În ultimul deceniu, cazurile de utilizare a vederii computerizate au fost o tendință în creștere, în special în industrii precum asigurări, auto, comerț electronic, energie, retail, producție și altele. Clienții construiesc modele de învățare automată (ML) cu viziune computerizată pentru a aduce eficiență operațională și automatizare proceselor lor. Astfel de modele ajută la automatizarea clasificării imaginilor sau la detectarea obiectelor de interes în imagini care sunt specifice și unice pentru afacerea dvs.
Pentru a simplifica procesul de construire a modelului ML, am introdus Amazon SageMaker JumpStart în decembrie 2020. JumpStart vă ajută să începeți rapid și ușor cu ML. Oferă implementarea cu un singur clic și reglarea fină a unei game largi de modele pre-instruite, precum și o selecție de soluții end-to-end. Acest lucru elimină sarcinile grele din fiecare pas al procesului ML, facilitând dezvoltarea modelelor de înaltă calitate și reducând timpul până la implementare. Cu toate acestea, este nevoie să aveți anumite cunoștințe anterioare pentru a ajuta la selectarea modelelor dintr-un catalog de peste 200 de modele de viziune computerizată pre-instruite. Apoi, trebuie să comparați performanța modelului cu diferite setări de hiperparametri și să selectați cel mai bun model pentru a fi implementat în producție.
Pentru a simplifica această experiență și a permite dezvoltatorilor cu puțină sau deloc expertiză în ML să construiască modele personalizate de viziune computerizată, lansăm un nou exemplu de notebook în JumpStart care utilizează Etichete personalizate Amazon Rekognition, un serviciu complet gestionat pentru a construi modele personalizate de viziune computerizată. Etichetele personalizate Rekognition se bazează pe modelele pre-antrenate în Amazon Rekognition, care sunt deja antrenate pe zeci de milioane de imagini din mai multe categorii. În loc de mii de imagini, puteți începe cu un set mic de imagini de antrenament (câteva sute sau mai puțin) care sunt specifice cazului dvs. de utilizare. Etichetele personalizate Rekognition elimina complexitatea implicată în construirea unui model personalizat. Acesta inspectează automat datele de antrenament, selectează algoritmii ML potriviți, selectează tipul de instanță, antrenează mai multe modele candidate cu hiperparametri diferiți și emite cel mai bine antrenat model. Etichetele personalizate Rekognition oferă, de asemenea, o interfață ușor de utilizat de la Consola de administrare AWS pentru întregul flux de lucru ML, inclusiv etichetarea imaginilor, instruirea, implementarea unui model și vizualizarea rezultatelor testului.
Acest exemplu de blocnotes din JumpStart folosind etichetele personalizate Rekognition rezolvă orice sarcină ML de clasificare a imaginilor sau de detectare a obiectelor cu viziune computerizată, făcându-le ușor pentru clienții familiarizați cu Amazon SageMaker pentru a construi o soluție de viziune computerizată care se potrivește cel mai bine cazului dvs. de utilizare, cerințelor și setului dvs. de abilități.
În această postare, oferim instrucțiuni pas cu pas pentru a utiliza acest exemplu de blocnotes în JumpStart. Notebook-ul demonstrează cum să utilizați cu ușurință etichetele personalizate Rekognition API-urile existente de instruire și inferență pentru a crea un model de clasificare a imaginilor, un model de clasificare cu mai multe etichete și un model de detectare a obiectelor. Pentru a vă facilita începerea, am oferit exemple de seturi de date pentru fiecare model.
Antrenați și implementați un model de viziune computerizată folosind etichetele personalizate Rekognition
În această secțiune, găsim blocnotesul dorit în JumpStart și demonstrăm cum să antrenăm și să rulăm inferența asupra punctului final implementat.
Să începem de la Amazon SageMaker Studio Lansator.
- Pe Studio Launcher, alegeți Accesați SageMaker JumpStart.
Pagina de destinație JumpStart are secțiuni pentru carusele pentru soluții, modele text și modele de viziune. Are și o bară de căutare. - În bara de căutare, introduceți
Rekognition Custom Labels
și alegeți Etichete personalizate Rekognition pentru Vision caiet.
Notebook-ul se deschide în modul numai citire. - Alege Import Notebook pentru a importa notebook-ul în mediul dumneavoastră.
Notebook-ul oferă un ghid pas cu pas pentru antrenament și rularea inferențelor folosind etichetele personalizate Rekognition din consola JumpStart. Oferă următoarele patru seturi de date eșantion pentru a demonstra clasificarea imaginilor cu o singură etichetă și mai multe etichete și detectarea obiectelor.
-
- Clasificarea imaginii cu o singură etichetă – Acest set de date demonstrează cum se clasifică imaginile ca aparținând uneia dintr-un set de etichete predefinite. De exemplu, companiile imobiliare pot folosi etichetele personalizate Rekognition pentru a-și clasifica imaginile din camere de zi, curți, dormitoare și alte locații ale gospodăriei. Următoarea este un exemplu de imagine din acest set de date, care este inclusă ca parte a notebook-ului.
- Clasificarea imaginilor cu mai multe etichete – Acest set de date demonstrează cum se clasifică imaginile în mai multe categorii, cum ar fi culoarea, dimensiunea, textura și tipul unei flori. De exemplu, cultivatorii de plante pot folosi etichetele personalizate Rekognition pentru a distinge între diferitele tipuri de flori și dacă sunt sănătoase, deteriorate sau infectate. Următoarea imagine este un exemplu din acest set de date.
- Detectarea obiectelor – Acest set de date demonstrează localizarea obiectelor pentru a localiza piesele utilizate în liniile de producție sau de producție. De exemplu, în industria electronică, etichetele personalizate Rekognition pot ajuta la numărarea numărului de condensatori de pe o placă de circuit. Următoarea imagine este un exemplu din acest set de date.
- Detectarea mărcii și a siglei – Acest set de date demonstrează localizarea logo-urilor sau a mărcilor într-o imagine. De exemplu, în industria media, un model de detectare a obiectelor poate ajuta la identificarea locației siglelor sponsorului în fotografii. Următoarea este un exemplu de imagine din acest set de date.
- Clasificarea imaginii cu o singură etichetă – Acest set de date demonstrează cum se clasifică imaginile ca aparținând uneia dintr-un set de etichete predefinite. De exemplu, companiile imobiliare pot folosi etichetele personalizate Rekognition pentru a-și clasifica imaginile din camere de zi, curți, dormitoare și alte locații ale gospodăriei. Următoarea este un exemplu de imagine din acest set de date, care este inclusă ca parte a notebook-ului.
- Urmați pașii din blocnotes rulând fiecare celulă.
Acest blocnotes demonstrează cum puteți utiliza un singur blocnotes pentru a aborda atât cazurile de utilizare pentru clasificarea imaginilor, cât și pentru detectarea obiectelor prin intermediul API-urilor de etichetă personalizate Rekognition.
Pe măsură ce continuați cu notebook-ul, aveți opțiunea de a selecta unul dintre seturile de date eșantion menționate mai sus. Vă încurajăm să încercați să rulați blocnotesul pentru fiecare dintre seturile de date.
Concluzie
În această postare, v-am arătat cum să utilizați API-urile Rekognition Custom Labels pentru a construi o clasificare a imaginilor sau un model de viziune computerizată de detectare a obiectelor pentru a clasifica și identifica obiectele în imagini care sunt specifice nevoilor dvs. de afaceri. Pentru a antrena un model, puteți începe oferind zeci până la sute de imagini etichetate în loc de mii. Etichetele personalizate Rekognition simplifică antrenamentul modelului, având grijă de alegerile parametrilor, cum ar fi tipul mașinii, tipul algoritmului sau hiperparametrii specifici algoritmului (inclusiv numărul de straturi din rețea, rata de învățare și dimensiunea lotului). Etichetele personalizate Rekognition simplifică, de asemenea, găzduirea unui model instruit și oferă o operațiune simplă pentru efectuarea de inferențe cu un model antrenat.
Etichetele personalizate Rekognition oferă o experiență de consolă ușor de utilizat pentru procesul de instruire, gestionarea modelelor și vizualizarea imaginilor setului de date. Vă încurajăm să aflați mai multe despre Recunoașterea etichetelor personalizate și încercați-l cu seturile dvs. de date specifice companiei.
Pentru a începe, puteți naviga la exemplul de blocnotes Rekognition Custom Labels în SageMaker JumpStart.
Despre Autori
Pashmeen Mistry este Senior Product Manager pentru Amazon Rekognition Custom Labels. În afara serviciului, lui Pashmeen îi plac drumețiile aventuroase, fotografierea și petrecerea timpului cu familia sa.
Abhishek Gupta este Senior AI Services Solution Architect la AWS. El îi ajută pe clienți să proiecteze și să implementeze soluții de viziune computerizată.
- Coinsmart. Cel mai bun schimb de Bitcoin și Crypto din Europa.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. ACCES LIBER.
- CryptoHawk. Radar Altcoin. Încercare gratuită.
- Sursa: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- rezumate
- peste
- adresa
- AI
- Servicii AI
- Algoritmul
- algoritmi
- deja
- Amazon
- API-uri
- automatizarea
- Automatizare
- auto
- AWS
- Benchmark
- CEL MAI BUN
- bord
- marci
- construi
- Clădire
- construiește
- afaceri
- Poate obține
- candidat
- pasă
- cazuri
- alegeri
- Alege
- clasificare
- Companii
- calculator
- Consoleze
- crea
- personalizat
- clienţii care
- de date
- deceniu
- demonstra
- implementa
- dislocate
- Implementarea
- desfășurarea
- Amenajări
- Detectare
- dezvolta
- Dezvoltatorii
- diferit
- cu ușurință
- ușor de folosit
- E-commerce
- Componente electronice
- încuraja
- Punct final
- energie
- Intrați
- Mediu inconjurator
- mai ales
- bunuri
- exemplu
- existent
- experienţă
- expertiză
- familie
- următor
- În creştere
- ghida
- ajutor
- ajută
- de înaltă calitate
- găzduire
- gospodărie
- Cum
- Cum Pentru a
- Totuși
- HTTPS
- sute
- identifica
- imagine
- punerea în aplicare a
- inclus
- Inclusiv
- industrii
- industrie
- asigurare
- interes
- interfaţă
- implicat
- IT
- cunoştinţe
- etichetarea
- etichete
- AFLAȚI
- învăţare
- ridicare
- mic
- viaţă
- locaţie
- Locații
- siglă
- maşină
- masina de învățare
- Efectuarea
- gestionate
- administrare
- manager
- de fabricaţie
- Mass-media
- milioane
- ML
- model
- Modele
- mai mult
- multiplu
- nevoilor
- reţea
- caiet
- număr
- deschide
- operaţie
- Opțiune
- Altele
- parte
- performanță
- efectuarea
- fotografie
- proces
- procese
- Produs
- producere
- furniza
- furnizează
- furnizarea
- repede
- Imobiliare
- reducerea
- Cerinţe
- Necesită
- REZULTATE
- cu amănuntul
- Camere
- Alerga
- funcţionare
- Caută
- serviciu
- Servicii
- set
- simplu
- Mărimea
- mic
- soluţie
- soluţii
- rezolvă
- unele
- Cheltuire
- patrona
- Începe
- început
- studio
- luare
- test
- mii
- timp
- Pregătire
- trenuri
- Tipuri
- unic
- utilizare
- varietate
- viziune
- vizualizare
- în
- Apartamente