В последнее десятилетие случаи использования компьютерного зрения стали растущей тенденцией, особенно в таких отраслях, как страхование, автомобилестроение, электронная коммерция, энергетика, розничная торговля, производство и другие. Клиенты создают модели машинного обучения компьютерного зрения (ML), чтобы повысить эффективность работы и автоматизировать свои процессы. Такие модели помогают автоматизировать классификацию изображений или обнаружение объектов интереса на изображениях, специфичных и уникальных для вашего бизнеса.
Чтобы упростить процесс построения модели ML, мы ввели Amazon SageMaker JumpStart в декабре 2020 г. JumpStart поможет вам быстро и легко начать работу с машинным обучением. Он обеспечивает развертывание и тонкую настройку большого количества предварительно обученных моделей одним щелчком мыши, а также выбор комплексных решений. Это избавляет от тяжелой работы на каждом этапе процесса машинного обучения, упрощая разработку высококачественных моделей и сокращая время развертывания. Однако для выбора модели из каталога из более чем 200 предварительно обученных моделей компьютерного зрения требуются определенные предварительные знания. Затем вам нужно сравнить производительность модели с различными настройками гиперпараметров и выбрать лучшую модель для развертывания в рабочей среде.
Чтобы упростить этот процесс и позволить разработчикам, практически не имеющим опыта машинного обучения, создавать собственные модели компьютерного зрения, мы выпускаем в JumpStart новый пример блокнота, который использует Пользовательские ярлыки Amazon Rekognition, полностью управляемый сервис для создания пользовательских моделей компьютерного зрения. Rekognition Custom Labels строится на основе предварительно обученных моделей в Апостол, которые уже обучены на десятках миллионов изображений во многих категориях. Вместо тысяч изображений вы можете начать с небольшого набора обучающих изображений (несколько сотен или меньше), которые соответствуют вашему варианту использования. Rekognition Custom Labels абстрагируется от сложностей, связанных с созданием пользовательской модели. Он автоматически проверяет обучающие данные, выбирает правильные алгоритмы машинного обучения, выбирает тип экземпляра, обучает несколько моделей-кандидатов с разными гиперпараметрами и выводит наилучшую обученную модель. Rekognition Custom Labels также предоставляет простой в использовании интерфейс из Консоль управления AWS для всего рабочего процесса машинного обучения, включая маркировку изображений, обучение, развертывание модели и визуализацию результатов тестирования.
Этот пример блокнота в JumpStart с использованием пользовательских меток Rekognition решает любую задачу компьютерного зрения по классификации изображений или обнаружению объектов, что упрощает работу для клиентов, знакомых с Создатель мудреца Амазонки для создания решения для компьютерного зрения, которое наилучшим образом соответствует вашему варианту использования, требованиям и набору навыков.
В этом посте мы даем пошаговые инструкции по использованию этого примера записной книжки в JumpStart. В записной книжке показано, как легко использовать существующие API обучения и вывода Rekognition Custom Labels для создания модели классификации изображений, модели классификации с несколькими метками и модели обнаружения объектов. Чтобы упростить вам начало работы, мы предоставили примеры наборов данных для каждой модели.
Обучение и развертывание модели компьютерного зрения с использованием пользовательских меток Rekognition.
В этом разделе мы найдем нужную записную книжку в JumpStart и продемонстрируем, как обучать и выполнять вывод на развернутой конечной точке.
Начнем с Студия Amazon SageMaker Launcher.
- В программе запуска Studio выберите Перейти к SageMaker JumpStart.
На целевой странице JumpStart есть разделы каруселей для решений, текстовых моделей и моделей видения. Он также имеет строку поиска. - В строке поиска введите
Rekognition Custom Labels
и выберите Пользовательские этикетки Rekognition для Vision Блокнот.
Записная книжка открывается в режиме только для чтения. - Выберите Импортировать Блокнот для импорта записной книжки в вашу среду.
Блокнот содержит пошаговое руководство по обучению и созданию логических выводов с помощью пользовательских меток Rekognition из консоли JumpStart. Он предоставляет следующие четыре примера наборов данных для демонстрации классификации изображений с одной и несколькими метками и обнаружения объектов.
-
- Классификация изображений с одной меткой – Этот набор данных демонстрирует, как классифицировать изображения как принадлежащие к одному из набора предопределенных меток. Например, компании, занимающиеся недвижимостью, могут использовать пользовательские метки Rekognition для категоризации своих изображений гостиных, задних дворов, спален и других жилых помещений. Ниже приведен образец изображения из этого набора данных, который включен в блокнот.
- Классификация изображений с несколькими метками - Этот набор данных демонстрирует, как классифицировать изображения по нескольким категориям, таким как цвет, размер, текстура и тип цветка. Например, растениеводы могут использовать пользовательские метки Rekognition, чтобы различать разные типы цветов и определять, являются ли они здоровыми, поврежденными или инфицированными. Следующее изображение является примером из этого набора данных.
- Обнаружение объекта – Этот набор данных демонстрирует локализацию объектов для поиска деталей, используемых в производстве или на производственных линиях. Например, в электронной промышленности Rekognition Custom Labels может помочь подсчитать количество конденсаторов на печатной плате. Следующее изображение является примером из этого набора данных.
- Распознавание бренда и логотипа – Этот набор данных демонстрирует поиск логотипов или брендов на изображении. Например, в медиаиндустрии модель обнаружения объектов может помочь определить расположение логотипов спонсоров на фотографиях. Ниже приведен пример изображения из этого набора данных.
- Классификация изображений с одной меткой – Этот набор данных демонстрирует, как классифицировать изображения как принадлежащие к одному из набора предопределенных меток. Например, компании, занимающиеся недвижимостью, могут использовать пользовательские метки Rekognition для категоризации своих изображений гостиных, задних дворов, спален и других жилых помещений. Ниже приведен образец изображения из этого набора данных, который включен в блокнот.
- Следуйте инструкциям в записной книжке, запустив каждую ячейку.
В этом блокноте показано, как можно использовать один блокнот для решения задач классификации изображений и обнаружения объектов с помощью API пользовательских меток Rekognition.
По мере работы с записной книжкой у вас есть возможность выбрать один из вышеупомянутых образцов наборов данных. Мы рекомендуем вам попробовать запустить записную книжку для каждого из наборов данных.
Заключение
В этом посте мы показали вам, как использовать API-интерфейсы Rekognition Custom Labels для создания классификации изображений или модели компьютерного зрения для обнаружения объектов, чтобы классифицировать и идентифицировать объекты на изображениях, которые соответствуют потребностям вашего бизнеса. Чтобы обучить модель, вы можете начать с предоставления от десятков до сотен помеченных изображений вместо тысяч. Rekognition Custom Labels упрощает обучение модели, заботясь о выборе параметров, таких как тип машины, тип алгоритма или гиперпараметры, специфичные для алгоритма (включая количество слоев в сети, скорость обучения и размер пакета). Пользовательские метки Rekognition также упрощают размещение обученной модели и предоставляют простую операцию для выполнения логических выводов с помощью обученной модели.
Rekognition Custom Labels предоставляет удобную консоль для процесса обучения, управления моделями и визуализации изображений наборов данных. Предлагаем вам узнать больше о Пользовательские этикетки Rekognition и попробуйте его с наборами данных для вашего бизнеса.
Для начала вы можете перейти к примеру блокнота Rekognition Custom Labels в SageMaker JumpStart.
Об авторах
Пашмин Мистри является старшим менеджером по продуктам для пользовательских этикеток Amazon Rekognition. Вне работы Пашмин любит авантюрные походы, фотографирует и проводит время со своей семьей.
Абхишек Гупта является старшим архитектором решений для сервисов искусственного интеллекта в AWS. Он помогает клиентам разрабатывать и внедрять решения для компьютерного зрения.
- Коинсмарт. Лучшая в Европе биржа биткойнов и криптовалют.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. БЕСПЛАТНЫЙ ДОСТУП.
- КриптоХок. Альткоин Радар. Бесплатная пробная версия.
- Источник: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- рефераты
- через
- адрес
- AI
- Услуги искусственного интеллекта
- алгоритм
- алгоритмы
- уже
- Amazon
- API
- автоматизировать
- автоматизация
- автомобильный
- AWS
- эталонный тест
- ЛУЧШЕЕ
- доска
- брендов
- строить
- Строительство
- строит
- бизнес
- Может получить
- кандидат
- заботится
- случаев
- выбор
- Выберите
- классификация
- Компании
- компьютер
- Консоли
- Создайте
- изготовленный на заказ
- Клиенты
- данным
- десятилетие
- демонстрировать
- развертывание
- развернуть
- развертывание
- развертывание
- Проект
- обнаружение
- развивать
- застройщиков
- различный
- легко
- Простой в использовании
- электронной коммерции
- Electronics
- поощрять
- Конечная точка
- энергетика
- Enter
- Окружающая среда
- особенно
- имущество
- пример
- существующий
- опыт
- опыта
- семья
- после
- Рост
- инструкция
- помощь
- помогает
- высококачественный
- хостинг
- домашнее хозяйство
- Как
- How To
- Однако
- HTTPS
- Сотни
- определения
- изображение
- осуществлять
- включены
- В том числе
- промышленности
- промышленность
- страхование
- интерес
- Интерфейс
- вовлеченный
- IT
- знания
- маркировка
- Этикетки
- УЧИТЬСЯ
- изучение
- Подтяжка лица
- мало
- жизнью
- расположение
- места
- логотип
- машина
- обучение с помощью машины
- Создание
- управляемого
- управление
- менеджер
- производство
- Медиа
- миллионы
- ML
- модель
- Модели
- БОЛЕЕ
- с разными
- потребности
- сеть
- ноутбук
- номер
- Откроется
- операция
- Опция
- Другое
- часть
- производительность
- выполнения
- фотография
- процесс
- Процессы
- Продукт
- Производство
- обеспечивать
- приводит
- обеспечение
- быстро
- недвижимость
- снижение
- Требования
- требуется
- Итоги
- розничный
- Комнаты
- Run
- Бег
- Поиск
- обслуживание
- Услуги
- набор
- просто
- Размер
- небольшой
- Решение
- Решения
- Решает
- некоторые
- Расходы
- спонсор
- Начало
- и политические лидеры
- студия
- с
- тестXNUMX
- тысячи
- время
- Обучение
- поезда
- Типы
- созданного
- использование
- разнообразие
- видение
- визуализация
- в
- Работа