Prepoznavanje znamenitosti z oznakami po meri Amazon Rekognition

Amazonsko ponovno vžiganje je storitev računalniškega vida, ki omogoča preprosto dodajanje analize slike in videa vašim aplikacijam z uporabo preverjene, zelo razširljive tehnologije globokega učenja, ki ne zahteva strokovnega znanja o strojnem učenju (ML). Z Amazon Rekognition lahko prepoznate predmete, ljudi, besedilo, prizore in dejavnosti na slikah in videoposnetkih ter zaznate neprimerno vsebino. Amazon Rekognition ponuja tudi zelo natančno analizo obraza in zmožnosti iskanja obraza, ki jih lahko uporabite za odkrivanje, analizo in primerjavo obrazov za najrazličnejše primere uporabe.

Oznake po meri za ponovno odstranjevanje Amazon je funkcija Amazon Rekognition, ki olajša izdelavo lastnih specializiranih zmogljivosti analize slik, ki temeljijo na ML, za odkrivanje edinstvenih predmetov in prizorov, ki so sestavni del vašega posebnega primera uporabe.

Nekateri pogosti primeri uporabe oznak po meri Rekognition vključujejo iskanje vašega logotipa v objavah v družabnih omrežjih, prepoznavanje vaših izdelkov na policah trgovin, razvrščanje delov strojev na tekočem traku, razlikovanje med zdravimi in okuženimi rastlinami in drugo.

Oznake Amazon Rekognition podpira priljubljene znamenitosti, kot so Brooklynski most, Kolosej, Eifflov stolp, Machu Picchu, Taj Mahal, in več. Če imate druge znamenitosti ali zgradbe, ki jih Amazon Rekognition še ne podpira, lahko še vedno uporabljate oznake po meri Amazon Rekognition.

V tej objavi prikazujemo uporabo oznak po meri Rekognition za odkrivanje zgradbe Amazon Spheres v Seattlu.

Z Rekognition Custom Labels AWS poskrbi za težka dela namesto vas. Rekognition Custom Labels nadgrajuje obstoječe zmogljivosti Amazon Rekognition, ki je že usposobljena na več deset milijonih slik v številnih kategorijah. Namesto na tisoče slik morate preprosto naložiti majhen nabor slik za usposabljanje (običajno nekaj sto slik ali manj), ki so specifične za vaš primer uporabe prek naše enostavne konzole. Amazon Rekognition lahko začne usposabljanje v le nekaj klikih. Ko Amazon Rekognition začne usposabljanje iz vašega nabora slik, vam lahko v nekaj minutah ali urah izdela model analize slike po meri. Rekognition Custom Labels v zakulisju samodejno naloži in pregleda podatke o usposabljanju, izbere ustrezne algoritme ML, usposobi model in zagotovi metrike uspešnosti modela. Nato lahko uporabite svoj model po meri prek Rekognition Custom Labels API in ga integrirate v svoje aplikacije.

Pregled rešitev

Za naš primer uporabljamo Amazonske krogle zgradba v Seattlu. Usposobimo model z uporabo Rekognition Custom Labels; kadar koli se uporabijo podobne slike, jih mora algoritem prepoznati kot Amazon Spheres Namesto Dome, Architecture, Glass building, ali druge oznake.

Najprej pokažimo primer uporabe funkcije zaznavanja oznak storitve Amazon Rekognition, kjer podajamo sliko Amazon Spheres brez kakršnega koli usposabljanja po meri. S konzolo Amazon Rekognition odpremo predstavitev zaznavanja nalepk in naložimo svojo fotografijo.

Ko je slika naložena in analizirana, pod njo vidimo oznake z njihovimi ocenami zaupanja Rezultati. V tem primeru, Dome je bilo odkrito z oceno zaupanja 99.2 %. Architecture z 99.2%, Building z 99.2%, Metropolis z 79.4 % in tako naprej.

Želimo uporabiti označevanje po meri za izdelavo modela računalniškega vida, ki lahko označi sliko Amazon Spheres.

V naslednjih razdelkih vas vodimo skozi pripravo nabora podatkov, ustvarjanje projekta Rekognition Custom Labels, usposabljanje modela, ocenjevanje rezultatov in njegovo testiranje z dodatnimi slikami.

Predpogoji

Preden začnete s koraki, obstajajo kvote za Rekognition Custom Labels, na katere morate biti pozorni. Če želite spremeniti omejitve, lahko zahtevate a povečanje omejitve storitve.

Ustvarite svoj nabor podatkov

Če prvič uporabljate Rekognition Custom Labels, boste pozvani, da ustvarite Preprosta storitev shranjevanja Amazon (Amazon S3) vedro za shranjevanje vašega nabora podatkov.

Za to predstavitev v spletnem dnevniku smo uporabili slike Amazonskih krogel, ki smo jih posneli, ko smo obiskali Seattle, WA. Uporabite svoje slike glede na svoje potrebe.

Kopirajte svoj nabor podatkov v novo ustvarjeno vedro, ki shrani vaše slike znotraj ustreznih predpon.

Ustvarite projekt

Če želite ustvariti svoj projekt Rekognition Custom Labels, dokončajte naslednje korake:

1. Na konzoli Rekognition Custom Labels izberite Ustvarite projekt.
2. za Ime Projekta, vnesite ime.
3. Izberite Ustvarite projekt.
   
   Zdaj določimo konfiguracijo in pot vašega nabora podatkov o usposabljanju in preizkusu.
4. Izberite Ustvari nabor podatkov.
   

Začnete lahko s projektom, ki ima en nabor podatkov, ali s projektom, ki ima ločena nabora podatkov za usposabljanje in preizkus. Če začnete z enim naborom podatkov, Rekognition Custom Labels razdeli vaš nabor podatkov med usposabljanjem, da ustvari nabor podatkov za usposabljanje (80 %) in preskusni nabor podatkov (20 %) za vaš projekt.

Poleg tega lahko ustvarite nabore podatkov za usposabljanje in preizkuse za projekt tako, da uvozite slike z ene od naslednjih lokacij:

Za to objavo uporabljamo lasten nabor podatkov po meri Amazon Spheres.

1. Izberite Začnite z enim naborom podatkov.
2. Izberite Uvozite slike iz vedra S3.
   
3. za S3 URI, vnesite pot do vašega vedra S3.
4. Če želite, da Rekognition Custom Labels samodejno označi slike namesto vas na podlagi imen map v vašem vedru S3, izberite Samodejno dodelite oznake na ravni slike slikam na podlagi imena mape.
   
5. Izberite Ustvari nabor podatkov.

Odpre se stran, ki prikazuje slike z njihovimi oznakami. Če opazite napake na oznakah, glejte Odpravljanje napak v naborih podatkov.

Trenirajte model

Ko ste pregledali svoj nabor podatkov, lahko zdaj usposobite model.

1. Izberite model vlaka.
2. za Izberite projekt, vnesite ARN za svoj projekt, če še ni naveden.
3. Izberite Model vlaka.

v Modeli na strani projekta, lahko preverite trenutno stanje v Status modela stolpec, kjer poteka usposabljanje. Čas usposabljanja običajno traja od 30 minut do 24 ur, odvisno od več dejavnikov, kot so število slik in število oznak v nizu za usposabljanje, ter vrste algoritmov ML, ki se uporabljajo za usposabljanje vašega modela.

Ko je usposabljanje modela končano, lahko vidite status modela kot TRAINING_COMPLETED. Če usposabljanje ne uspe, se obrnite na Odpravljanje napak pri neuspelem usposabljanju modela.

Ocenite model

Odprite stran s podrobnostmi o modelu. The Ocenjevanje zavihek prikazuje meritve za vsako oznako in povprečno meritev za celoten testni nabor podatkov.

Konzola Rekognition Custom Labels ponuja naslednje meritve kot povzetek rezultatov usposabljanja in kot meritve za vsako oznako:

Ogledate si lahko rezultate svojega usposobljenega modela za posamezne slike, kot je prikazano na naslednjem posnetku zaslona.

Preizkusite model

Zdaj, ko smo si ogledali rezultate ocenjevanja, smo pripravljeni na zagon modela in analizo novih slik.

Model lahko začnete na Uporabi model na konzoli Rekognition Custom Labels ali z uporabo StartProjectVersion delovanje prek Vmesnik ukazne vrstice AWS (AWS CLI) ali Python SDK.

Ko se model izvaja, lahko analiziramo nove slike z uporabo DetectCustomLabels API. Rezultat iz DetectCustomLabels je predvidevanje, da slika vsebuje določene predmete, prizore ali koncepte. Oglejte si naslednjo kodo:

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

V izhodu lahko vidite oznako z oceno zaupanja:

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

Kot lahko vidite iz rezultata, lahko samo z nekaj preprostimi kliki uporabite Rekognition Custom Labels za doseganje natančnih rezultatov označevanja. To lahko uporabite za številne primere uporabe slik, kot je prepoznavanje označevanja po meri za prehrambene izdelke, hišne ljubljenčke, strojne dele in drugo.

Čiščenje

Če želite počistiti vire, ki ste jih ustvarili v okviru te objave, in se izogniti morebitnim ponavljajočim se stroškom, izvedite naslednje korake:

1. o Uporabi model tab, ustavite model.
   Druga možnost je, da model ustavite z StopProjectVersion delovanje prek AWS CLI ali Python SDK. Počakajte, da je model v Stopped stanje, preden nadaljujete z naslednjimi koraki.
2. Izbriši model.
3. Izbrišite projekt.
4. Izbrišite nabor podatkov.
5. prazna vsebino vedra S3 in odstrani vedro.

zaključek

V tej objavi smo pokazali, kako uporabiti oznake po meri Rekognition za odkrivanje slik zgradb.

Začnete lahko s svojimi nabori slikovnih podatkov po meri in z nekaj preprostimi kliki na konzoli Rekognition Custom Labels lahko usposobite svoj model in zaznate predmete na slikah. Oznake po meri Rekognition lahko samodejno naložijo in pregledajo podatke, izberejo prave algoritme ML, učijo model in zagotovijo meritve učinkovitosti modela. Pregledate lahko podrobne meritve učinkovitosti, kot so natančnost, priklic, rezultati F1 in rezultati zaupanja.

Prišel je dan, ko lahko zdaj prepoznamo priljubljene zgradbe, kot je Empire State Building v New Yorku, Taj Mahal v Indiji in številne druge po vsem svetu, vnaprej označene in pripravljene za uporabo za obveščanje v vaših aplikacijah. Če pa imate druge mejnike, ki jih Amazon Rekognition Labels trenutno še ne podpira, ne iščite več in preizkusite Amazon Rekognition Custom Labels.

Če želite več informacij o uporabi oznak po meri, glejte Kaj so nalepke po meri Amazon Rekogservation? Obiščite tudi naše GitHub repo za potek dela od konca do konca zaznavanja blagovnih znamk po meri Amazon Rekognition.

O avtorjih:

Suresh Patnam je glavni vodja BDM – GTM AI/ML pri AWS. Sodeluje s strankami pri oblikovanju strategije IT, s čimer naredi digitalno transformacijo prek oblaka bolj dostopno z uporabo podatkov in umetne inteligence/ML. V prostem času Suresh rad igra tenis in preživlja čas s svojo družino.

Zajček Kaushik je arhitekt rešitev pri AWS. Navdušuje se nad gradnjo rešitev AI/ML na AWS in pomaga strankam pri inovacijah na platformi AWS. Izven službe se ukvarja s pohodništvom, plezanjem in plavanjem.