Amazon Rekognition este un serviciu de viziune computerizată care facilitează adăugarea de analize de imagini și video la aplicațiile dvs. utilizând o tehnologie de învățare profundă dovedită, extrem de scalabilă, care nu necesită experiență de învățare automată (ML). Cu Amazon Rekognition, puteți identifica obiecte, oameni, text, scene și activități din imagini și videoclipuri, precum și să detectați orice conținut neadecvat. Amazon Rekognition oferă, de asemenea, analiză facială extrem de precisă și capabilități de căutare facială pe care le puteți utiliza pentru a detecta, analiza și compara fețe pentru o mare varietate de cazuri de utilizare.
Etichete personalizate Amazon Rekognition vă permite să identificați obiectele și scenele din imagini care sunt specifice nevoilor dvs. de afaceri. De exemplu, vă puteți găsi logo-ul în postările de pe rețelele de socializare, vă puteți identifica produsele pe rafturile magazinelor, puteți clasifica piesele mașinii într-o linie de asamblare, puteți distinge plantele sănătoase și cele infectate și multe altele. Postarea pe blog Construiește-ți propria detectie a mărcii arată cum să utilizați etichetele personalizate Amazon Rekognition pentru a construi o soluție completă pentru a detecta siglele mărcii în imagini și videoclipuri.
Amazon Rekognition Custom Labels oferă o experiență simplă de la capăt la capăt în care începeți prin a eticheta un set de date, iar Amazon Rekognition Custom Labels creează un model personalizat ML pentru dvs., inspectând datele și selectând algoritmul ML potrivit. După ce modelul dvs. este antrenat, puteți începe să îl utilizați imediat pentru analiza imaginii. Dacă doriți să procesați imagini în loturi (cum ar fi o dată pe zi sau pe săptămână, sau la ore programate în timpul zilei), puteți furniza modelul personalizat la ore programate.
În această postare, vă arătăm cum puteți construi o soluție de lot optimă din punct de vedere al costurilor cu Amazon Rekognition Custom Labels, care furnizează modelul personalizat la ore programate, prelucrează toate imaginile și deprovisionează resursele pentru a evita costurile suplimentare.
Prezentare generală a soluției
Următoarea diagramă de arhitectură arată cum puteți proiecta un flux de lucru rentabil și foarte scalabil pentru a procesa imagini în loturi cu etichete personalizate Amazon Rekognition. Acesta profită de serviciile AWS, cum ar fi Amazon EventBridge, Funcții pas AWS, Serviciul de coadă simplă Amazon (Amazon SQS), AWS Lambdas, și Serviciul Amazon de stocare simplă (Amazon S3).
Această soluție folosește o arhitectură fără server și servicii gestionate, astfel încât se poate scala la cerere și nu necesită furnizarea și gestionarea niciunui server. Coada Amazon SQS mărește toleranța generală la erori a soluției prin decuplarea ingerării imaginilor de procesarea imaginii și permițând livrarea fiabilă a mesajelor pentru fiecare imagine ingerată. Step Functions facilitează crearea fluxurilor de lucru vizuale pentru a orchestra o serie de sarcini individuale, cum ar fi verificarea dacă o imagine este disponibilă pentru procesare și gestionarea ciclului de viață al proiectului Amazon Rekognition Custom Labels. Deși următoarea arhitectură arată cum puteți crea o soluție de procesare în lot pentru Amazon Rekognition Custom Labels folosind AWS Lambda, puteți construi o arhitectură similară folosind servicii precum AWS Fargate.
Următorii pași descriu fluxul general de lucru:
- Pe măsură ce o imagine este stocată în compartimentul Amazon S3, declanșează un mesaj care este stocat într-o coadă Amazon SQS.
- Amazon EventBridge este configurat să declanșeze un flux de lucru AWS Step Functions la o anumită frecvență (1 oră în mod implicit).
- Pe măsură ce fluxul de lucru rulează, acesta efectuează următoarele acțiuni:
- Verifică numărul de articole din coada Amazon SQS. Dacă nu există elemente de procesat în coadă, fluxul de lucru se încheie.
- Dacă există elemente de procesat în coadă, fluxul de lucru pornește modelul Amazon Rekognition Custom Labels.
- Fluxul de lucru permite integrarea Amazon SQS cu o funcție AWS Lambda pentru a procesa acele imagini.
- Pe măsură ce integrarea dintre coada Amazon SQS și AWS Lambda este activată, apar următoarele evenimente:
- AWS Lambda începe procesarea mesajelor cu detaliile imaginii de la Amazon SQS.
- Funcția AWS Lambda utilizează proiectul Amazon Rekognition Custom Labels pentru a procesa imaginile.
- Funcția AWS Lambda plasează apoi fișierul JSON care conține etichetele deduse în compartimentul final. De asemenea, imaginea este mutată din compartimentul sursă în compartimentul final.
- Când toate imaginile sunt procesate, fluxul de lucru AWS Step Functions face următoarele:
- Oprește modelul Amazon Rekognition Custom Labels.
- Dezactivează integrarea dintre coada Amazon SQS și funcția AWS Lambda prin dezactivarea declanșatorului.
Următoarea diagramă ilustrează mașina de stare AWS Step Functions pentru această soluție.
Cerințe preliminare
Pentru a implementa această soluție, aveți nevoie de următoarele cerințe preliminare:
- Un cont AWS cu permisiunea de a implementa soluția folosind Formarea AWS Cloud, care creează Gestionarea identității și accesului AWS (IAM) și alte resurse.
- Numele resurselor Amazon (ARN) al proiectului Amazon Rekognition Custom Labels (denumit ProiectArn) și Amazon Resource Name (ARN) al versiunii de model care a fost creată după antrenamentul modelului (referit ca ProjectVersionArn). Aceste valori sunt necesare pentru a verifica starea modelului și, de asemenea, pentru a analiza imaginile folosind modelul.
Pentru a afla cum să antrenezi un model, vezi Noțiuni introductive despre etichetele personalizate Amazon Rekognition.
Implementare
Pentru a implementa soluția folosind AWS CloudFormation în contul dvs. AWS, urmați pașii din GitHub repo. Acesta creează următoarele resurse:
- găleată Amazon S3
- Coada Amazon SQS
- Flux de lucru AWS Step Functions
- Reguli Amazon EventBridge pentru a declanșa fluxul de lucru
- Roluri IAM
- Funcții AWS Lambda
Puteți vedea numele diferitelor resurse create de soluție în secțiunea de ieșire a fișierului Stiva CloudFormation.
Testarea fluxului de lucru
Pentru a testa fluxul de lucru, parcurgeți următorii pași:
- Încărcați exemple de imagini în compartimentul S3 de intrare care a fost creat de soluție (de exemplu, xxxx-sources3bucket-xxxx).
- Pe consola Step Functions, alegeți mașina de stări creată de soluție (de exemplu, CustomCVStateMachine-xxxx).
Ar trebui să vedeți că mașina de stare este declanșată de regula Amazon EventBridge la fiecare oră.
- Puteți începe manual fluxul de lucru alegând Începeți execuția.
- Pe măsură ce imaginile sunt procesate, puteți accesa compartimentul S3 de ieșire (de exemplu, xxxx-finals3bucket-xxxx) pentru a vedea ieșirea JSON pentru fiecare imagine.
Următoarea captură de ecran arată conținutul găleții finale S3 cu imagini, împreună cu rezultatele lor JSON corespunzătoare de la Amazon Rekognition Custom Labels.
Concluzie
În această postare, am arătat cum puteți construi o soluție de lot optimă din punct de vedere al costurilor cu Amazon Rekognition Custom Labels, care vă poate furniza modelul personalizat la ore programate, vă poate procesa toate imaginile și vă poate anula resursele pentru a evita costurile suplimentare. În funcție de cazul dvs. de utilizare, puteți ajusta cu ușurință fereastra de timp programată la care soluția ar trebui să proceseze lotul. Pentru mai multe informații despre cum să creați, antrenați, evaluați și utilizați un model care detectează obiecte, scene și concepte în imagini, consultați începerea utilizării etichetelor personalizate Amazon Rekognition.
În timp ce soluția descrisă în această postare a arătat cum puteți procesa imagini de lot cu etichete personalizate Amazon Rekognition, puteți modifica cu ușurință soluția pentru a procesa imagini de lot cu Amazon Lookout pentru Vision pentru detectarea defectelor si anomaliilor. Cu Amazon Lookout for Vision, companiile producătoare pot crește calitatea și pot reduce costurile operaționale identificând rapid diferențele de imagini ale obiectelor la scară. De exemplu, Amazon Lookout for Vision poate fi folosit pentru a identifica componentele lipsă din produse, daune la vehicule sau structuri, nereguli în liniile de producție, defecte minuscule ale plăcilor de siliciu și alte probleme similare. Pentru a afla mai multe despre Amazon Lookout for Vision, consultați ghidul dezvoltatorului.
Despre Autori
Rahul Srivastava este arhitect senior de soluții la Amazon Web Services și are sediul în Regatul Unit. Are o vastă experiență în arhitectură, lucrând cu clienți mari întreprinderi. El ajută clienții noștri cu arhitectură, adoptarea cloud, dezvoltarea de produse cu un scop și să profite de AI/ML pentru a rezolva problemele de afaceri din lumea reală.
Kashif Imran este arhitect principal de soluții la Amazon Web Services. Lucrează cu unii dintre cei mai mari clienți AWS care profită de AI/ML pentru a rezolva probleme complexe de afaceri. El oferă îndrumări tehnice și consiliere de proiectare pentru implementarea aplicațiilor de viziune computerizată la scară. Experiența sa acoperă arhitectura de aplicații, serverless, containere, NoSQL și machine learning.
