Under det senaste decenniet har användningsfall för datorseende varit en växande trend, särskilt inom branscher som försäkring, fordon, e-handel, energi, detaljhandel, tillverkning och andra. Kunder bygger datorseende maskininlärning (ML)-modeller för att ge operativ effektivitet och automatisering till sina processer. Sådana modeller hjälper till att automatisera klassificeringen av bilder eller detektering av objekt av intresse i bilder som är specifika och unika för ditt företag.
För att förenkla ML-modellbyggnadsprocessen introducerade vi Amazon SageMaker JumpStart i december 2020. JumpStart hjälper dig att snabbt och enkelt komma igång med ML. Det ger ett klick-distribution och finjustering av en mängd olika förutbildade modeller, samt ett urval av helhetslösningar. Detta tar bort de tunga lyften från varje steg i ML-processen, vilket gör det lättare att utveckla högkvalitativa modeller och minskar tiden till implementering. Det kräver dock att du har vissa förkunskaper för att hjälpa till med modellval från en katalog med över 200 förutbildade datorseendemodeller. Du måste sedan jämföra modellens prestanda med olika hyperparameterinställningar och välja den bästa modellen som ska användas i produktionen.
För att förenkla den här upplevelsen och tillåta utvecklare med liten eller ingen ML-expertis att bygga skräddarsydda modeller för datorseende, släpper vi en ny exempelanteckningsbok inom JumpStart som använder Amazon Rekognition anpassade etiketter, en helt hanterad tjänst för att bygga anpassade datorseende modeller. Rekognition Custom Labels bygger på de förutbildade modellerna i Amazon-erkännande, som redan är utbildade på tiotals miljoner bilder i många kategorier. Istället för tusentals bilder kan du komma igång med en liten uppsättning träningsbilder (några hundra eller färre) som är specifika för ditt användningsfall. Rekognition Custom Labels abstraherar bort komplexiteten i att bygga en anpassad modell. Den inspekterar automatiskt träningsdata, väljer rätt ML-algoritmer, väljer instanstyp, tränar flera kandidatmodeller med olika hyperparametrar och matar ut den bäst tränade modellen. Rekognition Custom Labels ger också ett lättanvänt gränssnitt från AWS Management Console för hela ML-arbetsflödet, inklusive märkning av bilder, utbildning, implementering av en modell och visualisering av testresultaten.
Den här exempelanteckningsboken inom JumpStart som använder Rekognition Custom Labels löser alla bildklassificeringar eller objektdetektering datorseende ML-uppgifter, vilket gör det enkelt för kunder som är bekanta med Amazon SageMaker att bygga en datorvisionslösning som bäst passar ditt användningsfall, krav och färdigheter.
I det här inlägget ger vi steg-för-steg-anvisningar för hur du använder denna exempelanteckningsbok i JumpStart. Anteckningsboken visar hur man enkelt använder Rekognition Custom Labels befintliga tränings- och slutlednings-API:er för att skapa en bildklassificeringsmodell, en klassificeringsmodell för flera etiketter och en objektdetekteringsmodell. För att göra det enkelt för dig att komma igång har vi tillhandahållit exempeldatauppsättningar för varje modell.
Träna och distribuera en datorseendemodell med hjälp av Custom Labels för erkännande
I det här avsnittet hittar vi den önskade anteckningsboken i JumpStart och visar hur man tränar och kör slutledning på den utplacerade slutpunkten.
Låt oss börja från Amazon SageMaker Studio Launchers.
- Välj i Studio Launcher Gå till SageMaker JumpStart.
JumpStart-målsidan har sektioner för karuseller för lösningar, textmodeller och visionmodeller. Den har också ett sökfält. - Ange i sökfältet
Rekognition Custom Labels
och välj Erkännande anpassade etiketter för Vision anteckningsbok.
Den bärbara datorn öppnas i skrivskyddat läge. - Välja Importera anteckningsbok för att importera den bärbara datorn till din miljö.
Den bärbara datorn tillhandahåller en steg-för-steg-guide för träning och löpslutning med hjälp av anpassade etiketter för erkännande från JumpStart-konsolen. Den tillhandahåller följande fyra exempeldatauppsättningar för att demonstrera bildklassificering med en och flera etiketter och objektdetektering.
-
- Bildklassificering med en etikett – Denna datauppsättning visar hur man klassificerar bilder som tillhörande en av en uppsättning fördefinierade etiketter. Till exempel kan fastighetsbolag använda Rekognition Custom Labels för att kategorisera sina bilder av vardagsrum, bakgårdar, sovrum och andra hushållsplatser. Följande är en exempelbild från denna datauppsättning, som ingår som en del av anteckningsboken.
- Bildklassificering med flera etiketter – Denna datauppsättning visar hur man klassificerar bilder i flera kategorier, såsom färg, storlek, struktur och typ av en blomma. Till exempel kan växtodlare använda Rekognition Custom Labels för att skilja mellan olika typer av blommor och om de är friska, skadade eller infekterade. Följande bild är ett exempel från denna datauppsättning.
- Objektdetektering – Denna datauppsättning visar objektlokalisering för att lokalisera delar som används i produktions- eller tillverkningslinjer. Till exempel, inom elektronikindustrin kan Rekognition Custom Labels hjälpa till att räkna antalet kondensatorer på ett kretskort. Följande bild är ett exempel från denna datauppsättning.
- Detektering av varumärke och logotyp – Denna datauppsättning demonstrerar lokalisering av logotyper eller varumärken i en bild. Till exempel, inom mediebranschen kan en objektdetekteringsmodell hjälpa till att identifiera platsen för sponsorlogotyper i fotografier. Följande är en exempelbild från denna datauppsättning.
- Bildklassificering med en etikett – Denna datauppsättning visar hur man klassificerar bilder som tillhörande en av en uppsättning fördefinierade etiketter. Till exempel kan fastighetsbolag använda Rekognition Custom Labels för att kategorisera sina bilder av vardagsrum, bakgårdar, sovrum och andra hushållsplatser. Följande är en exempelbild från denna datauppsättning, som ingår som en del av anteckningsboken.
- Följ stegen i anteckningsboken genom att köra varje cell.
Den här anteckningsboken visar hur du kan använda en enda anteckningsbok för att hantera både bildklassificering och objektdetektering via API:erna för Rekognition Custom label.
När du fortsätter med anteckningsboken har du möjlighet att välja en av de tidigare nämnda exempeldatauppsättningarna. Vi uppmuntrar dig att prova att köra anteckningsboken för var och en av datamängderna.
Slutsats
I det här inlägget visade vi dig hur du använder API:erna för Rekognition Custom Labels för att bygga en bildklassificering eller en datorseende modell för objektdetektering för att klassificera och identifiera objekt i bilder som är specifika för dina affärsbehov. För att träna en modell kan du komma igång genom att tillhandahålla tiotals till hundratals märkta bilder istället för tusentals. Rekognition Custom Labels förenklar modellutbildningen genom att ta hand om parameterval såsom maskintyp, algoritmtyp eller algoritmspecifika hyperparametrar (inklusive antalet lager i nätverket, inlärningshastighet och batchstorlek). Rekognition Custom Labels förenklar också hosting av en tränad modell och ger en enkel operation för att utföra slutledning med en tränad modell.
Rekognition Custom Labels ger en lättanvänd konsolupplevelse för utbildningsprocessen, modellhantering och visualisering av datauppsättningsbilder. Vi uppmuntrar dig att lära dig mer om Anpassade etiketter för erkännande och prova det med dina företagsspecifika datauppsättningar.
För att komma igång kan du navigera till exempelanteckningsboken för Rekognition Custom Labels i SageMaker JumpStart.
Om författarna
Pashmeen Mistry är Senior Product Manager för Amazon Rekognition Custom Labels. Utanför jobbet tycker Pashmeen om äventyrliga vandringar, fotografering och att umgås med sin familj.
Abhishek Gupta är Senior AI Services Solution Architect på AWS. Han hjälper kunder att designa och implementera datorvisionslösningar.
- Myntsmart. Europas bästa bitcoin- och kryptobörs.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
- CryptoHawk. Altcoin radar. Gratis provperiod.
- Källa: https://aws.amazon.com/blogs/machine-learning/image-classification-and-object-detection-using-amazon-rekognition-custom-labels-and-amazon-sagemaker-jumpstart/
- "
- 100
- 2020
- sammandrag
- tvärs
- adress
- AI
- AI-tjänster
- algoritm
- algoritmer
- redan
- amason
- API: er
- automatisera
- Automation
- fordonsindustrin
- AWS
- riktmärke
- BÄST
- ombord
- varumärken
- SLUTRESULTAT
- Byggnad
- bygger
- företag
- Kan få
- kandidat
- vilken
- fall
- val
- Välja
- klassificering
- Företag
- dator
- Konsol
- skapa
- beställnings
- Kunder
- datum
- årtionde
- demonstrera
- distribuera
- utplacerade
- utplacera
- utplacering
- Designa
- Detektering
- utveckla
- utvecklare
- olika
- lätt
- LÄTTANVÄND
- e-handel
- Elektronik
- uppmuntra
- Slutpunkt
- energi
- ange
- Miljö
- speciellt
- fastigheter
- exempel
- befintliga
- erfarenhet
- expertis
- familj
- efter
- Odling
- styra
- hjälpa
- hjälper
- hög kvalitet
- värd
- hushållet
- Hur ser din drömresa ut
- How To
- Men
- HTTPS
- Hundratals
- identifiera
- bild
- genomföra
- ingår
- Inklusive
- industrier
- industrin
- försäkring
- intresse
- Gränssnitt
- involverade
- IT
- kunskap
- märkning
- Etiketter
- LÄRA SIG
- inlärning
- lyft
- liten
- levande
- läge
- platser
- logotyp
- Maskinen
- maskininlärning
- Framställning
- förvaltade
- ledning
- chef
- Produktion
- Media
- miljoner
- ML
- modell
- modeller
- mer
- multipel
- behov
- nät
- anteckningsbok
- antal
- öppnas
- drift
- Alternativet
- Övriga
- del
- prestanda
- utför
- fotografi
- process
- processer
- Produkt
- Produktion
- ge
- ger
- tillhandahålla
- snabbt
- fastigheter
- reducerande
- Krav
- Kräver
- Resultat
- detaljhandeln
- Rum
- Körning
- rinnande
- Sök
- service
- Tjänster
- in
- Enkelt
- Storlek
- Small
- lösning
- Lösningar
- Löser
- några
- Spendera
- sponsra
- starta
- igång
- studio
- tar
- testa
- tusentals
- tid
- Utbildning
- tåg
- typer
- unika
- användning
- mängd
- syn
- visualisering
- inom
- Arbete