Reconhecimento da Amazônia é um serviço de visão computacional que facilita a adição de análise de imagem e vídeo aos seus aplicativos usando tecnologia de aprendizado profundo comprovada, altamente escalonável, que não requer nenhum conhecimento de aprendizado de máquina (ML) para ser usada. Com o Amazon Rekognition, você pode identificar objetos, pessoas, textos, cenas e atividades em imagens e vídeos, bem como detectar qualquer conteúdo impróprio. O Amazon Rekognition também oferece análises faciais altamente precisas e recursos de pesquisa facial que você pode usar para detectar, analisar e comparar rostos em uma ampla variedade de casos de uso.
Rótulos personalizados do Amazon Rekognition permite que você identifique os objetos e cenas em imagens que são específicas para suas necessidades de negócios. Por exemplo, você pode encontrar seu logotipo em postagens de mídia social, identificar seus produtos nas prateleiras das lojas, classificar peças de máquinas em uma linha de montagem, distinguir plantas saudáveis e infectadas e muito mais. A postagem do blog Construindo sua própria detecção de marca mostra como usar Amazon Rekognition Custom Labels para construir uma solução ponta a ponta para detectar logotipos de marcas em imagens e vídeos.
Amazon Rekognition Custom Labels oferece uma experiência simples de ponta a ponta, onde você começa rotulando um conjunto de dados, e Amazon Rekognition Custom Labels constrói um modelo de ML personalizado para você, inspecionando os dados e selecionando o algoritmo de ML correto. Depois que seu modelo for treinado, você pode começar a usá-lo imediatamente para análise de imagem. Se desejar processar imagens em lotes (como uma vez por dia ou semana, ou em horários programados durante o dia), você pode provisionar seu modelo personalizado em horários programados.
Nesta postagem, mostramos como você pode construir uma solução em lote de custo otimizado com Amazon Rekognition Custom Labels que provisiona seu modelo personalizado em horários programados, processa todas as suas imagens e desprovisiona seus recursos para evitar custos extras.
Visão geral da solução
O diagrama de arquitetura a seguir mostra como você pode criar um fluxo de trabalho econômico e altamente escalonável para processar imagens em lotes com Amazon Rekognition Custom Labels. Ele aproveita os serviços da AWS, como Amazon Event Bridge, Funções de etapa da AWS, Serviço de fila simples da Amazon (Amazônia SQS), AWS Lambda e Serviço de armazenamento simples da Amazon (Amazônia S3).
Esta solução usa uma arquitetura sem servidor e serviços gerenciados, de modo que pode escalar sob demanda e não requer provisionamento e gerenciamento de nenhum servidor. A fila do Amazon SQS aumenta a tolerância geral a falhas da solução, desacoplando a ingestão de imagens do processamento de imagens e permitindo a entrega confiável de mensagens para cada imagem ingerida. O Step Functions facilita a construção de fluxos de trabalho visuais para orquestrar uma série de tarefas individuais, como verificar se uma imagem está disponível para processamento e gerenciamento do ciclo de vida de estado do projeto Amazon Rekognition Custom Labels. Embora a arquitetura a seguir mostre como você pode construir uma solução de processamento em lote para Amazon Rekognition Custom Labels usando AWS Lambda, você pode construir uma arquitetura semelhante usando serviços como AWS Fargate.
As etapas a seguir descrevem o fluxo de trabalho geral:
- Conforme uma imagem é armazenada no bucket do Amazon S3, ela dispara uma mensagem que é armazenada em uma fila do Amazon SQS.
- O Amazon EventBridge é configurado para acionar um fluxo de trabalho AWS Step Functions em uma determinada frequência (1 hora por padrão).
- Conforme o fluxo de trabalho é executado, ele executa as seguintes ações:
- Ele verifica o número de itens na fila do Amazon SQS. Se não houver itens para processar na fila, o fluxo de trabalho termina.
- Se houver itens para processar na fila, o fluxo de trabalho inicia o modelo de rótulos personalizados do Amazon Rekognition.
- O fluxo de trabalho permite a integração do Amazon SQS com uma função AWS Lambda para processar essas imagens.
- Conforme a integração entre a fila Amazon SQS e AWS Lambda é habilitada, ocorrem os seguintes eventos:
- O AWS Lambda começa a processar mensagens com os detalhes da imagem do Amazon SQS.
- A função AWS Lambda usa o projeto Amazon Rekognition Custom Labels para processar as imagens.
- A função AWS Lambda então coloca o arquivo JSON contendo os rótulos inferidos no intervalo final. A imagem também é movida do intervalo de origem para o intervalo final.
- Quando todas as imagens são processadas, o fluxo de trabalho do AWS Step Functions faz o seguinte:
- Ele interrompe o modelo de rótulos personalizados do Amazon Rekognition.
- Ele desativa a integração entre a fila Amazon SQS e a função AWS Lambda, desativando o gatilho.
O diagrama a seguir ilustra a máquina de estado de funções de etapa da AWS para esta solução.
Pré-requisitos
Para implantar esta solução, você precisa dos seguintes pré-requisitos:
- Uma conta AWS com permissão para implantar a solução usando Formação da Nuvem AWS, o que cria Gerenciamento de acesso e identidade da AWS (IAM) funções e outros recursos.
- O Amazon Resource Name (ARN) do projeto Amazon Rekognition Custom Labels (referido como Projeto Arn) e o Amazon Resource Name (ARN) da versão do modelo que foi criada após o treinamento do modelo (referido como Versão do ProjetoArn) Esses valores são necessários para verificar o status do modelo e também para analisar imagens usando o modelo.
Para aprender a treinar um modelo, consulte Primeiros passos com rótulos personalizados Amazon Rekognition.
desenvolvimento
Para implantar a solução usando AWS CloudFormation em sua conta AWS, siga as etapas no GitHub repo. Ele cria os seguintes recursos:
- Bucket Amazon S3
- Fila Amazon SQS
- Fluxo de trabalho do AWS Step Functions
- Regras do Amazon EventBridge para acionar o fluxo de trabalho
- Papéis IAM
- Funções AWS Lambda
Você pode ver os nomes dos diferentes recursos criados pela solução na seção de saída do Pilha CloudFormation.
Testando o fluxo de trabalho
Para testar seu fluxo de trabalho, conclua as seguintes etapas:
- Faça upload de imagens de amostra para o intervalo S3 de entrada que foi criado pela solução (por exemplo, xxxx-sources3bucket-xxxx).
- No console Step Functions, escolha a máquina de estado criada pela solução (por exemplo, CustomCVStateMachine-xxxx).
Você deve ver que a máquina de estado é acionada pela regra Amazon EventBridge a cada hora.
- Você pode iniciar manualmente o fluxo de trabalho, escolhendo Comece a execução.
- Conforme as imagens são processadas, você pode ir para o intervalo S3 de saída (por exemplo, xxxx-finals3bucket-xxxx) para ver a saída JSON para cada imagem.
A captura de tela a seguir mostra o conteúdo do bucket S3 final com as imagens, junto com sua saída JSON correspondente do Amazon Rekognition Custom Labels.
Conclusão
Nesta postagem, mostramos como você pode construir uma solução em lote de custo otimizado com Amazon Rekognition Custom Labels que pode provisionar seu modelo personalizado em horários programados, processar todas as suas imagens e desprovisionar seus recursos para evitar custos extras. Dependendo do seu caso de uso, você pode ajustar facilmente a janela de tempo agendada em que a solução deve processar o lote. Para obter mais informações sobre como criar, treinar, avaliar e usar um modelo que detecta objetos, cenas e conceitos em imagens, consulte primeiros passos com etiquetas personalizadas do Amazon Rekognition.
Embora a solução descrita nesta postagem tenha mostrado como processar imagens em lote com Amazon Rekognition Custom Labels, você pode facilmente ajustar a solução para processar imagens em lote com Amazon Lookout para Visão para detecção de defeitos e anomalias. Com o Amazon Lookout for Vision, as empresas de manufatura podem aumentar a qualidade e reduzir os custos operacionais, identificando rapidamente as diferenças nas imagens de objetos em escala. Por exemplo, Amazon Lookout for Vision pode ser usado para identificar componentes ausentes em produtos, danos a veículos ou estruturas, irregularidades nas linhas de produção, defeitos minúsculos em pastilhas de silício e outros problemas semelhantes. Para saber mais sobre o Amazon Lookout for Vision, consulte o guia do desenvolvedor.
Sobre os autores
Rahul Srivastava é arquiteto de soluções sênior na Amazon Web Services e está baseado no Reino Unido. Ele tem ampla experiência em arquitetura trabalhando com grandes clientes corporativos. Ele está ajudando nossos clientes com arquitetura, adoção de nuvem, desenvolvimento de produtos com um propósito e tirar proveito de AI / ML para resolver problemas de negócios do mundo real.
Kashif Imran é arquiteto de soluções principais na Amazon Web Services. Ele trabalha com alguns dos maiores clientes da AWS que estão aproveitando a IA / ML para resolver problemas de negócios complexos. Ele fornece orientação técnica e consultoria de design para implementar aplicativos de visão computacional em escala. Sua experiência abrange arquitetura de aplicativos, sem servidor, contêineres, NoSQL e aprendizado de máquina.
