Пользовательские ярлыки Amazon Rekognition — это полностью управляемая служба компьютерного зрения, которая позволяет разработчикам создавать пользовательские модели для классификации и идентификации объектов на изображениях, характерных и уникальных для вашего бизнеса.
Rekognition Custom Labels не требует от вас каких-либо предварительных знаний в области компьютерного зрения. Вы можете начать, просто загрузив десятки изображений вместо тысяч. Если изображения уже помечены, вы можете начать обучение модели всего за несколько кликов. Если нет, вы можете пометить их непосредственно в консоли Rekognition Custom Labels или использовать Amazon SageMaker - основа правды чтобы пометить их. Rekognition Custom Labels использует перенос обучения для автоматической проверки обучающих данных, выбора правильной структуры модели и алгоритма, оптимизации гиперпараметров и обучения модели. Когда вы удовлетворены точностью модели, вы можете начать размещение обученной модели одним щелчком мыши.
Однако если вы бизнес-пользователь, желающий решить проблему компьютерного зрения, визуализировать результаты вывода пользовательской модели и получать уведомления, когда такие результаты вывода станут доступны, вам придется положиться на свою команду инженеров для создания такого приложения. Например, менеджер сельскохозяйственных операций может быть уведомлен, когда обнаруживается заболевание урожая, винодел может быть уведомлен, когда виноград созрел для сбора урожая, или менеджер магазина может быть уведомлен, когда пришло время пополнить запасы, такие как безалкогольные напитки. в вертикальном холодильнике.
В этом посте мы покажем вам процесс создания решения, которое позволяет визуализировать результат вывода и отправлять уведомления подписанным пользователям, когда определенные метки идентифицируются на изображениях, которые обрабатываются с использованием моделей, созданных с помощью Rekognition Custom Labels.
Обзор решения
На следующей диаграмме показана архитектура нашего решения.
В этом решении используются следующие сервисы AWS для реализации масштабируемой и экономичной архитектуры:
- Амазонка Афина – Бессерверная интерактивная служба запросов, которая упрощает анализ данных в Amazon S3 с использованием стандартного SQL.
- AWS Lambda – Служба бессерверных вычислений, которая позволяет запускать код в ответ на такие триггеры, как изменения в данных, изменения в состоянии системы или действия пользователя. Поскольку Amazon S3 может напрямую запускать функцию Lambda, вы можете создавать различные бессерверной системы обработки данных.
- Amazon QuickSight – Очень быстрый, простой в использовании облачный сервис бизнес-аналитики, который позволяет легко создавать визуализации, выполнять специальный анализ и быстро получать бизнес-аналитику на основе данных.
- Пользовательские ярлыки Amazon Rekognition – Позволяет обучить пользовательскую модель компьютерного зрения идентифицировать объекты и сцены на изображениях, соответствующие потребностям вашего бизнеса.
- Amazon Простая служба уведомлений – Amazon SNS — это полностью управляемый сервис обмена сообщениями для связи как между приложениями (A2A), так и между приложениями (A2P).
- Простой сервис очередей Amazon – Amazon SQS — это полностью управляемый сервис очередей сообщений, который позволяет отделять и масштабировать микросервисы, распределенные системы и бессерверные приложения.
- Простой сервис хранения Amazon – Amazon S3 служит хранилищем объектов для ваших документов и обеспечивает централизованное управление с точно настроенным контролем доступа.
В решении используется бессерверный рабочий процесс, который запускается при загрузке изображения во входную корзину S3. Очередь SQS получает уведомление о событии создания объекта. Решение также создает очереди недоставленных сообщений (DLQ) чтобы отложить и изолировать сообщения, которые не могут быть правильно обработаны. Лямбда-функция получает информацию из очереди SQS и выполняет DetectLabels
Вызов API для обнаружения всех меток на изображении. Чтобы масштабировать это решение и сделать его слабосвязанным, функция Lambda отправляет результаты прогнозирования в другую очередь SQS. Эта очередь SQS запускает другую функцию Lambda, которая анализирует все метки, найденные в прогнозах. В зависимости от предпочтений пользователя (настроенных во время развертывания решения) функция публикует сообщение в теме SNS. Тема SNS настроена на доставку уведомлений по электронной почте пользователю. Вы можете настроить функцию Lambda, чтобы добавить URL-адрес к сообщению, отправленному в Amazon SNS, для доступа к изображению (с помощью Amazon S3). заранее заданный URL). Наконец, функция Lambda загружает результат прогноза и метаданные изображения в корзину S3. Затем вы можете использовать Athena и QuickSight для анализа и визуализации результатов из корзины S3.
Предпосылки
Вам необходимо обучить модель и запустить ее с помощью пользовательских меток Rekognition.
Пользовательские метки Rekognition позволяют управлять процессом обучения модели машинного обучения на Апостол консоль, которая упрощает сквозной процесс разработки модели. Для этого поста мы используем классификационная модель, обученная обнаруживать болезни листьев растений.
Разверните решение
Вы развертываете AWS CloudFormation шаблон для предоставления необходимых ресурсов, включая сегменты S3, очереди SQS, темы SNS, функции Lambda и Управление идентификацией и доступом AWS (IAM) роли. Шаблон создает стек региона us-east-1, но вы можете использовать шаблон для создания стека в любом регионе, где доступны вышеуказанные сервисы AWS.
- Запустите следующий шаблон CloudFormation в регионе и учетной записи AWS, где вы развернули модель пользовательских меток Rekognition:
- Что касается Название стека, введите имя стека, например
rekognition-customlabels-analytics-and-notification
. - Что касается ПользовательскаяМодельARN, введите ARN модели пользовательских меток Amazon Rekognition, которую вы хотите использовать.
Модель Rekognition Custom Labels необходимо развернуть в той же учетной записи AWS.
- Что касается Уведомление по электронной почте, введите адрес электронной почты, на который вы хотите получать уведомления.
- Что касается Инпутбакетнаме, введите уникальное имя корзины S3, которую создает стек; Например,
plant-leaf-disease-data-input
.
Здесь хранятся входящие изображения листьев растений.
- Что касается Ярлыки интереса, вы можете ввести до 10 различных ярлыков, о которых хотите получать уведомления, в формате, разделенном запятыми. Для нашего примера с заболеванием растений введите
bacterial-leaf-blight,leaf-smut
. - Что касается Минимальная уверенность, введите минимальный порог достоверности для получения уведомления. Метки, обнаруженные с достоверностью ниже значения MinConfidence, не возвращаются в ответе и не создают уведомления.
- Что касается имявыходного ведра, введите уникальное имя корзины S3, которую создает стек; Например,
plant-leaf-disease-data-output
.
Выходной сегмент содержит файлы JSON с метаданными изображения (найденные метки и показатель достоверности).
- Выберите Следующая.
- На Настроить параметры стека page, установите любые дополнительные параметры для стека, включая теги.
- Выберите Следующая.
- В Возможности и преобразования раздел, установите флажок, чтобы подтвердить, что AWS CloudFormation может создавать Ресурсы IAM.
- Выберите Создать стек.
Страница сведений о стеке должна отображать состояние стека как CREATE_IN_PROGRESS
, Изменение статуса до 5 минут CREATE_COMPLETE
.
Amazon SNS отправит сообщение с подтверждением подписки на адрес электронной почты. Вам нужно подтвердить подписку.
Проверить решение
Теперь, когда мы развернули ресурсы, мы готовы протестировать решение. Убедись, что ты запустить модель.
- На консоли Amazon S3 выберите Ведра.
- Выберите входной сегмент S3.
- Загрузите тестовые изображения в корзину.
В продакшене вы можете настроить автоматизированные процессы доставки изображений в эту корзину.
Эти изображения запускают рабочий процесс. Если достоверность метки превышает указанный порог, вы получаете уведомление по электронной почте, подобное следующему.
Вы также можете настроить тему SNS для доставки этих уведомлений на любой направления поддерживается сервисом.
Анализируйте результаты прогнозирования
После тестирования решения вы можете расширить его, чтобы создать визуальный анализ прогнозов обработанных изображений. Для этой цели мы используем Athena, интерактивный сервис запросов, который позволяет легко анализировать данные непосредственно из Amazon S3 с использованием стандартного SQL, и QuickSight для визуализации данных.
Настроить Афину
Если вы не знакомы с Amazon Athena, см. этот учебник. На консоли Athena создайте таблицу в каталоге данных Athena со следующим кодом:
Заполните Location
поле в предыдущем запросе с именем выходного сегмента, например plant-leaf-disease-data-output
.
Этот код сообщает Athena, как интерпретировать каждую строку текста в корзине S3.
Теперь вы можете запросить данные:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Настройка QuickSight
Чтобы настроить QuickSight, выполните следующие действия:
- Откройте приложение Консоль QuickSight.
- Если вы не зарегистрированы в QuickSight, вам будет предложено зарегистрироваться. Следуйте инструкциям, чтобы зарегистрируйтесь, чтобы использовать QuickSight.
- После входа в QuickSight выберите Управление QuickSight под своей учетной записью.
- На панели навигации выберите Безопасность и разрешения.
- Под Доступ QuickSight к сервисам AWS, выберите Добавить или удалить.
Появится страница для включения доступа QuickSight к сервисам AWS.
- Выберите Amazon Афина.
- Во всплывающем окне выберите Следующая.
- На вкладке S3 выберите необходимые сегменты S3. Для этого поста я выбираю корзину, в которой хранятся результаты моих запросов Athena.
- Для каждого сегмента также выберите Разрешение на запись для рабочей группы Athena.
- Выберите Завершить.
- Выберите Обновление ПО.
- На консоли QuickSight выберите Новый анализ.
- Выберите Новый набор данных.
- Что касается Datasets, выберите Афина.
- Что касается Имя источника данных, войти
Athena-CustomLabels-analysis
. - Что касается Афина рабочая группа, выберите первичный.
- Выберите Создать источник данных.
- Что касается База данных, выберите
default
в раскрывающемся меню. - Что касается таблицы, выберите таблицу
rekognition_customlabels_analytics
. - Выберите Выбрать.
- Выберите Визуализируйте.
- На Визуализируйте страницу под Поля список, выберите этикетка и выберите круговую диаграмму из Визуальные типы.
Вы можете добавить больше визуализаций в панель управления. Когда ваш анализ будет готов, вы можете выбрать Поделиться чтобы создать панель мониторинга и поделиться ею в своей организации.
Обзор
В этом посте мы показали, как можно создать решение для получения уведомлений об определенных метках (таких как бактериальная пятнистость листьев или головня листьев), обнаруженных в обработанных изображениях с помощью пользовательских меток Rekognition. Кроме того, мы показали, как можно создавать информационные панели для визуализации результатов с помощью Athena и QuickSight.
Теперь вы можете легко поделиться такими панелями визуализации с бизнес-пользователями и позволить им подписаться на уведомления вместо того, чтобы полагаться на свою команду инженеров для создания такого приложения.
Об авторах
Джей Рао является главным архитектором решений в AWS. Ему нравится предоставлять технические и стратегические рекомендации клиентам и помогать им разрабатывать и внедрять решения на AWS.
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.
- 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/receive-notifications-for-image-anaанализ-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- доступ
- Учетная запись
- действия
- Ad
- дополнение
- дополнительный
- адрес
- алгоритм
- Все
- уже
- Amazon
- анализ
- аналитика
- Другой
- API
- Применение
- Приложения
- архитектура
- Автоматизированный
- доступен
- AWS
- граница
- Коробка
- строить
- Строительство
- бизнес
- призывают
- Может получить
- изменение
- Выберите
- классификация
- код
- Связь
- Вычисление
- доверие
- Консоли
- содержит
- рентабельным
- соединенный
- создает
- создание
- урожай
- изготовленный на заказ
- Клиенты
- приборная панель
- данным
- развертывание
- развернуть
- развертывание
- Проект
- обнаруженный
- застройщиков
- Развитие
- различный
- непосредственно
- Болезнь
- распределенный
- Документация
- не
- легко
- позволяет
- Проект и
- Enter
- События
- пример
- опыта
- продлить
- семья
- БЫСТРО
- в заключение
- следовать
- после
- формат
- найденный
- Рамки
- функция
- порождать
- имеющий
- Как
- How To
- HTTPS
- определения
- Личность
- изображение
- осуществлять
- В том числе
- вход
- размышления
- интерактивный
- IT
- только один
- Этикетки
- изучение
- Список
- расположение
- искать
- машина
- обучение с помощью машины
- ДЕЛАЕТ
- управляемого
- управление
- менеджер
- обмен сообщениями
- минимальный
- модель
- Модели
- БОЛЕЕ
- Навигация
- уведомление
- Операционный отдел
- Опция
- организация
- фотография
- прогноз
- Predictions
- Основной
- Проблема
- процесс
- Процессы
- Продукт
- Производство
- обеспечение
- цель
- быстро
- реального времени
- Получать
- требовать
- Полезные ресурсы
- ответ
- Итоги
- Run
- Бег
- масштабируемые
- Шкала
- Сцены
- Serverless
- обслуживание
- Услуги
- набор
- Поделиться
- просто
- Решение
- Решения
- РЕШАТЬ
- Расходы
- стек
- стандарт
- Начало
- и политические лидеры
- Область
- Статус:
- диск
- магазин
- магазины
- Стратегический
- подписаться
- подписка
- Поддержанный
- система
- системы
- команда
- Технический
- говорит
- тестXNUMX
- тысячи
- Через
- время
- Обучение
- перевод
- созданного
- использование
- пользователей
- ценностное
- разнообразие
- видение
- визуализация
- в
- Работа
- Рабочая группа