Reconhecimento da Amazônia facilita a adição de análise de imagem e vídeo aos seus aplicativos. Ele se baseia na mesma tecnologia comprovada, altamente escalável e de aprendizado profundo desenvolvida pelos cientistas de visão computacional da Amazon para analisar bilhões de imagens e vídeos diariamente. Seu uso não requer experiência em aprendizado de máquina (ML) e estamos continuamente adicionando novos recursos de visão computacional ao serviço. O Amazon Rekognition inclui uma API simples e fácil de usar que pode analisar rapidamente qualquer arquivo de imagem ou vídeo armazenado em Serviço de armazenamento simples da Amazon (Amazônia S3).
Clientes de setores como tecnologia de publicidade e marketing, jogos, mídia e varejo e comércio eletrônico contam com imagens enviadas por seus usuários finais (conteúdo gerado pelo usuário ou UGC) como um componente crítico para impulsionar o envolvimento em sua plataforma. Eles usam Moderação de conteúdo do Amazon Rekognition para detectar conteúdo impróprio, indesejado e ofensivo, a fim de proteger a reputação de sua marca e promover comunidades de usuários seguras.
Neste post, vamos discutir o seguinte:
- Modelo de moderação de conteúdo versão 7.0 e recursos
- Como funciona o Amazon Rekognition Bulk Analysis para moderação de conteúdo
- Como melhorar a previsão de moderação de conteúdo com análise em massa e moderação personalizada
Modelo de moderação de conteúdo versão 7.0 e recursos
O Amazon Rekognition Content Moderation versão 7.0 adiciona 26 novos rótulos de moderação e expande a taxonomia dos rótulos de moderação de uma categoria de rótulos de duas para três camadas. Esses novos rótulos e a taxonomia ampliada permitem que os clientes detectem conceitos detalhados sobre o conteúdo que desejam moderar. Além disso, o modelo atualizado introduz uma nova capacidade de identificar dois novos tipos de conteúdo: conteúdo animado e ilustrado. Isso permite que os clientes criem regras granulares para incluir ou excluir esses tipos de conteúdo do fluxo de trabalho de moderação. Com essas novas atualizações, os clientes podem moderar o conteúdo de acordo com sua política de conteúdo com maior precisão.
Vejamos um exemplo de detecção de rótulo de moderação para a imagem a seguir.
A tabela a seguir mostra os rótulos de moderação, o tipo de conteúdo e as pontuações de confiança retornadas na resposta da API.
Etiquetas de moderação | Nível de taxonomia | Pontuações de confiança |
Violência | L1 | 92.6% |
Violência gráfica | L2 | 92.6% |
Explosões e Explosões | L3 | 92.6% |
Tipos de Conteúdo | Pontuações de confiança |
Ilustrado | 93.9% |
Para obter a taxonomia completa da Moderação de Conteúdo versão 7.0, visite nosso guia do desenvolvedor.
Análise em massa para moderação de conteúdo
O Amazon Rekognition Content Moderation também fornece moderação de imagens em lote, além de moderação em tempo real usando Análise em massa do Amazon Rekognition. Ele permite analisar grandes coleções de imagens de forma assíncrona para detectar conteúdo impróprio e obter insights sobre as categorias de moderação atribuídas às imagens. Também elimina a necessidade de criar uma solução de moderação de imagens em lote para os clientes.
Você pode acessar o recurso de análise em massa por meio do console do Amazon Rekognition ou chamando as APIs diretamente usando a AWS CLI e os AWS SDKs. No console do Amazon Rekognition, você pode fazer upload das imagens que deseja analisar e obter resultados com apenas alguns cliques. Depois que o trabalho de análise em massa for concluído, você poderá identificar e visualizar as previsões do rótulo de moderação, como nudez explícita e não explícita de partes íntimas e beijos, violência, drogas e tabaco e muito mais. Você também recebe uma pontuação de confiança para cada categoria de rótulo.
Crie um trabalho de análise em massa no console do Amazon Rekognition
Conclua as etapas a seguir para testar a análise em massa do Amazon Rekognition:
- No console do Amazon Rekognition, escolha Análise de Massa no painel de navegação.
- Escolha Iniciar análise em massa.
- Insira um nome de trabalho e especifique as imagens a serem analisadas, inserindo um local de bucket do S3 ou fazendo upload de imagens do seu computador.
- Opcionalmente, você pode selecionar um adaptador para analisar imagens usando o adaptador personalizado que você treinou usando Moderação Personalizada.
- Escolha Iniciar análise para executar o trabalho.
Quando o processo for concluído, você poderá ver os resultados no console do Amazon Rekognition. Além disso, uma cópia JSON dos resultados da análise será armazenada no local de saída do Amazon S3.
Solicitação de API de análise em massa do Amazon Rekognition
Nesta seção, orientamos você na criação de um trabalho de análise em massa para moderação de imagens usando interfaces de programação. Se seus arquivos de imagem ainda não estiverem em um bucket do S3, faça upload deles para garantir o acesso do Amazon Rekognition. Semelhante à criação de um trabalho de análise em massa no console do Amazon Rekognition, ao invocar o IniciarMediaAnalysisJob API, você precisa fornecer os seguintes parâmetros:
- OperationsConfig – Estas são as opções de configuração para o trabalho de análise de mídia a ser criado:
- MinConfiança – O nível de confiança mínimo com o intervalo válido de 0 a 100 para o retorno dos rótulos de moderação. O Amazon Rekognition não retorna nenhum rótulo com nível de confiança inferior ao valor especificado.
- Entrada – Isso inclui o seguinte:
- S3Object – As informações do objeto S3 para o arquivo de manifesto de entrada, incluindo o bucket e o nome do arquivo. O arquivo de entrada inclui linhas JSON para cada imagem armazenada no bucket S3. por exemplo:
{"source-ref": "s3://MY-INPUT-BUCKET/1.jpg"}
- S3Object – As informações do objeto S3 para o arquivo de manifesto de entrada, incluindo o bucket e o nome do arquivo. O arquivo de entrada inclui linhas JSON para cada imagem armazenada no bucket S3. por exemplo:
- Configuração de saída – Isso inclui o seguinte:
- S3Bucket – O nome do bucket S3 para os arquivos de saída.
- S3KeyPrefix – O prefixo da chave para os arquivos de saída.
Veja o seguinte código:
Você pode invocar a mesma análise de mídia usando o seguinte comando da AWS CLI:
Resultados da API de análise em massa do Amazon Rekognition
Para obter uma lista de trabalhos de análise em massa, você pode usar ListMediaAnalysisJobs
. A resposta inclui todos os detalhes sobre os arquivos de entrada e saída do trabalho de análise e o status do trabalho:
Você também pode invocar o list-media-analysis-jobs
comando por meio da AWS CLI:
O Amazon Rekognition Bulk Analysis gera dois arquivos de saída no bucket de saída. O primeiro arquivo é manifest-summary.json
, que inclui estatísticas de trabalho de análise em massa e uma lista de erros:
O segundo arquivo é results.json
, que inclui uma linha JSON para cada imagem analisada no formato a seguir. Cada resultado inclui o categoria de nível superior (L1) de um rótulo detectado e a categoria de segundo nível do rótulo (L2), com uma pontuação de confiança entre 1–100. Alguns rótulos de Taxonomia de Nível 2 podem ter rótulos de Taxonomia de Nível 3 (L3). Isso permite uma classificação hierárquica do conteúdo.
Você pode usar Adaptadores de moderação personalizados posteriormente, para analisar suas imagens, simplesmente selecionando o adaptador personalizado ao criar um novo trabalho de análise em massa ou via API, passando o ID exclusivo do adaptador personalizado.
Resumo
Nesta postagem, fornecemos uma visão geral da Moderação de Conteúdo versão 7.0, Análise em Massa para Moderação de Conteúdo e como melhorar as previsões de Moderação de Conteúdo usando Análise em Massa e Moderação Personalizada. Para experimentar os novos rótulos de moderação e análise em massa, faça login em sua conta da AWS e confira o console do Amazon Rekognition para Moderação de imagem e Análise de Massa.
Sobre os autores
Mehdy Haghy é arquiteto de soluções sênior na equipe AWS WWCS, especializado em IA e ML na AWS. Ele trabalha com clientes empresariais, ajudando-os a migrar, modernizar e otimizar suas cargas de trabalho para a nuvem AWS. Em seu tempo livre, ele gosta de cozinhar comida persa e mexer em eletrônicos.
Shipra Kanoria é gerente de produto principal da AWS. Ela é apaixonada por ajudar os clientes a resolver seus problemas mais complexos com o poder do aprendizado de máquina e da inteligência artificial. Antes de ingressar na AWS, Shipra passou mais de 4 anos na Amazon Alexa, onde lançou muitos recursos relacionados à produtividade no assistente de voz Alexa.
Maria Handoko é gerente de produto sênior da AWS. Ela se concentra em ajudar os clientes a resolver seus desafios de negócios por meio de aprendizado de máquina e visão computacional. Em seu tempo livre, ela gosta de caminhar, ouvir podcasts e explorar diferentes cozinhas.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/improving-content-moderation-with-amazon-rekognition-bulk-analysis-and-custom-moderation/
- :é
- :não
- :onde
- 1
- 10
- 100
- 11
- 12
- 14
- 20
- 22
- 24
- 26%
- 50
- 60
- 7
- 91
- a
- Sobre
- Acesso
- conformidade
- Conta
- precisão
- em
- adicionar
- acrescentando
- Adição
- Adicionalmente
- Adiciona
- Publicidade
- AI
- Alexa
- Todos os Produtos
- permite
- já
- tb
- Amazon
- Reconhecimento da Amazônia
- Amazon Web Services
- an
- análise
- analisar
- analisado
- e
- qualquer
- api
- APIs
- aplicações
- apropriado
- SOMOS
- artificial
- inteligência artificial
- AS
- atribuído
- Assistente
- At
- AWS
- base
- baseado
- BE
- antes
- abaixo
- entre
- bilhões
- interesse?
- Break
- Prédio
- negócio
- by
- chamada
- CAN
- capacidades
- capacidade
- Categorias
- Categoria
- desafios
- verificar
- Escolha
- classificação
- cli
- Na nuvem
- código
- coleções
- comando
- Comunidades
- completar
- Completa
- integrações
- componente
- componentes
- computador
- Visão de Computador
- conceitos
- confiança
- Configuração
- cônsul
- conteúdo
- Tipos de Conteúdo
- continuamente
- cópia
- correta
- crio
- criado
- Criar
- crítico
- Atual
- personalizadas
- Clientes
- diariamente
- datetime
- profundo
- deep learning
- detalhes
- descobrir
- detectou
- Detecção
- desenvolvido
- diferente
- diretamente
- discutir
- parece
- Não faz
- distância
- Drogas
- e
- e-commerce,
- cada
- facilmente
- fácil
- fácil de usar
- ou
- Eletrônicos
- elimina
- outro
- permitir
- permite
- COMPROMETIMENTO
- aumentar
- garantir
- entrar
- Empreendimento
- erros
- avaliadas
- exemplo
- excluindo
- expandido
- expande
- experiência
- Explorando
- estender
- fracassado
- falso
- Característica
- Funcionalidades
- poucos
- Envie o
- Arquivos
- Primeiro nome
- concentra-se
- seguir
- seguinte
- alimentos
- Escolha
- formato
- Promover
- da
- cheio
- Ganho
- jogos
- gera
- ter
- granular
- guia
- Ter
- he
- ajuda
- sua experiência
- hierárquica
- superior
- altamente
- sua
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTML
- http
- HTTPS
- i
- ID
- identificar
- if
- imagem
- imagens
- importar
- melhorar
- melhorar
- in
- inclui
- Incluindo
- indústrias
- INFORMAÇÕES
- entrada
- insights
- Inteligência
- interfaces de
- íntimo
- para dentro
- Introduz
- IT
- Trabalho
- Empregos
- juntando
- jpg
- json
- Chave
- beijar
- L1
- l2
- O rótulo
- Rótulos
- grande
- mais tarde
- mais recente
- lançado
- aprendizagem
- mínimo
- Nível
- Line
- linhas
- Lista
- Escuta
- localização
- log
- olhar
- diminuir
- máquina
- aprendizado de máquina
- FAZ
- Gerente
- muitos
- marca
- Marketing
- Posso..
- Mídia
- migrado
- mínimo
- ML
- modelo
- moderada
- moderação
- modernizar
- modulares
- mais
- a maioria
- nome
- Navegação
- você merece...
- negativo
- negativos
- Novo
- não
- objeto
- obter
- of
- ofensivo
- on
- uma vez
- ONE
- Otimize
- Opções
- or
- ordem
- OS
- A Nossa
- Fora
- saída
- Acima de
- Visão geral
- página
- pão
- parâmetros
- peças
- Passagem
- apaixonado
- para
- comprimidos
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- Podcasts
- Privacidade
- positivo
- Publique
- poder
- previsto
- predição
- Previsões
- requisito prévio
- presente
- Diretor
- problemas
- processo
- Produto
- gerente de produto
- Produtos
- Programação
- proteger
- comprovado
- fornecer
- fornecido
- fornece
- rapidamente
- alcance
- em tempo real
- receber
- região
- depender
- reputação
- exige
- resposta
- resultar
- Resultados
- varejo
- retorno
- regras
- Execute
- seguro
- mesmo
- escalável
- cientistas
- Ponto
- pontuações
- SDK
- Segundo
- Seção
- Vejo
- selecionar
- selecionando
- senior
- serviço
- Serviços
- Sessão
- ela
- Shows
- semelhante
- simples
- simplesmente
- solução
- Soluções
- RESOLVER
- alguns
- especializando
- especificada
- gasto
- estatística
- Status
- Passos
- armazenamento
- armazenadas
- tal
- RESUMO
- mesa
- taxonomia
- Profissionais
- Tecnologia
- do que
- que
- A
- deles
- Eles
- então
- Este
- deles
- isto
- Através da
- tempo
- para
- Trem
- treinado
- Training
- verdadeiro
- tentar
- dois
- tipo
- tipos
- ugc
- único
- não desejado
- Atualizada
- Atualizações
- carregado
- Upload
- usar
- Utilizador
- utilização
- válido
- VALIDAR
- valor
- Verificação
- verificações
- verificar
- versão
- via
- Vídeo
- VÍDEOS
- Ver
- Violência
- visão
- Visite a
- voz
- Esperando
- queremos
- we
- web
- serviços web
- quando
- qual
- enquanto
- precisarão
- de
- Atividades:
- de gestão de documentos
- trabalho
- X
- anos
- Vocês
- investimentos
- zefirnet