Amazonsko ponovno vžiganje ponuja vnaprej usposobljene in prilagodljive zmogljivosti računalniškega vida za pridobivanje informacij in vpogledov iz slik in videoposnetkov. Ena takih zmogljivosti je Oznake Amazon Rekognition, ki zaznava predmete, prizore, dejanja in koncepte v slikah. Stranke, kot so Synchronoss, Shutterstock, in Nomad Media uporabljata Amazon Rekognition Labels za samodejno dodajanje metapodatkov svoji knjižnici vsebine in omogočanje rezultatov iskanja na podlagi vsebine. TripleLift uporablja Amazon Rekognition Labels za določanje najboljših trenutkov za dinamično vstavljanje oglasov, ki dopolnjujejo izkušnjo gledanja za občinstvo. vidmob uporablja Amazon Rekognition Labels za pridobivanje metapodatkov iz oglasnih kreativ, da bi razumeli edinstveno vlogo kreativnega odločanja pri uspešnosti oglasov, tako da lahko tržniki ustvarijo oglase, ki vplivajo na ključne cilje, ki jih najbolj zanimajo. Poleg tega na tisoče drugih strank uporablja oznake Amazon Rekognition Label za podporo številnim drugim primerom uporabe, kot je razvrščanje fotografij poti ali pohodništva, zaznavanje ljudi ali vozil na posnetkih varnostnih kamer in razvrščanje slik osebnih dokumentov.
Amazon Rekognition Labels za slike zazna 600 novih oznak, vključno z znamenitostmi in dejavnostmi, ter izboljša natančnost za več kot 2,000 obstoječih oznak. Poleg tega Amazon Rekognition Labels zdaj podpira lastnosti slike za zaznavanje prevladujočih barv slike, njenega ospredja in ozadja ter zaznane predmete z omejevalnimi okvirji. Lastnosti slike merijo tudi svetlost, ostrino in kontrast slike. Nazadnje, Amazon Rekognition Labels zdaj organizira rezultate oznak z uporabo dveh dodatnih polj, aliases
in categories
in podpira filtriranje teh rezultatov. V naslednjih razdelkih z nekaj primeri podrobneje pregledamo nove zmožnosti in njihove prednosti.
Nove etikete
Amazon Rekognition Labels je dodal več kot 600 novih oznak in razširil seznam podprtih oznak. Sledi nekaj primerov novih oznak:
- Priljubljene znamenitosti – Brooklynski most, Kolosej, Eifflov stolp, Machu Picchu, Taj Mahal itd.
- Aktivnosti – Aplavz, kolesarjenje, praznovanje, skakanje, sprehajanje psa itd.
- Odkrivanje poškodb – Avtomobilske udrtine, avtomobilske praske, korozija, poškodbe doma, poškodbe strehe, poškodbe zaradi termitov itd.
- Besedilo in dokumenti – Palični grafikon, vstopni kupon, diagram poteka, zvezek, račun, potrdilo itd.
- Šport – Bejzbol, kij za kriket, umetnostno drsanje, ragbi, vaterpolo itd.
- Veliko več – Dirke s čolni, zabava, mestna pokrajina, vas, poročna ponudba, banket itd.
S temi oznakami lahko stranke v skupni rabi slik, fotografij ali televizijskih medijev samodejno dodajo nove metapodatke svoji knjižnici vsebine, da izboljšajo svoje zmožnosti iskanja.
Poglejmo primer zaznavanja oznak za Brooklynski most.
Naslednja tabela prikazuje oznake in ocene zaupanja, vrnjene v odgovoru API-ja.
Oznake | Rezultati zaupanja |
Brooklyn Bridge | 95.6 |
Bridge | 95.6 |
Mejnik | 95.6 |
Izboljšane oznake
Amazon Rekognition Labels je prav tako izboljšal natančnost za več kot 2,000 nalepk. Sledi nekaj primerov izboljšanih oznak:
- Aktivnosti – Potapljanje, vožnja, branje, sedenje, stanje itd.
- Oblačila in dodatki – Nahrbtnik, pas, bluza, pulover s kapuco, jakna, čevelj itd.
- Doma in v zaprtih prostorih – Bazen, lončnica, blazina, kamin, odeja itd.
- Tehnologija in računalništvo – Slušalke, mobilni telefon, tablični računalnik, branje, prenosni računalnik itd.
- Vozila in avtomobilizem – Tovornjak, kolo, pnevmatika, odbijač, avtomobilski sedež, avtomobilsko ogledalo itd.
- Besedilo in dokumenti – Potni list, vozniško dovoljenje, vizitka, dokument itd.
- Veliko več – Pes, Kenguru, Mestni trg, Festival, Smeh itd.
Lastnosti slike za zaznavanje prevladujočih barv in kakovost slike
Lastnosti slike so nova zmožnost Amazon Rekognition Labels za slike in jih je mogoče uporabljati s funkcijo zaznavanja oznak ali brez nje. Opomba: Lastnosti slike so cena posebej od Amazon Rekognition Labels in je na voljo samo s posodobljenimi SDK-ji.
Zaznavanje prevladujoče barve
Lastnosti slike identificirajo prevladujoče barve na sliki na podlagi odstotkov slikovnih pik. Te prevladujoče barve so preslikane na 140 CSS barvna paleta, RGB, šestnajstiška koda in 12 poenostavljenih barv (zelena, roza, črna, rdeča, rumena, cian, rjava, oranžna, bela, vijolična, modra, siva). API privzeto vrne do 10 prevladujočih barv, razen če določite število barv, ki jih želite vrniti. Največje število prevladujočih barv, ki jih API lahko vrne, je 12.
Ko se uporablja samostojno, Lastnosti slike zazna prevladujoče barve celotne slike ter njenega ospredja in ozadja. Ko se uporablja skupaj s funkcijami zaznavanja oznak, lastnosti slike identificirajo tudi prevladujoče barve zaznanih predmetov z omejevalnimi okvirji.
Stranke v skupni rabi slik ali stock fotografije lahko uporabijo zaznavanje prevladujočih barv za obogatitev metapodatkov svoje knjižnice slik za izboljšanje odkrivanja vsebine, kar njihovim končnim uporabnikom omogoča filtriranje po barvi ali iskanje predmetov s posebnimi barvami, kot sta »modri stol« ali »rdeči čevlji«. ” Poleg tega lahko stranke v oglaševanju določijo uspešnost oglasa na podlagi barv svojih kreativnih sredstev.
Kvaliteta slike
Poleg zaznavanja prevladujočih barv Lastnosti slike merijo tudi kakovost slike z rezultati svetlosti, ostrine in kontrasta. Vsak od teh rezultatov se giblje od 0–100. Na primer, zelo temna slika bo vrnila nizke vrednosti svetlosti, medtem ko bo močno osvetljena slika vrnila visoke vrednosti.
S temi rezultati lahko stranke v skupni rabi slik, oglaševanju ali e-trgovini izvajajo pregled kakovosti in filtrirajo slike z nizko svetlostjo in ostrino, da zmanjšajo napačne napovedi oznak.
Naslednja slika prikazuje primer z Eifflovim stolpom.
Naslednja tabela je primer podatkov o lastnostih slike, vrnjenih v odgovoru API-ja.
Naslednja slika je primer rdečega stola.
Sledi primer podatkov o lastnostih slike, vrnjenih v odgovoru API-ja.
Naslednja slika je primer psa z rumenim ozadjem.
Sledi primer podatkov o lastnostih slike, vrnjenih v odgovoru API-ja.
Novi vzdevki in polja kategorij
Amazon Rekognition Labels zdaj vrne dve novi polji, aliases
in categories
, v odgovoru API-ja. Vzdevki so druga imena za isto oznako, kategorije pa združujejo posamezne oznake na podlagi 40 skupnih tem, kot je npr. Food and Beverage
in Animals and Pets
. S posodobitvijo modela zaznavanja oznak vzdevki niso več vrnjeni na primarni seznam imen oznak. Namesto tega so v novem vrnjeni vzdevki aliases
polje v odgovoru API-ja. Opomba: vzdevki in kategorije so vrnjeni samo s posodobljenimi SDK-ji.
Stranke v skupni rabi fotografij, e-trgovini ali oglaševanju lahko uporabijo vzdevke in kategorije, da organizirajo svojo taksonomijo metapodatkov o vsebini, da dodatno izboljšajo iskanje in filtriranje vsebine:
- Primer vzdevkov - Ker
Car
inAutomobile
so vzdevki, lahko sliki dodate metapodatke zCar
inAutomobile
ob istem času - Primeri kategorij – S kategorijami lahko ustvarite filter kategorij ali prikažete vse slike, povezane z določeno kategorijo, kot npr
Food and Beverage
, ne da bi morali vsaki sliki izrecno dodati metapodatke zFood and Beverage
Naslednja slika prikazuje primer zaznavanja oznake z vzdevki in kategorijami za potapljača.
Naslednja tabela prikazuje oznake, ocene zaupanja, vzdevke in kategorije, vrnjene v odgovoru API-ja.
Oznake | Rezultati zaupanja | vzdevki | Kategorije |
Narava | 99.9 | - | Narava in na prostem |
Voda | 99.9 | - | Narava in na prostem |
Potapljanje | 99.9 | Aqua Scuba | Potovanja in pustolovščine |
oseba | 99.9 | Human | Opis osebe |
Dejavnosti v prostem času | 99.9 | Rekreacija | Potovanja in pustolovščine |
Šport | 99.9 | Šport | Šport |
Naslednja slika je primer kolesarja.
Naslednja tabela vsebuje oznake, ocene zaupanja, vzdevke in kategorije, vrnjene v odgovoru API-ja.
Oznake | Rezultati zaupanja | vzdevki | Kategorije |
Nebo | 99.9 | - | Narava in na prostem |
Na prostem | 99.9 | - | Narava in na prostem |
oseba | 98.3 | Human | Opis osebe |
Sončni zahod | 98.1 | Mrak, zora | Narava in na prostem |
Kolesa | 96.1 | Kolo | Hobiji in interesi |
Kolesarjenje | 85.1 | Kolesar, kolesar kolesar | Proces |
Vključitveni in izključitveni filtri
Amazon Rekognition Labels uvaja nove možnosti filtriranja vključitev in izključitev v vhodne parametre API-ja, da zoži določen seznam oznak, vrnjenih v odgovoru API-ja. Navedete lahko ekspliciten seznam oznak ali kategorij, ki jih želite vključiti ali izključiti. Opomba: Ti filtri so na voljo s posodobljenimi SDK-ji.
Stranke lahko uporabijo vključitvene in izključitvene filtre, da pridobijo določene oznake ali kategorije, ki jih zanimajo, ne da bi jim bilo treba ustvariti dodatno logiko v svoji aplikaciji. Uporabijo lahko na primer stranke v zavarovanju LabelCategoriesInclusionFilter
vključiti le rezultate oznak v Damage Detection
kategorija.
Naslednja koda je vzorčna zahteva API s filtri za vključitev in izključitev:
Sledijo primeri delovanja filtrov za vključitev in izključitev:
- Če želite samo zaznati
Person
inCar
in vas ne zanimajo druge oznake, lahko določite [“Person”,”Car”
] vLabelsInclusionFilter
. - Če želite zaznati vse oznake razen za
Clothing
, lahko določite [“Clothing”
] vLabelsExclusionFilter
. - Če želite zaznati samo oznake znotraj
Animal and Pets
kategorije razenDog
inCat
, lahko določite ["Animal and Pets"
] vLabelCategoriesInclusionFilter
, z ["Dog", "Cat"
] vLabelsExclusionFilter
. - Če je oznaka navedena v
LabelsInclusionFilter
orLabelsExclusionFilter
, bodo njihovi vzdevki ustrezno vključeni ali izključeni, keraliases
je podtaksonomija oznak. Na primer, kerAutomobile
je vzdevek zaCar
, če navedeteCar
inLabelsInclusionFilter
, bo API vrnilCar
etiketa zAutomobile
valiases
področju.
zaključek
Amazon Rekognition Labels zazna 600 novih nalepk in izboljša natančnost za več kot 2,000 obstoječih nalepk. Skupaj s temi posodobitvami Amazon Rekognition Labels zdaj podpira lastnosti slik, vzdevke in kategorije ter vključitve in filtre vključitev.
Če želite preizkusiti nov model zaznavanja nalepk z novimi funkcijami, se prijavite v svoj račun AWS in si oglejte Konzola Amazon Rekogservation za zaznavanje etiket in lastnosti slike. Če želite izvedeti več, obiščite Odkrivanje nalepk.
O avtorjih
Marija Handoko je višji produktni vodja pri AWS. Osredotoča se na pomoč strankam pri reševanju njihovih poslovnih izzivov s pomočjo strojnega učenja in računalniškega vida. V prostem času uživa v pohodništvu, poslušanju podcastov in raziskovanju različnih kuhinj.
Shipra Kanoria je glavni produktni vodja pri AWS. Strastno želi pomagati strankam rešiti njihove najbolj zapletene težave z močjo strojnega učenja in umetne inteligence. Preden se je pridružila AWS, je Shipra več kot 4 leta delala pri Amazon Alexa, kjer je na glasovnem pomočniku Alexa uvedla številne funkcije, povezane s produktivnostjo.
- AI
- ai art
- ai art generator
- imajo robota
- Amazonsko ponovno vžiganje
- Umetna inteligenca
- certificiranje umetne inteligence
- umetna inteligenca v bančništvu
- robot z umetno inteligenco
- roboti z umetno inteligenco
- programska oprema za umetno inteligenco
- Strojno učenje AWS
- blockchain
- blockchain konferenca ai
- coingenius
- pogovorna umetna inteligenca
- kripto konferenca ai
- dall's
- globoko učenje
- strojno učenje
- platon
- platon ai
- Platonova podatkovna inteligenca
- Igra Platon
- PlatoData
- platogaming
- lestvica ai
- sintaksa
- zefirnet