem interfejsów API Rekognition Custom label.
Kontynuując pracę z notatnikiem, masz możliwość wybrania jednego z wyżej wymienionych przykładowych zestawów danych. Zachęcamy do spróbowania uruchomienia notatnika dla każdego zestawu danych.
Wnioski
W tym poście pokazaliśmy, jak korzystać z interfejsów API Rekognition Custom Labels do tworzenia klasyfikacji obrazów lub komputerowego modelu wizyjnego wykrywania obiektów w celu klasyfikowania i identyfikowania obiektów na obrazach, które są specyficzne dla Twoich potrzeb biznesowych. Aby trenować model, możesz zacząć od dostarczenia dziesiątek do setek obrazów z etykietami zamiast tysięcy. Rekognition Custom Labels upraszcza uczenie modelu, dbając o wybór parametrów, takich jak typ maszyny, typ algorytmu lub hiperparametry specyficzne dla algorytmu (w tym liczba warstw w sieci, szybkość uczenia się i rozmiar partii). Rekognition Custom Labels upraszcza również hostowanie wytrenowanego modelu i zapewnia prostą operację wykonywania wnioskowania z wytrenowanym modelem.
Rekognition Custom Labels zapewnia łatwą w użyciu konsolę do procesu uczenia, zarządzania modelami i wizualizacji obrazów zestawów danych. Zachęcamy do zapoznania się z Rozpoznawanie etykiet niestandardowych i wypróbuj to z zestawami danych specyficznych dla Twojej firmy.
Aby rozpocząć, możesz przejść do przykładowego notatnika Rekognition Custom Labels w SageMaker Szybki start.
O autorach
Paszmeńska tajemnica jest starszym menedżerem produktu ds. etykiet niestandardowych Amazon Rekognition. Poza pracą Pashmeen lubi pełne przygód wędrówki, fotografowanie i spędzanie czasu z rodziną.
Abhishek Gupta jest starszym architektem rozwiązań usług AI w AWS. Pomaga klientom projektować i wdrażać rozwiązania z zakresu wizji komputerowej.
- Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
- CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
- Źródło: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- streszczenia
- w poprzek
- adres
- AI
- Usługi AI
- algorytm
- Algorytmy
- już
- Amazonka
- Pszczoła
- zautomatyzować
- Automatyzacja
- motoryzacyjny
- AWS
- Benchmark
- BEST
- deska
- marek
- budować
- Budowanie
- Buduje
- biznes
- Może uzyskać
- kandydat
- który
- Etui
- wybory
- Dodaj
- klasyfikacja
- Firmy
- komputer
- Konsola
- Stwórz
- zwyczaj
- Klientów
- dane
- dekada
- wykazać
- rozwijać
- wdrażane
- wdrażanie
- Wdrożenie
- Wnętrze
- Wykrywanie
- rozwijać
- deweloperzy
- różne
- z łatwością
- łatwy w użyciu
- ecommerce
- Elektronika
- zachęcać
- Punkt końcowy
- energia
- Wchodzę
- Środowisko
- szczególnie
- majątek
- przykład
- Przede wszystkim system został opracowany
- doświadczenie
- ekspertyza
- członków Twojej rodziny
- następujący
- Rozwój
- poprowadzi
- pomoc
- pomaga
- wysokiej jakości
- Hosting
- gospodarstwo domowe
- W jaki sposób
- How To
- Jednak
- HTTPS
- Setki
- zidentyfikować
- obraz
- wdrożenia
- włączony
- Włącznie z
- przemysłowa
- przemysł
- ubezpieczenie
- odsetki
- Interfejs
- zaangażowany
- IT
- wiedza
- etykietowanie
- Etykiety
- UCZYĆ SIĘ
- nauka
- Modernizacja
- mało
- życie
- lokalizacja
- lokalizacji
- logo
- maszyna
- uczenie maszynowe
- Dokonywanie
- zarządzane
- i konserwacjami
- kierownik
- produkcja
- Media
- miliony
- ML
- model
- modele
- jeszcze
- wielokrotność
- wymagania
- sieć
- notatnik
- numer
- otwiera
- działanie
- Option
- Inne
- część
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonywania
- fotografia
- wygląda tak
- procesów
- Produkt
- Produkcja
- zapewniać
- zapewnia
- że
- szybko
- nieruchomość
- redukcja
- wymagania
- Wymaga
- Efekt
- detaliczny
- Pokoje
- run
- bieganie
- Szukaj
- usługa
- Usługi
- zestaw
- Prosty
- Rozmiar
- mały
- rozwiązanie
- Rozwiązania
- Rozwiązuje
- kilka
- Spędzanie
- sponsorować
- początek
- rozpoczęty
- studio
- biorąc
- test
- tysiące
- czas
- Trening
- pociągi
- typy
- wyjątkowy
- posługiwać się
- różnorodność
- wizja
- wyobrażanie sobie
- w ciągu
- Praca