Etichete personalizate Amazon Rekognition este un serviciu de viziune computerizat complet gestionat care permite dezvoltatorilor să construiască modele personalizate pentru a clasifica și identifica obiecte în imagini care sunt specifice și unice pentru afacerea dvs.
Rekognition Custom Labels nu necesită să aveți experiență anterioară în viziunea computerizată. Puteți începe pur și simplu încărcând zeci de imagini în loc de mii. Dacă imaginile sunt deja etichetate, puteți începe antrenamentul unui model în doar câteva clicuri. Dacă nu, le puteți eticheta direct în consola Rekognition Custom Labels sau le puteți utiliza Amazon SageMaker Ground Adevăr pentru a le eticheta. Etichetele personalizate Rekognition utilizează transferul de învățare pentru a inspecta automat datele de antrenament, pentru a selecta cadrul de model și algoritmul potrivit, pentru a optimiza hiperparametrii și pentru a antrena modelul. Când sunteți mulțumit de acuratețea modelului, puteți începe să găzduiți modelul instruit cu un singur clic.
Cu toate acestea, dacă sunteți un utilizator de afaceri care dorește să rezolve o problemă de viziune computerizată, să vizualizați rezultatele de inferență ale modelului personalizat și să primiți notificări atunci când astfel de rezultate de inferență sunt disponibile, trebuie să vă bazați pe echipa dvs. de ingineri pentru a construi o astfel de aplicație. De exemplu, un manager de operațiuni agricole poate fi anunțat când se constată că o cultură are o boală, un vinificator poate fi anunțat când strugurii sunt copți pentru recoltare sau un director de magazin poate fi anunțat când este timpul să reaprovizioneze stocurile, cum ar fi băuturile răcoritoare. într-un frigider vertical.
În această postare, vă prezentăm procesul de construire a unei soluții care vă permite să vizualizați rezultatul inferenței și să trimiteți notificări utilizatorilor abonați atunci când anumite etichete sunt identificate în imaginile care sunt procesate folosind modele create de Rekognition Custom Labels.
Prezentare generală a soluțiilor
Următoarea diagramă ilustrează arhitectura soluției noastre.
Această soluție folosește următoarele servicii AWS pentru a implementa o arhitectură scalabilă și rentabilă:
- Amazon Atena – Un serviciu de interogare interactiv fără server, care facilitează analiza datelor în Amazon S3 utilizând SQL standard.
- AWS Lambdas – Un serviciu de calcul fără server care vă permite să rulați cod ca răspuns la declanșatoare, cum ar fi modificări ale datelor, schimbări ale stării sistemului sau acțiuni ale utilizatorului. Deoarece Amazon S3 poate declanșa direct o funcție Lambda, puteți construi o varietate de funcții în timp real serverless sisteme de prelucrare a datelor.
- Amazon QuickSight – Un serviciu de analiză de afaceri foarte rapid, ușor de utilizat, bazat pe cloud, care facilitează crearea de vizualizări, efectuarea de analize ad-hoc și obținerea rapidă a informațiilor despre afaceri din date.
- Etichete personalizate Amazon Rekognition – Vă permite să antrenați un model personalizat de viziune computerizată pentru a identifica obiectele și scenele din imagini care sunt specifice nevoilor dvs. de afaceri.
- Serviciul de notificare simplă Amazon – Amazon SNS este un serviciu de mesagerie complet gestionat atât pentru comunicarea de la aplicație la aplicație (A2A), cât și de la aplicație la persoană (A2P).
- Serviciul de coadă simplă Amazon – Amazon SQS este un serviciu de așteptare a mesajelor complet gestionat care vă permite să decuplați și să scalați microservicii, sistemele distribuite și aplicațiile fără server.
- Serviciul Amazon de stocare simplă – Amazon S3 servește ca un depozit de obiecte pentru documentele dvs. și permite gestionarea centrală cu controale de acces reglate fin.
Soluția utilizează un flux de lucru fără server care este declanșat atunci când o imagine este încărcată în compartimentul S3 de intrare. O coadă SQS primește o notificare de eveniment pentru crearea obiectului. Soluția creează și ea cozi cu scrisori moarte (DLQs) pentru a lăsa deoparte și a izola mesajele care nu pot fi procesate corect. O funcție Lambda se alimentează din coada SQS și face DetectLabels
Apel API pentru a detecta toate etichetele din imagine. Pentru a scala această soluție și a face din ea un design slab cuplat, funcția Lambda trimite rezultatele predicției către o altă coadă SQS. Această coadă SQS declanșează o altă funcție Lambda, care analizează toate etichetele găsite în predicții. Pe baza preferințelor utilizatorului (configurate în timpul implementării soluției), funcția publică un mesaj către un subiect SNS. Subiectul SNS este configurat pentru a livra notificări prin e-mail utilizatorului. Puteți configura funcția Lambda pentru a adăuga o adresă URL la mesajul trimis către Amazon SNS pentru a accesa imaginea (folosind un Amazon S3 URL semnat). În cele din urmă, funcția Lambda încarcă un rezultat al predicției și metadate de imagine într-o găleată S3. Puteți utiliza apoi Athena și QuickSight pentru a analiza și vizualiza rezultatele din găleata S3.
Cerințe preliminare
Trebuie să aveți un model instruit și să ruleze cu etichete personalizate Rekognition.
Rekognition Custom Labels vă permite să gestionați procesul de formare a modelului de învățare automată pe Amazon Rekognition consolă, care simplifică procesul de dezvoltare a modelului de la capăt la capăt. Pentru această postare, folosim un model de clasificare antrenat pentru a detecta boala frunzelor plantelor.
Implementați soluția
Desfășurați un Formarea AWS Cloud șablon pentru a furniza resursele necesare, inclusiv compartimente S3, cozi SQS, subiect SNS, funcții Lambda și Gestionarea identității și accesului AWS (IAM) roluri. Șablonul creează stiva în regiunea us-east-1, dar puteți utiliza șablonul pentru a vă crea stiva în orice regiune în care sunt disponibile serviciile AWS de mai sus.
- Lansați următorul șablon CloudFormation în Regiunea și contul AWS în care ați implementat modelul Rekognition Custom Labels:
- Pentru Numele stivei, introduceți un nume de stivă, cum ar fi
rekognition-customlabels-analytics-and-notification
. - Pentru CustomModelARN, introduceți ARN-ul modelului Amazon Rekognition Custom Labels pe care doriți să îl utilizați.
Modelul Rekognition Custom Labels trebuie implementat în același cont AWS.
- Pentru Notificare prin e-mail, introduceți o adresă de e-mail la care doriți să primiți notificări.
- Pentru InputBucketName, introduceți un nume unic pentru găleata S3 pe care o creează stiva; de exemplu,
plant-leaf-disease-data-input
.
Aici sunt stocate imaginile de frunze ale plantelor.
- Pentru Etichete de interes, puteți introduce până la 10 etichete diferite despre care doriți să fiți notificat, în format separate prin virgulă. Pentru exemplul nostru de boală a plantelor, introduceți
bacterial-leaf-blight,leaf-smut
. - Pentru Min Încredere, introduceți pragul minim de încredere pentru a primi notificarea. Etichetele detectate cu o încredere sub valoarea MinConfidence nu sunt returnate în răspuns și nu vor genera notificare.
- Pentru OutputBucketName, introduceți un nume unic pentru găleata S3 pe care o creează stiva; de exemplu,
plant-leaf-disease-data-output
.
Secțiunea de ieșire conține fișiere JSON cu metadate de imagine (etichete găsite și scor de încredere).
- Alege Pagina Următoare →.
- Pe Configurați opțiunile stivei pagina, setați orice parametri suplimentari pentru stivă, inclusiv etichete.
- Alege Pagina Următoare →.
- În Capacități și transformări secțiunea, bifați caseta de validare pentru a confirma faptul că AWS CloudFormation ar putea crea resurse IAM.
- Alege Creați stivă.
Pagina cu detaliile stivei ar trebui să arate starea stivei ca CREATE_IN_PROGRESS
. Poate dura până la 5 minute pentru ca starea să fie schimbată CREATE_COMPLETE
.
Amazon SNS va trimite un mesaj de confirmare a abonamentului la adresa de e-mail. Trebuie să confirmați abonamentul.
Testați soluția
Acum că am implementat resursele, suntem gata să testăm soluția. Asigură-te că porniți modelul.
- În consola Amazon S3, alegeți Cupă.
- Alegeți găleata S3 de intrare.
- Încărcați imagini de testare în găleată.
În producție, puteți configura procese automate pentru a livra imagini în această găleată.
Aceste imagini declanșează fluxul de lucru. Dacă încrederea etichetei depășește pragul specificat, primiți o notificare prin e-mail ca următoarea.
De asemenea, puteți configura subiectul SNS pentru a livra aceste notificări oricărei persoane destinații sprijinit de serviciu.
Analizați rezultatele predicției
După ce testați soluția, puteți extinde soluția pentru a crea o analiză vizuală pentru predicțiile imaginilor procesate. În acest scop, folosim Athena, un serviciu de interogare interactiv care facilitează analiza datelor direct din Amazon S3 folosind SQL standard și QuickSight pentru vizualizarea datelor.
Configurați Athena
Dacă nu sunteți familiarizat cu Amazon Athena, consultați acest tutorial. Pe consola Athena, creați un tabel în catalogul de date Athena cu următorul cod:
Populați Location
câmpul din interogarea anterioară cu numele compartimentului de ieșire, cum ar fi plant-leaf-disease-data-output
.
Acest cod îi spune Athenei cum să interpreteze fiecare rând de text din găleata S3.
Acum puteți interoga datele:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Configurați QuickSight
Pentru a configura QuickSight, parcurgeți următorii pași:
- Deschideți Consola QuickSight.
- Dacă nu sunteți înscris pentru QuickSight, vi se solicită opțiunea de a vă înscrie. Urmați pașii pentru înscrieți-vă pentru a utiliza QuickSight.
- După ce vă conectați la QuickSight, alegeți Gestionați QuickSight sub contul dvs.
- În panoul de navigare, alegeți Securitate și permisiuni.
- În Acces QuickSight la serviciile AWS, alege Adăugați sau eliminați.
Apare o pagină pentru activarea accesului QuickSight la serviciile AWS.
- Selectați Amazon Athena.
- În fereastra pop-up, alegeți Pagina Următoare →.
- În fila S3, selectați gălețile S3 necesare. Pentru această postare, selectez găleata care stochează rezultatele interogării mele Athena.
- Pentru fiecare găleată, selectați de asemenea Permisiune de scriere pentru Athena Workgroup.
- Alege finalizarea.
- Alege Actualizează.
- Pe consola QuickSight, alegeți Noua analiză.
- Alege Set de date nou.
- Pentru Datasets, alege Athena.
- Pentru Numele sursei de date, introduce
Athena-CustomLabels-analysis
. - Pentru Grupul de lucru Athena, alege primar.
- Alege Creați sursa de date.
- Pentru Baza de date, alege
default
din meniul derulant. - Pentru Mese, selectați tabelul
rekognition_customlabels_analytics
. - Alege Selectați.
- Alege imagina.
- Pe imagina pagina, sub Domenii lista, alege etichetă și selectați diagrama circulară din Tipuri vizuale.
Puteți adăuga mai multe vizualizări în tabloul de bord. Când analiza dvs. este gata, puteți alege Distribuie pentru a crea un tablou de bord și a-l partaja în cadrul organizației dvs.
Rezumat
În această postare, am arătat cum puteți crea o soluție pentru a primi notificări pentru anumite etichete (cum ar fi rănirea bacteriană a frunzelor sau stropirea frunzelor) găsite în imaginile procesate folosind etichetele personalizate Rekognition. În plus, am arătat cum puteți crea tablouri de bord pentru a vizualiza rezultatele folosind Athena și QuickSight.
Acum puteți partaja cu ușurință astfel de tablouri de bord de vizualizare cu utilizatorii de afaceri și le puteți permite să se aboneze la notificări în loc să fie nevoiți să vă bazați pe echipele dvs. de ingineri pentru a construi o astfel de aplicație.
Despre Autori
Jay Rao este arhitect principal de soluții la AWS. Îi place să ofere îndrumări tehnice și strategice clienților și să îi ajute să proiecteze și să implementeze soluții pe AWS.
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.
- 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/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- acces
- Cont
- acțiuni
- Ad
- plus
- Suplimentar
- adresa
- Algoritmul
- TOATE
- deja
- Amazon
- analiză
- Google Analytics
- O alta
- api
- aplicație
- aplicatii
- arhitectură
- Automata
- disponibil
- AWS
- frontieră
- Cutie
- construi
- Clădire
- afaceri
- apel
- Poate obține
- Schimbare
- Alege
- clasificare
- cod
- Comunicare
- Calcula
- încredere
- Consoleze
- conține
- cost-eficiente
- cuplat
- creează
- creaţie
- cultură
- personalizat
- clienţii care
- tablou de bord
- de date
- implementa
- dislocate
- desfășurarea
- Amenajări
- detectat
- Dezvoltatorii
- Dezvoltare
- diferit
- direct
- Boală
- distribuite
- documente
- Nu
- cu ușurință
- permițând
- Inginerie
- Intrați
- eveniment
- exemplu
- expertiză
- extinde
- familie
- FAST
- În cele din urmă
- urma
- următor
- format
- găsit
- Cadru
- funcţie
- genera
- având în
- Cum
- Cum Pentru a
- HTTPS
- identifica
- Identitate
- imagine
- punerea în aplicare a
- Inclusiv
- intrare
- perspective
- interactiv
- IT
- doar unul
- etichete
- învăţare
- Listă
- locaţie
- cautati
- maşină
- masina de învățare
- FACE
- gestionate
- administrare
- manager
- mesagerie
- minim
- model
- Modele
- mai mult
- Navigare
- notificare
- Operațiuni
- Opțiune
- organizație
- fotografie
- prezicere
- Predictii
- Principal
- Problemă
- proces
- procese
- Produs
- producere
- furnizarea
- scop
- repede
- în timp real
- a primi
- necesita
- Resurse
- răspuns
- REZULTATE
- Alerga
- funcţionare
- scalabil
- Scară
- scene
- serverless
- serviciu
- Servicii
- set
- Distribuie
- simplu
- soluţie
- soluţii
- REZOLVAREA
- Cheltuire
- stivui
- standard
- Începe
- început
- Stat
- Stare
- depozitare
- stoca
- magazine
- Strategic
- subscrie
- abonament
- Suportat
- sistem
- sisteme
- echipă
- Tehnic
- spune
- test
- mii
- Prin
- timp
- Pregătire
- transfer
- unic
- utilizare
- utilizatorii
- valoare
- varietate
- viziune
- vizualizare
- în
- Apartamente
- Grup de lucru