Identificarea reperelor cu etichetele personalizate Amazon Rekognition

Amazon Rekognition este un serviciu de viziune computerizată care simplifică adăugarea de analize de imagini și video la aplicațiile dvs. folosind 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 în imagini și videoclipuri și puteți detecta 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 este o caracteristică a Amazon Rekognition care simplifică construirea propriilor capacități specializate de analiză a imaginilor bazate pe ML, pentru a detecta obiecte și scene unice care fac parte din cazul dvs. de utilizare specific.

Unele cazuri obișnuite de utilizare ale etichetelor personalizate Rekognition includ găsirea logo-ului în postările de pe rețelele sociale, identificarea produselor pe rafturile magazinelor, clasificarea pieselor mașinii într-o linie de asamblare, diferența dintre plantele sănătoase și cele infectate și multe altele.

Etichete de recunoaștere Amazon acceptă repere populare precum Podul Brooklyn, Colosseum, Turnul Eiffel, Machu Picchu, Taj Mahal, și altele. Dacă aveți alte repere sau clădiri care nu sunt încă acceptate de Amazon Rekognition, puteți utiliza în continuare etichete personalizate Amazon Rekognition.

În această postare, demonstrăm utilizarea etichetelor personalizate Rekognition pentru a detecta clădirea Amazon Spheres din Seattle.

Cu etichetele personalizate Rekognition, AWS se ocupă de sarcinile grele pentru dvs. Rekognition Custom Labels se bazează pe capacitățile existente ale Amazon Rekognition, care este deja antrenat pe zeci de milioane de imagini din mai multe categorii. În loc de mii de imagini, trebuie pur și simplu să încărcați un set mic de imagini de antrenament (de obicei câteva sute de imagini sau mai puțin) care sunt specifice cazului dvs. de utilizare prin intermediul consolei noastre simple. Amazon Rekognition poate începe antrenamentul în doar câteva clicuri. După ce Amazon Rekognition începe antrenamentul din setul dvs. de imagini, poate produce un model personalizat de analiză a imaginii pentru dvs. în câteva minute sau ore. În culise, Rekognition Custom Labels încarcă și inspectează automat datele de antrenament, selectează algoritmii ML adecvați, antrenează un model și oferă valori de performanță a modelului. Apoi, puteți utiliza modelul personalizat prin intermediul API-ului Rekognition Custom Labels și îl puteți integra în aplicațiile dvs.

Prezentare generală a soluțiilor

Pentru exemplul nostru, folosim Sfere Amazon clădire din Seattle. Antrenăm un model folosind etichete personalizate Rekognition; ori de câte ori sunt folosite imagini similare, algoritmul ar trebui să le identifice ca Amazon Spheres în loc de Dome, Architecture, Glass building, sau alte etichete.

Să arătăm mai întâi un exemplu de utilizare a funcției de detectare a etichetei Amazon Rekognition, în care alimentăm imaginea Amazon Spheres fără nicio pregătire personalizată. Folosim consola Amazon Rekognition pentru a deschide demonstrația de detectare a etichetei și pentru a ne încărca fotografia.

După ce imaginea este încărcată și analizată, vedem etichete cu scorurile lor de încredere sub REZULTATE. În acest caz, Dome a fost detectat cu un scor de încredere de 99.2%, Architecture cu 99.2%, Building cu 99.2%, Metropolis cu 79.4% și așa mai departe.

Dorim să folosim etichetarea personalizată pentru a produce un model de computer vision care poate eticheta imaginea Amazon Spheres.

În secțiunile următoare, vă prezentăm pregătirea setului de date, crearea unui proiect Rekognition Custom Labels, instruirea modelului, evaluarea rezultatelor și testarea acestuia cu imagini suplimentare.

Cerințe preliminare

Înainte de a începe cu pașii, există cotele pentru etichetele personalizate Rekognition de care trebuie să fii conștient. Dacă doriți să modificați limitele, puteți solicita a creșterea limitei de serviciu.

Creați-vă setul de date

Dacă este prima dată când utilizați etichete personalizate Rekognition, vi se va solicita să creați un Serviciul Amazon de stocare simplă (Amazon S3) pentru a stoca setul de date.

Pentru această demonstrație pe blog, am folosit imagini cu sferele Amazonului, pe care le-am capturat în timp ce am vizitat Seattle, WA. Simțiți-vă liber să utilizați propriile imagini conform nevoilor dvs.

Copiați setul de date în compartimentul nou creat, care stochează imaginile dvs. în prefixele lor respective.

Creați un proiect

Pentru a vă crea proiectul Rekognition Custom Labels, parcurgeți următorii pași:

1. Pe consola Rekognition Custom Labels, alegeți Creați un proiect.
2. Pentru Numele proiectului, introduceți un nume.
3. Alege Creați un proiect.
   
   Acum specificăm configurația și calea setului de date de antrenament și de testare.
4. Alege Creați set de date.
   

Puteți începe cu un proiect care are un singur set de date sau un proiect care are seturi de date separate de instruire și de testare. Dacă începeți cu un singur set de date, Rekognition Custom Labels împarte setul de date în timpul antrenamentului pentru a crea un set de date de antrenament (80%) și un set de date de testare (20%) pentru proiectul dvs.

În plus, puteți crea seturi de date de instruire și testare pentru un proiect importând imagini dintr-una dintre următoarele locații:

Pentru această postare, folosim propriul nostru set de date personalizate Amazon Spheres.

1. Selectați Începeți cu un singur set de date.
2. Selectați Importați imagini din cupa S3.
   
3. Pentru S3 URI, introduceți calea către bucket-ul dvs. S3.
4. Dacă doriți ca Rekognition Custom Labels să eticheteze automat imaginile pentru dvs. pe baza numelor folderelor din compartimentul dvs. S3, selectați Atribuiți automat etichete la nivel de imagine imaginilor pe baza numelui folderului.
   
5. Alege Creați set de date.

Se deschide o pagină care vă arată imaginile cu etichetele lor. Dacă vedeți erori în etichete, consultați Depanare seturi de date.

Antrenează modelul

După ce ați examinat setul de date, puteți acum antrena modelul.

1. Alege model de tren.
2. Pentru Alegeți proiectul, introduceți ARN-ul pentru proiectul dvs. dacă nu este deja listat.
3. Alege Model de tren.

În modele secțiunea din pagina proiectului, puteți verifica starea curentă în Starea modelului coloana, unde antrenamentul este în curs. Timpul de antrenament durează de obicei între 30 de minute și 24 de ore, în funcție de mai mulți factori, cum ar fi numărul de imagini și numărul de etichete din setul de antrenament și tipurile de algoritmi ML utilizați pentru a vă antrena modelul.

Când pregătirea modelului este finalizată, puteți vedea starea modelului ca TRAINING_COMPLETED. Dacă antrenamentul eșuează, consultați Depanarea unui model de antrenament eșuat.

Evaluați modelul

Deschideți pagina cu detaliile modelului. The Evaluare fila arată valori pentru fiecare etichetă și valoarea medie pentru întregul set de date de testare.

Consola Rekognition Custom Labels oferă următoarele valori ca rezumat al rezultatelor antrenamentului și ca valori pentru fiecare etichetă:

Puteți vizualiza rezultatele modelului dvs. antrenat pentru imagini individuale, așa cum se arată în următoarea captură de ecran.

Testați modelul

Acum că am vizualizat rezultatele evaluării, suntem gata să începem modelul și să analizăm noi imagini.

Puteți începe modelul pe Folosiți modelul din consola Rekognition Custom Labels sau utilizând StartProjectVersion operare prin intermediul Interfața liniei de comandă AWS (AWS CLI) sau Python SDK.

Când modelul rulează, putem analiza noile imagini folosind DetectCustomLabels API. Rezultatul din DetectCustomLabels este o predicție că imaginea conține obiecte, scene sau concepte specifice. Vezi următorul cod:

aws rekognition detect-custom-labels 
--project-version-arn  
--image '{"S3Object": {"Bucket":,"Name":}}' 
--region 

În rezultat, puteți vedea eticheta cu scorul său de încredere:

{
    "Custom Labels": [
        {
            "Name": "Amazon Spheres",
            "Confidence": 93.55500030517578
        }
    ]
}

După cum puteți vedea din rezultat, cu doar câteva clicuri simple, puteți utiliza etichetele personalizate Rekognition pentru a obține rezultate precise de etichetare. Puteți utiliza acest lucru pentru o multitudine de cazuri de utilizare a imaginilor, cum ar fi identificarea etichetării personalizate pentru produse alimentare, animale de companie, piese de mașini și multe altele.

A curăța

Pentru a curăța resursele pe care le-ați creat ca parte a acestei postări și pentru a evita eventualele costuri recurente, parcurgeți următorii pași:

1. Pe Folosiți modelul fila, opri modelul.
   Alternativ, puteți opri modelul folosind StopProjectVersion operațiune prin AWS CLI sau Python SDK. Așteptați până când modelul este în Stopped stare înainte de a continua cu pașii următori.
2. Ștergeți modelul.
3. Ștergeți proiectul.
4. Ștergeți setul de date.
5. Gol conținutul găleții S3 și șterge buchetul.

Concluzie

În această postare, am arătat cum să folosiți etichetele personalizate Rekognition pentru a detecta imaginile clădirii.

Puteți începe cu seturile de date de imagini personalizate și, cu câteva clicuri simple pe consola Rekognition Custom Labels, vă puteți antrena modelul și detecta obiectele din imagini. Etichetele personalizate Rekognition pot încărca și inspecta automat datele, pot selecta algoritmii ML potriviți, pot antrena un model și pot furniza valori de performanță a modelului. Puteți examina valorile detaliate de performanță, cum ar fi precizia, reamintirea, scorurile F1 și scorurile de încredere.

A venit ziua în care putem identifica acum clădiri populare precum Empire State Building din New York City, Taj Mahal din India și multe altele din întreaga lume preetichetate și gata de utilizare pentru informații în aplicațiile dvs. Dar dacă aveți alte repere care nu sunt încă acceptate de Amazon Rekognition Labels, nu căutați mai departe și încercați Amazon Rekognition Custom Labels.

Pentru mai multe informații despre utilizarea etichetelor personalizate, consultați Ce este etichetele personalizate Amazon Rekognition? De asemenea, vizitați-ne GitHub repo pentru un flux de lucru end-to-end de detectare a mărcii personalizate Amazon Rekognition.

Despre autori:

Suresh Patnam este principal BDM – GTM AI/ML Leader la AWS. El lucrează cu clienții pentru a construi o strategie IT, făcând transformarea digitală prin cloud mai accesibilă prin valorificarea datelor și AI/ML. În timpul său liber, lui Suresh îi place să joace tenis și să petreacă timpul cu familia sa.

Iepurașul Kaushik este arhitect de soluții la AWS. Este pasionat de construirea de soluții AI/ML pe AWS și de a ajuta clienții să inoveze pe platforma AWS. În afara serviciului, îi place drumețiile, alpinismul și înotul.