Amazon Rekognition anpassade etiketter är en fullständigt hanterad datorseendetjänst som tillåter utvecklare att bygga anpassade modeller för att klassificera och identifiera objekt i bilder som är specifika och unika för ditt företag.
Rekognition Custom Labels kräver inte att du har någon tidigare expertis för datorseende. Du kan komma igång genom att helt enkelt ladda upp tiotals bilder istället för tusentals. Om bilderna redan är märkta kan du börja träna en modell med bara några klick. Om inte kan du märka dem direkt i Rekognition Custom Labels-konsolen eller använda Amazon SageMaker Ground Sannhet att märka dem. Rekognition Custom Labels använder överföringsinlärning för att automatiskt inspektera träningsdata, välja rätt modellramverk och algoritm, optimera hyperparametrarna och träna modellen. När du är nöjd med modellens noggrannhet kan du börja vara värd för den utbildade modellen med bara ett klick.
Men om du är en affärsanvändare som vill lösa ett problem med datorseende, visualisera slutledningsresultat från den anpassade modellen och få meddelanden när sådana slutledningsresultat är tillgängliga, måste du lita på ditt teknikteam för att bygga en sådan applikation. Till exempel kan en driftsansvarig för jordbruket meddelas när en gröda visar sig ha en sjukdom, en vinmakare kan meddelas när druvorna är mogna för skörd, eller en butikschef kan meddelas när det är dags att fylla på lager som läsk i ett vertikalt kylskåp.
I det här inlägget går vi igenom processen att bygga en lösning som låter dig visualisera slutledningsresultatet och skicka meddelanden till prenumererade användare när specifika etiketter identifieras i bilder som bearbetas med modeller byggda av Rekognition Custom Labels.
Lösningsöversikt
Följande diagram illustrerar vår lösningsarkitektur.
Denna lösning använder följande AWS-tjänster för att implementera en skalbar och kostnadseffektiv arkitektur:
- Amazonas Athena – En serverlös interaktiv frågetjänst som gör det enkelt att analysera data i Amazon S3 med standard SQL.
- AWS Lambda – En serverlös beräkningstjänst som låter dig köra kod som svar på triggers som förändringar i data, förändringar i systemtillstånd eller användaråtgärder. Eftersom Amazon S3 direkt kan utlösa en Lambda-funktion, kan du bygga en mängd olika realtid Server databehandlingssystem.
- Amazon QuickSight – En mycket snabb, lättanvänd, molndriven affärsanalystjänst som gör det enkelt att bygga visualiseringar, utföra ad hoc-analyser och snabbt få affärsinsikter från data.
- Amazon Rekognition anpassade etiketter – Låter dig träna en anpassad datorseende modell för att identifiera objekt och scener i bilder som är specifika för ditt företags behov.
- Amazon enkel meddelandetjänst – Amazon SNS är en fullständigt hanterad meddelandetjänst för både applikation-till-applikation (A2A) och applikation-till-person (A2P) kommunikation.
- Amazon enkel kötjänst – Amazon SQS är en fullständigt hanterad meddelandekötjänst som gör att du kan koppla bort och skala mikrotjänster, distribuerade system och serverlösa applikationer.
- Amazon enkel lagringstjänst – Amazon S3 fungerar som ett objektlager för dina dokument och möjliggör central hantering med finjusterade åtkomstkontroller.
Lösningen använder ett serverlöst arbetsflöde som utlöses när en bild laddas upp till S3-inmatningen. En SQS-kö får ett händelsemeddelande för att skapa objekt. Lösningen skapar också dödbokstavsköer (DLQs) att lägga åt sidan och isolera meddelanden som inte kan behandlas korrekt. En Lambda-funktion matar sig från SQS-kön och gör DetectLabels
API-anrop för att identifiera alla etiketter i bilden. För att skala denna lösning och göra den till en löst kopplad design, skickar Lambda-funktionen prediktionsresultaten till en annan SQS-kö. Denna SQS-kö triggar en annan Lambda-funktion, som analyserar alla etiketter som finns i förutsägelserna. Baserat på användarpreferensen (konfigurerad under lösningsdistribution) publicerar funktionen ett meddelande till ett SNS-ämne. SNS-ämnet är konfigurerat för att leverera e-postmeddelanden till användaren. Du kan konfigurera Lambda-funktionen för att lägga till en URL till meddelandet som skickas till Amazon SNS för att komma åt bilden (med en Amazon S3 förutbestämd URL). Slutligen laddar Lambda-funktionen upp ett prediktionsresultat och bildmetadata till en S3-bucket. Du kan sedan använda Athena och QuickSight för att analysera och visualisera resultaten från S3-skopan.
Förutsättningar
Du måste ha en modell utbildad och kör med Rekognition Custom Labels.
Rekognition Custom Labels låter dig hantera utbildningsprocessen för maskininlärningsmodeller på Amazon-erkännande konsol, vilket förenklar utvecklingsprocessen för hela modellen. För det här inlägget använder vi en klassificeringsmodell tränad för att upptäcka växtbladssjukdom.
Distribuera lösningen
Du distribuerar en AWS molnformation mall för att tillhandahålla nödvändiga resurser, inklusive S3-buckets, SQS-köer, SNS-ämne, Lambda-funktioner och AWS identitets- och åtkomsthantering (IAM) roller. Mallen skapar stacken us-east-1-regionen, men du kan använda mallen för att skapa din stack i vilken region som helst där ovanstående AWS-tjänster är tillgängliga.
- Starta följande CloudFormation-mall i Region- och AWS-kontot där du distribuerade Rekognition Custom Labels-modellen:
- För Stapla namn, ange ett stacknamn, t.ex
rekognition-customlabels-analytics-and-notification
. - För CustomModelARN, ange ARN för Amazon Rekognition Custom Labels-modellen som du vill använda.
Rekognition Custom Labels-modellen måste distribueras i samma AWS-konto.
- För E-postmeddelande, ange en e-postadress där du vill ta emot aviseringar.
- För InputBucketName, ange ett unikt namn för S3-hinken som stacken skapar; till exempel,
plant-leaf-disease-data-input
.
Det är här de inkommande växtbladsbilderna lagras.
- För Etiketter av intresse, kan du ange upp till 10 olika etiketter som du vill bli meddelad om, i kommaseparerat format. För vårt exempel på växtsjukdom, ange
bacterial-leaf-blight,leaf-smut
. - För MinConfidence, ange den lägsta konfidensgränsen för att få meddelande. Etiketter som upptäcks med ett konfidensvärde under värdet för MinConfidence returneras inte i svaret och genererar inte något meddelande.
- För OutputBucketName, ange ett unikt namn för S3-hinken som stacken skapar; till exempel,
plant-leaf-disease-data-output
.
Utdatahinken innehåller JSON-filer med bildmetadata (etiketter hittade och konfidenspoäng).
- Välja Nästa.
- På Konfigurera stackalternativ sida, ställ in eventuella ytterligare parametrar för stacken, inklusive taggar.
- Välja Nästa.
- I Förmågor och omvandlingar markerar du kryssrutan för att bekräfta att AWS CloudFormation kan skapa IAM-resurser.
- Välja Skapa stack.
Stackens informationssida bör visa stackens status som CREATE_IN_PROGRESS
. Det kan ta upp till 5 minuter innan statusen ändras till CREATE_COMPLETE
.
Amazon SNS kommer att skicka ett prenumerationsbekräftelsemeddelande till e-postadressen. Du behöver bekräfta prenumerationen.
Testa lösningen
Nu när vi har distribuerat resurserna är vi redo att testa lösningen. Se till att du starta modellen.
- Välj på Amazon S3-konsolen Skopor.
- Välj ingångs S3-hinken.
- Ladda upp testbilder till hinken.
I produktionen kan du ställa in automatiserade processer för att leverera bilder till denna hink.
Dessa bilder utlöser arbetsflödet. Om etikettens konfidens överskrider den angivna tröskeln får du ett e-postmeddelande som följer.
Du kan också konfigurera SNS-ämnet för att leverera dessa meddelanden till någon destinationer stöds av tjänsten.
Analysera förutsägelseresultaten
När du har testat lösningen kan du utöka lösningen för att skapa en visuell analys för förutsägelser av bearbetade bilder. För detta ändamål använder vi Athena, en interaktiv frågetjänst som gör det enkelt att analysera data direkt från Amazon S3 med standard SQL, och QuickSight för att visualisera data.
Konfigurera Athena
Om du inte är bekant med Amazon Athena, se denna handledning. På Athena-konsolen skapar du en tabell i Athena-datakatalogen med följande kod:
Befolka Location
fältet i den föregående frågan med namnet på din utdatahink, t.ex plant-leaf-disease-data-output
.
Den här koden berättar för Athena hur man tolkar varje rad i texten i S3-hinken.
Du kan nu fråga efter data:
SELECT * FROM "default"."rekognition_customlabels_analytics" limit 10;
Konfigurera QuickSight
Utför följande steg för att konfigurera QuickSight:
- Öppna QuickSight-konsol.
- Om du inte är registrerad för QuickSight, uppmanas du med alternativet att registrera dig. Följ stegen för att registrera dig för att använda QuickSight.
- När du har loggat in på QuickSight väljer du Hantera QuickSight under ditt konto.
- Välj i navigeringsfönstret Säkerhet och behörigheter.
- Enligt QuickSight-åtkomst till AWS-tjänsterväljer Lägg till eller ta bort.
En sida visas för att möjliggöra QuickSight-åtkomst till AWS-tjänster.
- Välja amason Athena.
- I popup-fönstret väljer du Nästa.
- På fliken S3 väljer du nödvändiga S3-skopor. För det här inlägget väljer jag hinken som lagrar mina Athena-frågeresultat.
- Välj också för varje hink Skrivtillstånd för Athena Workgroup.
- Välja Finish.
- Välja Uppdatering.
- Välj på QuickSight-konsolen Ny analys.
- Välja Nytt datasätt.
- För datasetväljer Athena.
- För Datakällans namn, stiga på
Athena-CustomLabels-analysis
. - För Athena arbetsgruppväljer primär.
- Välja Skapa datakälla.
- För Databasväljer
default
på rullgardinsmenyn. - För Bord, välj tabellen
rekognition_customlabels_analytics
. - Välja Välj.
- Välja visualisera.
- På visualisera sida, under Fält lista, välj etikett och välj cirkeldiagrammet från Visuella typer.
Du kan lägga till fler visualiseringar i instrumentpanelen. När din analys är klar kan du välja Dela för att skapa en instrumentpanel och dela den inom din organisation.
Sammanfattning
I det här inlägget visade vi hur du kan skapa en lösning för att ta emot aviseringar för specifika etiketter (som bakteriell bladsmuts eller bladsmuts) som finns i bearbetade bilder med hjälp av Rekognition Custom Labels. Dessutom visade vi hur du kan skapa instrumentpaneler för att visualisera resultaten med hjälp av Athena och QuickSight.
Du kan nu enkelt dela sådana visualiseringsinstrumentpaneler med företagsanvändare och låta dem prenumerera på aviseringar istället för att behöva förlita dig på dina teknikteam för att bygga en sådan applikation.
Om författarna
Jay Rao är en Principal Solutions Architect på AWS. Han tycker om att ge teknisk och strategisk vägledning till kunder och hjälpa dem att designa och implementera lösningar på AWS.
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.
- 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/receive-notifications-for-image-analysis-with-amazon-rekognition-custom-labels-and-analyze-predictions/
- "
- &
- 10
- 100
- 116
- 7
- 9
- tillgång
- Konto
- åtgärder
- Ad
- Dessutom
- Annat
- adress
- algoritm
- Alla
- redan
- amason
- analys
- analytics
- Annan
- api
- Ansökan
- tillämpningar
- arkitektur
- Automatiserad
- tillgänglig
- AWS
- gränsen
- Box
- SLUTRESULTAT
- Byggnad
- företag
- Ring
- Kan få
- byta
- Välja
- klassificering
- koda
- Kommunikation
- Compute
- förtroende
- Konsol
- innehåller
- kostnadseffektiv
- kopplad
- skapar
- skapande
- gröda
- beställnings
- Kunder
- instrumentbräda
- datum
- distribuera
- utplacerade
- utplacering
- Designa
- detekterad
- utvecklare
- Utveckling
- olika
- direkt
- Sjukdom
- distribueras
- dokument
- inte
- lätt
- möjliggör
- Teknik
- ange
- händelse
- exempel
- expertis
- förlänga
- familj
- SNABB
- Slutligen
- följer
- efter
- format
- hittade
- Ramverk
- fungera
- generera
- har
- Hur ser din drömresa ut
- How To
- HTTPS
- identifiera
- Identitet
- bild
- genomföra
- Inklusive
- ingång
- insikter
- interaktiva
- IT
- bara en
- Etiketter
- inlärning
- Lista
- läge
- du letar
- Maskinen
- maskininlärning
- GÖR
- förvaltade
- ledning
- chef
- meddelandehantering
- minsta
- modell
- modeller
- mer
- Navigering
- anmälan
- Verksamhet
- Alternativet
- organisation
- fotografi
- förutsägelse
- Förutsägelser
- Principal
- Problem
- process
- processer
- Produkt
- Produktion
- tillhandahålla
- Syftet
- snabbt
- realtid
- motta
- kräver
- Resurser
- respons
- Resultat
- Körning
- rinnande
- skalbar
- Skala
- scener
- Server
- service
- Tjänster
- in
- Dela
- Enkelt
- lösning
- Lösningar
- LÖSA
- Spendera
- stapel
- standard
- starta
- igång
- Ange
- status
- förvaring
- lagra
- lagrar
- Strategisk
- prenumerera
- prenumeration
- Som stöds
- system
- System
- grupp
- Teknisk
- berättar
- testa
- tusentals
- Genom
- tid
- Utbildning
- överföring
- unika
- användning
- användare
- värde
- mängd
- syn
- visualisering
- inom
- Arbete
- arbetsgrupp