Апостол упрощает добавление анализа изображений и видео в ваши приложения. Он основан на той же проверенной, высокомасштабируемой технологии глубокого обучения, разработанной учеными Amazon в области компьютерного зрения для ежедневного анализа миллиардов изображений и видео. Для его использования не требуются знания машинного обучения (ML), и мы постоянно добавляем в сервис новые функции компьютерного зрения. Amazon Rekognition включает простой и удобный API, который позволяет быстро анализировать любые изображения или видеофайлы, хранящиеся в Простой сервис хранения Amazon (Amazon S3).
Клиенты в таких отраслях, как рекламные и маркетинговые технологии, игры, средства массовой информации, розничная торговля и электронная коммерция, полагаются на изображения, загружаемые их конечными пользователями (пользовательский контент или пользовательский контент), как на важнейший компонент для повышения вовлеченности на их платформе. Они используют Модерация контента Amazon Rekognition выявлять неуместный, нежелательный и оскорбительный контент, чтобы защитить репутацию своего бренда и способствовать созданию безопасных сообществ пользователей.
В этом посте мы обсудим следующее:
- Модель модерации контента версии 7.0 и ее возможности
- Как Amazon Rekognition Bulk Analysis работает для модерации контента
- Как улучшить прогнозирование модерации контента с помощью массового анализа и выборочной модерации
Модель модерации контента версии 7.0 и ее возможности
В Amazon Rekognition Content Moderation версии 7.0 добавлено 26 новых меток модерации и расширена таксономия меток модерации с двухуровневой до трехуровневой категории меток. Эти новые ярлыки и расширенная таксономия позволяют клиентам определять детализированные концепции контента, который они хотят модерировать. Кроме того, обновленная модель предоставляет новую возможность идентифицировать два новых типа контента: анимированный и иллюстрированный. Это позволяет клиентам создавать детальные правила для включения или исключения таких типов контента из рабочего процесса модерации. Благодаря этим новым обновлениям клиенты могут более точно модерировать контент в соответствии со своей политикой в отношении контента.
Давайте рассмотрим пример обнаружения метки модерации для следующего изображения.
В следующей таблице показаны метки модерации, тип контента и оценки достоверности, возвращаемые в ответе API.
Ярлыки модерации | Уровень таксономии | Показатели достоверности |
Насилие | L1 | 92.6% |
Сцены насилия | L2 | 92.6% |
Взрывы и взрывы | L3 | 92.6% |
Типы контента | Показатели достоверности |
Иллюстрированный | 93.9% |
Чтобы получить полную таксономию для модерации контента версии 7.0, посетите наш руководство разработчика.
Массовый анализ для модерации контента
Amazon Rekognition Content Moderation также обеспечивает пакетную модерацию изображений в дополнение к модерации в реальном времени с использованием Массовый анализ Amazon Rekognition. Он позволяет асинхронно анализировать большие коллекции изображений для обнаружения нежелательного контента и получения информации о категориях модерации, назначенных изображениям. Это также устраняет необходимость в создании решения для пакетной модерации изображений для клиентов.
Доступ к функции массового анализа можно получить либо через консоль Amazon Rekognition, либо путем вызова API напрямую с помощью AWS CLI и AWS SDK. На консоли Amazon Rekognition вы можете загрузить изображения, которые хотите проанализировать, и получить результаты несколькими щелчками мыши. После завершения задания массового анализа вы сможете определить и просмотреть прогнозы меток модерации, такие как «Явная», «Неявная нагота интимных частей и поцелуи», «Насилие», «Наркотики и табак» и т. д. Вы также получаете оценку достоверности для каждой категории меток.
Создайте задание массового анализа в консоли Amazon Rekognition.
Выполните следующие шаги, чтобы попробовать массовый анализ Amazon Rekognition:
- На консоли Amazon Rekognition выберите Массовый анализ в навигационной панели.
- Выберите Начать массовый анализ.
- Введите имя задания и укажите изображения для анализа, указав местоположение корзины S3 или загрузив изображения со своего компьютера.
- По желанию вы можете выбрать адаптер анализировать изображения с помощью пользовательского адаптера, который вы обучили с помощью пользовательской модерации.
- Выберите Начать анализ для запуска работы.
Когда процесс завершится, вы сможете увидеть результаты в консоли Amazon Rekognition. Кроме того, копия результатов анализа в формате JSON будет храниться в выходном месте Amazon S3.
Запрос API массового анализа Amazon Rekognition
В этом разделе мы покажем вам, как создать задание массового анализа для модерации изображений с использованием программных интерфейсов. Если ваши файлы изображений еще не находятся в корзине S3, загрузите их, чтобы обеспечить доступ Amazon Rekognition. Аналогично созданию задания массового анализа в консоли Amazon Rekognition, при вызове СтартМедиаАнализЗадание API, вам необходимо указать следующие параметры:
- Конфигурация операций – Это параметры конфигурации для создаваемого задания анализа мультимедиа:
- Минимальная уверенность – Минимальный уровень достоверности в допустимом диапазоне 0–100 для возврата меток модерации. Amazon Rekognition не возвращает метки с уровнем достоверности ниже указанного значения.
- вход - Сюда входит следующее:
- S3Объект – Информация об объекте S3 для входного файла манифеста, включая сегмент и имя файла. Входной файл включает строки JSON для каждого изображения, хранящегося в корзине S3. например:
{"source-ref": "s3://MY-INPUT-BUCKET/1.jpg"}
- S3Объект – Информация об объекте S3 для входного файла манифеста, включая сегмент и имя файла. Входной файл включает строки JSON для каждого изображения, хранящегося в корзине S3. например:
- Выходная конфигурация - Сюда входит следующее:
- S3Ведро – Имя корзины S3 для выходных файлов.
- S3KeyПрефикс – Ключевой префикс для выходных файлов.
Смотрите следующий код:
Вы можете вызвать тот же анализ мультимедиа, используя следующую команду AWS CLI:
Результаты API массового анализа Amazon Rekognition
Чтобы получить список заданий массового анализа, вы можете использовать ListMediaAnalysisJobs
. Ответ включает в себя всю информацию о входных и выходных файлах задания анализа, а также о статусе задания:
Вы также можете вызвать list-media-analysis-jobs
команда через AWS CLI:
Amazon Rekognition Bulk Analysis создает два выходных файла в выходной корзине. Первый файл manifest-summary.json
, который включает статистику заданий массового анализа и список ошибок:
Второй файл results.json
, который включает одну строку JSON для каждого анализируемого изображения в следующем формате. Каждый результат включает в себя категория верхнего уровня (L1) обнаруженной метки и категории второго уровня метки (L2) с показателем достоверности от 1 до 100. Некоторые метки уровня таксономии 2 могут иметь метки уровня таксономии 3 (L3). Это позволяет иерархически классифицировать контент.
Вы можете использовать Пользовательские адаптеры модерации позже, чтобы проанализировать ваши изображения, просто выбрав пользовательский адаптер при создании нового задания массового анализа или через API, передав уникальный идентификатор адаптера пользовательского адаптера.
Обзор
В этом посте мы представили обзор модерации контента версии 7.0, массового анализа для модерации контента, а также того, как улучшить прогнозы модерации контента с помощью массового анализа и выборочной модерации. Чтобы опробовать новые метки модерации и массовый анализ, войдите в свою учетную запись AWS и откройте консоль Amazon Rekognition для Модерация изображений и Массовый анализ.
Об авторах
Мехди Хаги — старший архитектор решений в команде AWS WWCS, специализирующийся на искусственном интеллекте и машинном обучении на AWS. Он работает с корпоративными клиентами, помогая им мигрировать, модернизировать и оптимизировать рабочие нагрузки для облака AWS. В свободное время он любит готовить персидские блюда и мастерить электронику.
Шипра Канория является главным менеджером по продуктам в AWS. Она увлечена тем, что помогает клиентам решать их самые сложные проблемы с помощью машинного обучения и искусственного интеллекта. До прихода в AWS Шипра более 4 лет работала в Amazon Alexa, где запустила множество функций, связанных с продуктивностью, в голосовом помощнике Alexa.
Мария Хандоко является старшим менеджером по продуктам в AWS. Она фокусируется на том, чтобы помогать клиентам решать их бизнес-задачи с помощью машинного обучения и компьютерного зрения. В свободное время она любит ходить в походы, слушать подкасты и знакомиться с разными кухнями.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/improving-content-moderation-with-amazon-rekognition-bulk-analysis-and-custom-moderation/
- :является
- :нет
- :куда
- 1
- 10
- 100
- 11
- 12
- 14
- 20
- 22
- 24
- 26%
- 50
- 60
- 7
- 91
- a
- О нас
- доступ
- соответствие
- Учетная запись
- точность
- через
- Добавить
- добавить
- дополнение
- Дополнительно
- Добавляет
- Реклама
- AI
- Alexa
- Все
- позволяет
- уже
- причислены
- Amazon
- Апостол
- Amazon Web Services
- an
- анализ
- анализировать
- проанализированы
- и
- любой
- API
- API
- Приложения
- соответствующий
- МЫ
- искусственный
- искусственный интеллект
- AS
- назначенный
- помощник
- At
- AWS
- Использование темпера с изогнутым основанием
- основанный
- BE
- до
- ниже
- между
- миллиарды
- марка
- Ломать
- Строительство
- бизнес
- by
- вызова
- CAN
- возможности
- возможности
- категории
- Категории
- проблемы
- проверка
- Выберите
- классификация
- кли
- облако
- код
- Коллекции
- команду
- Сообщества
- полный
- зАВЕРШАЕТ
- комплекс
- компонент
- компоненты
- компьютер
- Компьютерное зрение
- понятия
- доверие
- Конфигурация
- Консоли
- содержание
- Типы контента
- беспрестанно
- копия
- исправить
- Создайте
- создали
- Создающий
- критической
- Текущий
- изготовленный на заказ
- Клиенты
- ежедневно
- Дата и время
- глубоко
- глубокое обучение
- подробнее
- обнаруживать
- обнаруженный
- обнаружение
- развитый
- различный
- непосредственно
- обсуждать
- приносит
- не
- управлять
- Наркотики
- e
- электронная коммерция
- каждый
- легко
- легко
- Простой в использовании
- или
- Electronics
- ликвидирует
- еще
- включить
- позволяет
- обязательство
- повышать
- обеспечивать
- входящий
- Предприятие
- ошибки
- оценивается
- пример
- без учета
- расширенный
- раскрываться
- опыта
- Исследование
- продлить
- Oшибка
- ложный
- Особенность
- Особенности
- несколько
- Файл
- Файлы
- Во-первых,
- фокусируется
- следовать
- после
- продукты
- Что касается
- формат
- Способствовать
- от
- полный
- Gain
- игровой
- генерирует
- получить
- зернистый
- инструкция
- Есть
- he
- помощь
- ее
- иерархическая
- высший
- очень
- его
- Как
- How To
- HTML
- HTTP
- HTTPS
- i
- ID
- определения
- if
- изображение
- изображений
- Импортировать
- улучшать
- улучшение
- in
- включает в себя
- В том числе
- промышленности
- информация
- вход
- размышления
- Интеллекта
- интерфейсы
- интимный
- в
- Представляет
- IT
- работа
- Джобс
- присоединение
- JPG
- JSON
- Основные
- Поцелуи
- L1
- l2
- этикетка
- Этикетки
- большой
- новее
- последний
- запустили
- изучение
- наименее
- уровень
- линия
- линий
- Список
- Listening
- расположение
- журнал
- посмотреть
- ниже
- машина
- обучение с помощью машины
- ДЕЛАЕТ
- менеджер
- многих
- отметка
- Маркетинг
- Май..
- Медиа
- мигрировать
- минимальный
- ML
- модель
- умеренному
- умеренность
- модернизировать
- модульный
- БОЛЕЕ
- самых
- имя
- Навигация
- Необходимость
- отрицательный
- негативах
- Новые
- нет
- объект
- получать
- of
- наступление
- on
- консолидировать
- ONE
- Оптимизировать
- Опции
- or
- заказ
- OS
- наши
- внешний
- выходной
- за
- обзор
- страница
- хлеб
- параметры
- части
- Прохождение
- страстный
- для
- таблетки
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- Подкасты
- политика
- положительный
- После
- мощностью
- предсказанный
- прогноз
- Predictions
- предпосылка
- представить
- Основной
- проблемам
- процесс
- Продукт
- Менеджер по продукции
- Продукция
- Программирование
- для защиты
- доказанный
- обеспечивать
- при условии
- приводит
- быстро
- ассортимент
- реального времени
- Получать
- область
- полагаться
- репутация
- требуется
- ответ
- результат
- Итоги
- розничный
- возвращают
- условиями,
- Run
- безопасный
- то же
- масштабируемые
- Ученые
- Гол
- множество
- SDKS
- Во-вторых
- Раздел
- посмотреть
- выберите
- выбор
- старший
- обслуживание
- Услуги
- Сессия
- она
- Шоу
- аналогичный
- просто
- просто
- Решение
- Решения
- РЕШАТЬ
- некоторые
- специализация
- указанный
- потраченный
- статистика
- Статус:
- Шаги
- диск
- хранить
- такие
- РЕЗЮМЕ
- ТАБЛИЦЫ
- систематики
- команда
- Технологии
- чем
- который
- Ассоциация
- их
- Их
- тогда
- Эти
- они
- этой
- Через
- время
- в
- Train
- специалистов
- Обучение
- правда
- стараться
- два
- напишите
- Типы
- UGC
- созданного
- нежелательный
- обновление
- Updates
- загружено
- Загрузка
- использование
- Информация о пользователе
- через
- действительный
- VALIDATE
- ценностное
- проверка
- проверки
- проверить
- версия
- с помощью
- Видео
- Видео
- Вид
- Насилие
- видение
- Войти
- Режимы
- Ожидание
- хотеть
- we
- Web
- веб-сервисы
- когда
- который
- в то время как
- будете
- Работа
- рабочий
- работает
- X
- лет
- Ты
- ВАШЕ
- зефирнет