V zadnjem desetletju so bili primeri uporabe računalniškega vida vse večji trend, zlasti v panogah, kot so zavarovalništvo, avtomobilska industrija, e-trgovina, energetika, trgovina na drobno, proizvodnja in druge. Stranke gradijo modele strojnega učenja računalniškega vida (ML), da bi v svoje procese vnesle operativno učinkovitost in avtomatizacijo. Takšni modeli pomagajo avtomatizirati razvrščanje slik ali zaznavanje zanimivih predmetov na slikah, ki so specifične in edinstvene za vaše podjetje.
Da bi poenostavili postopek gradnje modela ML, smo uvedli Amazon SageMaker JumpStart decembra 2020. JumpStart vam pomaga hitro in preprosto začeti uporabljati ML. Zagotavlja uvajanje in natančno nastavitev široke palete vnaprej usposobljenih modelov z enim klikom ter izbor rešitev od konca do konca. To odstrani težko delo pri vsakem koraku procesa ML, kar olajša razvoj visokokakovostnih modelov in skrajša čas do uvajanja. Vendar pa od vas zahteva nekaj predznanja za pomoč pri izbiri modela iz kataloga z več kot 200 predhodno usposobljenimi modeli računalniškega vida. Nato morate primerjati zmogljivost modela z različnimi nastavitvami hiperparametrov in izbrati najboljši model za uvedbo v proizvodnji.
Da bi poenostavili to izkušnjo in omogočili razvijalcem z malo ali nič strokovnega znanja o ML, da zgradijo modele računalniškega vida po meri, izdajamo nov primer prenosnega računalnika znotraj JumpStarta, ki uporablja Oznake po meri za ponovno odstranjevanje Amazon, popolnoma upravljana storitev za izdelavo modelov računalniškega vida po meri. Rekognition Custom Labels temelji na predhodno usposobljenih modelih Amazonsko ponovno vžiganje, ki so že usposobljeni za več deset milijonov slik v številnih kategorijah. Namesto na tisoče slik lahko začnete z majhnim naborom slik za usposabljanje (nekaj sto ali manj), ki so specifične za vaš primer uporabe. Rekognition Custom Labels abstrahira kompleksnost, ki je vključena v izdelavo modela po meri. Samodejno pregleda podatke o usposabljanju, izbere prave algoritme ML, izbere vrsto instance, uri več kandidatnih modelov z različnimi hiperparametri in izpiše najbolje usposobljen model. Rekognition Custom Labels ponuja tudi vmesnik, ki je enostaven za uporabo Konzola za upravljanje AWS za celoten potek dela ML, vključno z označevanjem slik, usposabljanjem, uvajanjem modela in vizualizacijo rezultatov testa.
Ta primer prenosnega računalnika v JumpStart z uporabo oznak po meri Rekognition rešuje vsako nalogo ML računalniškega vida za razvrščanje slik ali zaznavanje predmetov, kar olajša strankam, ki poznajo Amazon SageMaker za izdelavo rešitve računalniškega vida, ki najbolje ustreza vašemu primeru uporabe, zahtevam in naboru spretnosti.
V tej objavi nudimo navodila po korakih za uporabo tega vzorčnega zvezka v JumpStartu. Beležnica prikazuje, kako enostavno uporabiti obstoječe API-je za usposabljanje in sklepanje Rekognition Custom Labels za ustvarjanje modela klasifikacije slike, modela klasifikacije z več oznakami in modela za zaznavanje objektov. Da bi vam olajšali začetek, smo za vsak model zagotovili primere naborov podatkov.
Usposobite in uvedite model računalniškega vida z uporabo oznak po meri Rekognition
V tem razdelku poiščemo želeni zvezek v JumpStartu in pokažemo, kako učiti in izvajati sklepanje na razporejeni končni točki.
Začnimo pri Amazon SageMaker Studio Izstrelitev.
- V zaganjalniku Studio izberite Pojdite na SageMaker JumpStart.
Ciljna stran JumpStart ima razdelke za vrtiljake za rešitve, besedilne modele in modele vida. Ima tudi iskalno vrstico. - V iskalno vrstico vnesite
Rekognition Custom Labels
In izberite Rekognition Custom Labels za Vision zvezek.
Beležnica se odpre v načinu samo za branje. - Izberite Uvozi zvezek da uvozite prenosni računalnik v svoje okolje.
Beležnica ponuja vodnik po korakih za usposabljanje in sklepanje o izvajanju z uporabo oznak po meri Rekognition iz konzole JumpStart. Zagotavlja naslednje štiri vzorčne nize podatkov za prikaz razvrščanja slik z eno in več oznakami ter zaznavanje predmetov.
-
- Razvrstitev slik z eno oznako – Ta nabor podatkov prikazuje, kako razvrstiti slike, ki pripadajo enemu od nabora vnaprej določenih oznak. Na primer, nepremičninska podjetja lahko uporabijo Rekognition Custom Labels za kategorizacijo svojih slik dnevnih sob, dvorišč, spalnic in drugih lokacij v gospodinjstvu. Sledi vzorčna slika iz tega nabora podatkov, ki je vključena kot del zvezka.
- Klasifikacija slik z več oznakami – Ta nabor podatkov prikazuje, kako razvrstiti slike v več kategorij, kot so barva, velikost, tekstura in vrsta rože. Pridelovalci rastlin lahko na primer uporabljajo oznake po meri Rekognition za razlikovanje med različnimi vrstami rož in ali so zdrave, poškodovane ali okužene. Naslednja slika je primer iz tega niza podatkov.
- Zaznavanje predmetov – Ta nabor podatkov prikazuje lokalizacijo predmeta za iskanje delov, ki se uporabljajo v proizvodnji ali proizvodnih linijah. Na primer, v elektronski industriji lahko Rekognition Custom Labels pomaga prešteti število kondenzatorjev na vezju. Naslednja slika je primer iz tega niza podatkov.
- Zaznavanje blagovnih znamk in logotipov – Ta niz podatkov prikazuje iskanje logotipov ali blagovnih znamk na sliki. Na primer, v medijski industriji lahko model zaznavanja predmetov pomaga prepoznati lokacijo logotipov sponzorjev na fotografijah. Sledi vzorčna slika iz tega nabora podatkov.
- Razvrstitev slik z eno oznako – Ta nabor podatkov prikazuje, kako razvrstiti slike, ki pripadajo enemu od nabora vnaprej določenih oznak. Na primer, nepremičninska podjetja lahko uporabijo Rekognition Custom Labels za kategorizacijo svojih slik dnevnih sob, dvorišč, spalnic in drugih lokacij v gospodinjstvu. Sledi vzorčna slika iz tega nabora podatkov, ki je vključena kot del zvezka.
- Sledite korakom v zvezku tako, da zaženete vsako celico.
Ta zvezek prikazuje, kako lahko z enim samim zvezkom obravnavate tako klasifikacijo slik kot primere uporabe zaznavanja predmetov prek API-jev Rekognition Custom label.
Ko nadaljujete z zvezkom, imate možnost izbrati enega od zgoraj omenjenih vzorčnih nizov podatkov. Svetujemo vam, da poskusite zagnati zvezek za vsak nabor podatkov.
zaključek
V tej objavi smo vam pokazali, kako uporabiti API-je Rekognition Custom Labels za izdelavo klasifikacije slik ali modela računalniškega vida za zaznavanje predmetov za razvrščanje in identifikacijo predmetov na slikah, ki so specifične za vaše poslovne potrebe. Če želite usposobiti model, lahko začnete tako, da namesto na tisoče zagotovite od deset do sto označenih slik. Rekognition Custom Labels poenostavlja usposabljanje modela s skrbjo za izbire parametrov, kot so tip stroja, tip algoritma ali hiperparametri, specifični za algoritem (vključno s številom plasti v omrežju, hitrostjo učenja in velikostjo serije). Rekognition Custom Labels prav tako poenostavlja gostovanje naučenega modela in zagotavlja preprosto operacijo za izvajanje sklepanja z naučenim modelom.
Rekognition Custom Labels ponuja izkušnjo konzole, ki je enostavna za uporabo, za proces usposabljanja, upravljanje modelov in vizualizacijo slik nabora podatkov. Priporočamo, da izveste več o Prepoznavanje nalepk po meri in ga preizkusite z nizi podatkov, specifičnimi za vaše podjetje.
Če želite začeti, se lahko pomaknete do vzorčnega zvezka Rekognition Custom Labels v SageMaker JumpStart.
O avtorjih
Pashmeen Mistry je višji produktni vodja za Amazon Rekognition Custom Labels. Zunaj dela Pashmeen uživa v pustolovskih pohodih, fotografiranju in preživljanju časa s svojo družino.
Abhišek Gupta je višji arhitekt rešitev za storitve umetne inteligence pri AWS. Strankam pomaga oblikovati in izvajati rešitve računalniškega vida.
- Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
- CryptoHawk. Altcoin radar. Brezplačen preizkus.
- Vir: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- povzetki
- čez
- Naslov
- AI
- Storitve AI
- algoritem
- algoritmi
- že
- Amazon
- API-ji
- avtomatizirati
- Avtomatizacija
- avtomobilska
- AWS
- merilo
- BEST
- svet
- blagovne znamke
- izgradnjo
- Building
- Gradi
- poslovni
- Lahko dobiš
- Kandidat
- ki
- primeri
- možnosti
- Izberite
- Razvrstitev
- Podjetja
- računalnik
- Konzole
- ustvarjajo
- po meri
- Stranke, ki so
- datum
- desetletje
- izkazati
- razporedi
- razporejeni
- uvajanja
- uvajanje
- Oblikovanje
- Odkrivanje
- Razvoj
- Razvijalci
- drugačen
- enostavno
- enostaven za uporabo
- elektronskem poslovanju
- Elektronika
- spodbujanje
- Končna točka
- energija
- Vnesite
- okolje
- zlasti
- nepremičnine
- Primer
- obstoječih
- izkušnje
- strokovno znanje
- družina
- po
- Pridelovanje
- vodi
- pomoč
- Pomaga
- visoka kvaliteta
- gostovanje
- gospodinjstvo
- Kako
- Kako
- Vendar
- HTTPS
- Stotine
- identificirati
- slika
- izvajati
- vključeno
- Vključno
- industrij
- Industrija
- zavarovanje
- obresti
- vmesnik
- vključeni
- IT
- znanje
- označevanje
- Oznake
- UČITE
- učenje
- dviganje
- malo
- živi
- kraj aktivnosti
- Lokacije
- logo
- stroj
- strojno učenje
- Izdelava
- upravlja
- upravljanje
- upravitelj
- proizvodnja
- mediji
- milijoni
- ML
- Model
- modeli
- več
- več
- potrebe
- mreža
- prenosnik
- Številka
- Odpre
- Delovanje
- Možnost
- Ostalo
- del
- performance
- izvajati
- fotografija
- Postopek
- Procesi
- Izdelek
- proizvodnja
- zagotavljajo
- zagotavlja
- zagotavljanje
- hitro
- nepremičnine
- zmanjšanje
- Zahteve
- zahteva
- Rezultati
- Trgovina na drobno
- Sobe
- Run
- tek
- Iskalnik
- Storitev
- Storitve
- nastavite
- Enostavno
- Velikosti
- majhna
- Rešitev
- rešitve
- Rešuje
- nekaj
- Poraba
- sponzor
- Začetek
- začel
- studio
- ob
- Test
- tisoče
- čas
- usposabljanje
- vlaki
- Vrste
- edinstven
- uporaba
- raznolikost
- Vizija
- vizualizacija
- v
- delo