Идентификация ориентиров с помощью пользовательских меток Amazon Rekognition

Апостол — это служба компьютерного зрения, которая упрощает добавление анализа изображений и видео в ваши приложения с помощью проверенной, масштабируемой технологии глубокого обучения, которая не требует знаний в области машинного обучения (ML). С помощью Amazon Rekognition вы можете идентифицировать объекты, людей, текст, сцены и действия на изображениях и видео, а также обнаруживать неприемлемый контент. Amazon Rekognition также предоставляет возможности высокоточного анализа лиц и поиска лиц, которые можно использовать для обнаружения, анализа и сравнения лиц в самых разных случаях использования.

Пользовательские ярлыки Amazon Rekognition — это функция Amazon Rekognition, упрощающая создание собственных специализированных возможностей анализа изображений на основе машинного обучения для обнаружения уникальных объектов и сцен, являющихся неотъемлемой частью вашего конкретного варианта использования.

Некоторые распространенные варианты использования пользовательских этикеток Rekognition включают поиск вашего логотипа в сообщениях в социальных сетях, идентификацию ваших продуктов на полках магазинов, классификацию деталей машин на сборочной линии, различение здоровых и зараженных растений и многое другое.

Этикетки признания Amazon поддерживает популярные достопримечательности, такие как Бруклинский мост, Колизей, Эйфелева башня, Мачу-Пикчу, Тадж-Махал, и более. Если у вас есть другие достопримечательности или здания, которые еще не поддерживаются Amazon Rekognition, вы все равно можете использовать пользовательские метки Amazon Rekognition.

В этом посте мы демонстрируем использование пользовательских меток Rekognition для обнаружения здания Amazon Spheres в Сиэтле.

С помощью пользовательских меток Rekognition AWS берет на себя всю тяжелую работу за вас. Rekognition Custom Labels развивает существующие возможности Amazon Rekognition, которые уже прошли обучение на десятках миллионов изображений во многих категориях. Вместо тысяч изображений вам просто нужно загрузить небольшой набор обучающих изображений (обычно несколько сотен изображений или меньше), которые соответствуют вашему варианту использования, через нашу простую консоль. Amazon Rekognition может начать обучение всего за несколько кликов. После того как Amazon Rekognition начнет обучение на вашем наборе изображений, он может создать для вас пользовательскую модель анализа изображений в течение нескольких минут или часов. Незаметно Rekognition Custom Labels автоматически загружает и проверяет обучающие данные, выбирает подходящие алгоритмы машинного обучения, обучает модель и предоставляет показатели производительности модели. Затем вы можете использовать свою пользовательскую модель через Rekognition Custom Labels API и интегрировать ее в свои приложения.

Обзор решения

Для нашего примера мы используем Сферы Амазонки здание в Сиэтле. Обучаем модель с помощью Rekognition Custom Labels; всякий раз, когда используются похожие изображения, алгоритм должен идентифицировать их как Amazon Spheres вместо Dome, Architecture, Glass buildingили другие ярлыки.

Давайте сначала покажем пример использования функции обнаружения меток Amazon Rekognition, где мы загружаем образ Amazon Spheres без специального обучения. Мы используем консоль Amazon Rekognition, чтобы открыть демонстрацию обнаружения меток и загрузить нашу фотографию.

После того, как изображение загружено и проанализировано, мы видим метки с их оценкой достоверности под Итоги, В этом случае, Dome был обнаружен с доверительной вероятностью 99.2%, Architecture с 99.2%, Building с 99.2%, Metropolis с 79.4% и так далее.

Мы хотим использовать пользовательскую маркировку для создания модели компьютерного зрения, которая может маркировать изображение. Amazon Spheres.

В следующих разделах мы познакомим вас с подготовкой набора данных, созданием проекта Rekognition Custom Labels, обучением модели, оценкой результатов и тестированием с дополнительными изображениями.

Предпосылки

Прежде чем приступить к шагам, квоты для пользовательских меток Rekognition, о которых вам нужно знать. Если вы хотите изменить ограничения, вы можете запросить увеличение лимита обслуживания.

Создайте свой набор данных

Если вы впервые используете пользовательские метки Rekognition, вам будет предложено создать Простой сервис хранения Amazon (Amazon S3) для хранения набора данных.

Для демонстрации в этом блоге мы использовали изображения Amazon Spheres, сделанные во время посещения Сиэтла, штат Вашингтон. Не стесняйтесь использовать свои собственные изображения в соответствии с вашими потребностями.

Скопируйте свой набор данных во вновь созданную корзину, в которой хранятся ваши изображения внутри соответствующих префиксов.

Создать проект

Чтобы создать проект Rekognition Custom Labels, выполните следующие шаги:

1. В консоли Rekognition Custom Labels выберите Создать проект.
2. Что касается Название проектавведите имя.
3. Выберите Создать проект.
   
   Теперь мы указываем конфигурацию и путь к вашему обучающему и тестовому набору данных.
4. Выберите Создать набор данных.
   

Вы можете начать с проекта с одним набором данных или с проекта с отдельными наборами обучающих и тестовых данных. Если вы начинаете с одного набора данных, Rekognition Custom Labels разделяет ваш набор данных во время обучения, чтобы создать обучающий набор данных (80%) и тестовый набор данных (20%) для вашего проекта.

Кроме того, вы можете создавать обучающие и тестовые наборы данных для проекта, импортируя изображения из одного из следующих мест:

Для этого поста мы используем собственный набор данных Amazon Spheres.

1. Выберите Начните с одного набора данных.
2. Выберите Импортировать изображения из корзины S3.
   
3. Что касается URI S3, введите путь к корзине S3.
4. Если вы хотите, чтобы Rekognition Custom Labels автоматически маркировал изображения для вас на основе имен папок в корзине S3, выберите Автоматически назначать изображениям метки на уровне изображения на основе имени папки..
   
5. Выберите Создать набор данных.

Откроется страница, на которой показаны изображения с их метками. Если вы видите какие-либо ошибки в этикетках, см. Отладка наборов данных.

Тренируй модель

После того, как вы просмотрели свой набор данных, вы можете обучить модель.

1. Выберите модель поезда.
2. Что касается Выбрать проект, введите ARN для вашего проекта, если он еще не указан.
3. Выберите Модель поезда.

В Модели раздел страницы проекта, вы можете проверить текущий статус в Статус модели колонка, где идет обучение. Время обучения обычно занимает от 30 минут до 24 часов, в зависимости от нескольких факторов, таких как количество изображений и количество меток в обучающем наборе, а также типы алгоритмов машинного обучения, используемых для обучения вашей модели.

Когда обучение модели завершено, вы можете увидеть статус модели как TRAINING_COMPLETED. Если тренировка не удалась, см. Отладка неудачного обучения модели.

Оцените модель

Откройте страницу сведений о модели. Оценка Вкладка показывает показатели для каждой метки и средний показатель для всего набора тестовых данных.

Консоль Rekognition Custom Labels предоставляет следующие метрики в виде сводки результатов обучения и метрик для каждой метки:

Вы можете просмотреть результаты вашей обученной модели для отдельных изображений, как показано на следующем снимке экрана.

Протестируйте модель

Теперь, когда мы просмотрели результаты оценки, мы готовы запустить модель и проанализировать новые изображения.

Вы можете запустить модель на Использовать модель вкладку на консоли Rekognition Custom Labels или с помощью СтартПрожектВерсион операции через Интерфейс командной строки AWS (интерфейс командной строки AWS) или Python SDK.

Когда модель запущена, мы можем анализировать новые изображения, используя Детектекустомлейблс API. Результат от DetectCustomLabels это предсказание того, что изображение содержит определенные объекты, сцены или концепции. См. следующий код:

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

В выводе вы можете увидеть метку с ее оценкой достоверности:

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

Как видно из результата, всего несколькими щелчками мыши вы можете использовать пользовательские метки Rekognition для достижения точных результатов маркировки. Вы можете использовать это для множества вариантов использования изображений, таких как идентификация пользовательских этикеток для пищевых продуктов, домашних животных, деталей машин и многого другого.

Убирать

Чтобы очистить ресурсы, созданные вами в рамках этой публикации, и избежать любых потенциальных периодических затрат, выполните следующие действия:

1. На Использовать модель вкладка, остановить модель.
   Кроме того, вы можете остановить модель, используя СтопПрожектВерсион через интерфейс командной строки AWS или Python SDK. Подождите, пока модель не появится в Stopped состояние, прежде чем переходить к следующим шагам.
2. Удалить модель.
3. Удалить проект.
4. Удалить набор данных.
5. пустой содержимое корзины S3 и удалять ведро.

Заключение

В этом посте мы показали, как использовать пользовательские метки Rekognition для обнаружения изображений зданий.

Вы можете начать работу со своими пользовательскими наборами данных изображений, и с помощью нескольких простых щелчков в консоли Rekognition Custom Labels вы сможете обучать свою модель и обнаруживать объекты на изображениях. Rekognition Custom Labels может автоматически загружать и проверять данные, выбирать правильные алгоритмы машинного обучения, обучать модель и предоставлять показатели производительности модели. Вы можете просмотреть подробные показатели производительности, такие как точность, полнота, оценки F1 и оценки достоверности.

Настал день, когда теперь мы можем идентифицировать популярные здания, такие как Эмпайр-стейт-билдинг в Нью-Йорке, Тадж-Махал в Индии и многие другие по всему миру, предварительно помеченные и готовые к использованию в ваших приложениях. Но если у вас есть другие ориентиры, которые в настоящее время еще не поддерживаются метками Amazon Rekognition, не смотрите дальше и попробуйте пользовательские метки Amazon Rekognition.

Для получения дополнительной информации об использовании специальных меток см. Что такое специальные метки Amazon Rekognition? Также посетите наш Репо GitHub для сквозного рабочего процесса обнаружения пользовательских брендов Amazon Rekognition.

Об авторах:

Суреш Патнам является главным BDM — лидером GTM AI/ML в AWS. Он работает с клиентами над созданием ИТ-стратегии, делая цифровую трансформацию через облако более доступной за счет использования данных и искусственного интеллекта/машинного обучения. В свободное время Суреш любит играть в теннис и проводить время со своей семьей.

Кролик Кошик является архитектором решений в AWS. Он увлечен созданием решений AI/ML на AWS и помогает клиентам внедрять инновации на платформе AWS. Вне работы он любит пешие прогулки, скалолазание и плавание.