ป้ายกำกับที่กำหนดเองของ Amazon Rekognition เป็นบริการคอมพิวเตอร์วิทัศน์ที่มีการจัดการเต็มรูปแบบ ซึ่งช่วยให้นักพัฒนาสามารถสร้างแบบจำลองที่กำหนดเองเพื่อจำแนกและระบุวัตถุในภาพที่มีความเฉพาะเจาะจงและไม่ซ้ำใครสำหรับธุรกิจของคุณ Rekognition Custom Labels ไม่ต้องการให้คุณมีความเชี่ยวชาญด้าน Computer Vision มาก่อน ตัวอย่างเช่น คุณสามารถค้นหาโลโก้ของคุณในโพสต์โซเชียลมีเดีย ระบุผลิตภัณฑ์ของคุณบนชั้นวางสินค้า จำแนกชิ้นส่วนเครื่องจักรในสายการประกอบ แยกแยะพืชที่มีสุขภาพดีและพืชที่ติดเชื้อ หรือตรวจจับตัวการ์ตูนในวิดีโอ
การพัฒนาโมเดลแบบกำหนดเองเพื่อวิเคราะห์ภาพเป็นภารกิจสำคัญที่ต้องใช้เวลา ความเชี่ยวชาญ และทรัพยากร ซึ่งมักใช้เวลาหลายเดือนกว่าจะเสร็จสมบูรณ์ นอกจากนี้ มักต้องใช้รูปภาพที่ติดป้ายกำกับด้วยมือเป็นพันหรือหมื่นเพื่อให้โมเดลมีข้อมูลเพียงพอสำหรับการตัดสินใจได้อย่างถูกต้อง การสร้างข้อมูลนี้อาจใช้เวลาหลายเดือนในการรวบรวม และต้องใช้ทีมผู้ติดฉลากจำนวนมากเพื่อเตรียมพร้อมสำหรับใช้ในการเรียนรู้ของเครื่อง (ML)
Rekognition Custom Labels สร้างขึ้นจากความสามารถที่มีอยู่ของ ความหมายของ Amazonซึ่งได้รับการฝึกอบรมเกี่ยวกับรูปภาพหลายสิบล้านภาพในหลากหลายหมวดหมู่ แทนที่จะต้องอัปโหลดรูปภาพนับพัน คุณเพียงแค่อัปโหลดชุดรูปภาพฝึกหัดชุดเล็กๆ (โดยทั่วไปแล้วจะมีรูปภาพไม่กี่ร้อยภาพหรือน้อยกว่านั้น) ที่เฉพาะเจาะจงกับกรณีการใช้งานของคุณโดยใช้คอนโซล Amazon Rekognition หากรูปภาพมีป้ายกำกับอยู่แล้ว คุณสามารถเริ่มฝึกโมเดลได้ด้วยการคลิกเพียงไม่กี่ครั้ง ถ้าไม่ คุณสามารถติดป้ายกำกับได้โดยตรงบนคอนโซล Rekognition Custom Labels หรือใช้ ความจริงของ Amazon SageMaker เพื่อติดฉลากพวกเขา Rekognition Custom Labels ใช้การเรียนรู้การถ่ายโอนเพื่อตรวจสอบข้อมูลการฝึกโดยอัตโนมัติ เลือกเฟรมเวิร์กโมเดลและอัลกอริธึมที่เหมาะสม เพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ และฝึกโมเดล เมื่อคุณพอใจกับความถูกต้องของแบบจำลองแล้ว คุณสามารถเริ่มโฮสต์แบบจำลองที่ได้รับการฝึกอบรมได้ด้วยการคลิกเพียงครั้งเดียว
วันนี้เรายินดีที่จะประกาศเปิดตัวคุณลักษณะการคัดลอกแบบจำลอง Rekognition Custom Labels คุณสมบัตินี้ช่วยให้คุณคัดลอกโมเดล Rekognition Custom Labels ข้ามโปรเจ็กต์ ซึ่งสามารถอยู่ในบัญชี AWS เดียวกันหรือข้ามบัญชี AWS ในภูมิภาค AWS เดียวกัน โดยไม่ต้องฝึกโมเดลใหม่ตั้งแต่ต้น ความสามารถใหม่นี้ช่วยให้คุณย้ายโมเดล Rekognition Custom Labels ได้ง่ายขึ้นผ่านสภาพแวดล้อมต่างๆ เช่น การพัฒนา การประกันคุณภาพ การผสานรวม และการผลิต โดยไม่จำเป็นต้องคัดลอกการฝึกอบรมเดิมและชุดข้อมูลทดสอบ และฝึกอบรมโมเดลใหม่ คุณสามารถใช้ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) เพื่อคัดลอกโมเดลที่ผ่านการฝึกอบรมข้ามโปรเจ็กต์ ซึ่งสามารถอยู่ในบัญชี AWS เดียวกันหรือข้ามบัญชี AWS
ในโพสต์นี้ เราจะแสดงวิธีคัดลอกโมเดลระหว่างบัญชี AWS ต่างๆ ในภูมิภาค AWS เดียวกัน
ประโยชน์ของคุณสมบัติการคัดลอกแบบจำลอง
คุณลักษณะใหม่นี้มีประโยชน์ดังต่อไปนี้:
- แนวทางปฏิบัติที่ดีที่สุดสำหรับ ML-Ops หลายบัญชี – คุณสามารถฝึกโมเดลได้ครั้งเดียวและรับรองการปรับใช้ที่คาดการณ์ได้ด้วยผลลัพธ์ที่สอดคล้องกันในหลายบัญชีที่แมปกับสภาพแวดล้อมต่างๆ เช่น การพัฒนา การประกันคุณภาพ การผสานรวม และการผลิต ช่วยให้คุณปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดของ ML-Ops ภายในองค์กรของคุณ
- ประหยัดค่าใช้จ่ายและปรับใช้ได้เร็วขึ้น – คุณสามารถคัดลอกแบบจำลองที่ผ่านการฝึกอบรมระหว่างบัญชีต่างๆ ได้อย่างรวดเร็ว หลีกเลี่ยงเวลาในการฝึกซ้ำในทุกบัญชี และประหยัดค่าใช้จ่ายในการฝึกอบรมแบบจำลองใหม่
- ปกป้องชุดข้อมูลที่ละเอียดอ่อน – คุณไม่จำเป็นต้องแชร์ชุดข้อมูลระหว่างบัญชี AWS หรือผู้ใช้ต่างๆ อีกต่อไป ข้อมูลการฝึกอบรมต้องพร้อมใช้งานเฉพาะในบัญชี AWS ที่ทำการฝึกโมเดล สิ่งนี้สำคัญมากสำหรับอุตสาหกรรมบางประเภท ซึ่งการแยกข้อมูลเป็นสิ่งจำเป็นเพื่อให้เป็นไปตามข้อกำหนดทางธุรกิจหรือข้อบังคับ
- ทำงานร่วมกันได้ง่าย – ขณะนี้ คู่ค้าหรือผู้ขายสามารถฝึกอบรมโมเดล Amazon Rekognition Custom Labels ได้อย่างง่ายดายในบัญชี AWS ของตนเอง และแบ่งปันโมเดลกับผู้ใช้ในบัญชี AWS
- ประสิทธิภาพที่สอดคล้อง – ตอนนี้ประสิทธิภาพของโมเดลมีความสอดคล้องกันในบัญชี AWS ต่างๆ การฝึกแบบจำลองโดยทั่วไปจะไม่ถูกกำหนด และแบบจำลองสองแบบที่ฝึกด้วยชุดข้อมูลเดียวกันไม่รับประกันคะแนนประสิทธิภาพเดียวกันและการคาดคะเนที่เหมือนกัน การคัดลอกแบบจำลองช่วยให้แน่ใจว่าลักษณะการทำงานของแบบจำลองที่คัดลอกนั้นสอดคล้องกับแบบจำลองต้นทาง ทำให้ไม่จำเป็นต้องทดสอบแบบจำลองซ้ำ
ภาพรวมโซลูชัน
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชันของเรา
โพสต์นี้ถือว่าคุณมีโมเดล Rekognition Custom Labels ที่ผ่านการฝึกอบรมในบัญชีต้นทางของคุณ สำหรับคำแนะนำ โปรดดูที่ ฝึกอบรมโมเดลการตรวจจับวัตถุคลาสเดี่ยวแบบกำหนดเองด้วย Amazon Rekognition Custom Labels. ในโพสต์นี้ เราใช้การจัดหมวดหมู่รูปภาพโครงการ "ห้อง" จาก Rekognition Custom Labels ตัวอย่างรายการโครงการ และฝึกแบบจำลองการจัดประเภทห้องในบัญชีต้นทางเพื่อจำแนกภาพห้องครัว ห้องน้ำ ห้องนั่งเล่น และอื่นๆ
เพื่อสาธิตการทำงานของคุณลักษณะการคัดลอกแบบจำลอง เราดำเนินการตามขั้นตอนต่อไปนี้ในบัญชีต้นทาง:
- เริ่มโมเดลและรันการอนุมานบนอิมเมจตัวอย่าง
- กำหนดนโยบายตามทรัพยากรเพื่ออนุญาตให้เข้าถึงข้ามบัญชีเพื่อคัดลอกโมเดล Rekognition Custom Labels
จากนั้นเราจะคัดลอกโมเดลต้นทางไปยังบัญชีเป้าหมาย
- สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon บัคเก็ต (Amazon S3) ซึ่งทำหน้าที่เป็นคอนเทนเนอร์สำหรับการประเมินโมเดลและสถิติประสิทธิภาพ
- สร้างโครงการ
- คัดลอกรูปแบบการฝึกอบรมจากบัญชีต้นทางไปยังบัญชีเป้าหมาย
- เริ่มโมเดลและรันการอนุมานบนอิมเมจตัวอย่าง
- ตรวจสอบผลการอนุมานที่ตรงกับผลลัพธ์ของรูปแบบบัญชีต้นทาง
เบื้องต้น
นอกจากการมีโมเดลที่ได้รับการฝึกอบรมแล้วในบัญชีต้นทางของคุณแล้ว อย่าลืมทำตามขั้นตอนข้อกำหนดเบื้องต้นต่อไปนี้:
- ติดตั้ง AWS CLI V2
- กำหนดค่า AWS CLI ของคุณด้วยรหัสต่อไปนี้และป้อนภูมิภาคของคุณ:
- เรียกใช้คำสั่งต่อไปนี้เพื่อให้แน่ใจว่าคุณมี AWS CLI เวอร์ชัน 2.xx ติดตั้งอยู่บนโฮสต์ในพื้นที่ของคุณ:
- อัปเดตไฟล์ข้อมูลรับรอง AWS ภายใต้
$HOME/.aws/credentials
ด้วยรายการต่อไปนี้: - รับ
ProjectArn
และProjectVersionArn
สำหรับบัญชี AWS ต้นทางProjectArn
เป็นโครงการที่เกี่ยวข้องกับโมเดลต้นทางของคุณProjectVersionArn
เป็นรุ่นของรุ่นที่คุณสนใจจะคัดลอกไปยังบัญชีเป้าหมาย คุณสามารถค้นหาSourceProjectArn
ใช้คำสั่งต่อไปนี้:หากคุณเห็นเอาต์พุตหลายบรรทัด ให้เลือก
ProjectArn
เชื่อมโยงกับโมเดลที่คุณจะคัดลอกคุณสามารถค้นหา
SourceProjectVersionArn
สำหรับรุ่นที่คุณฝึกโดยใช้SourceProjectArn
(ผลลัพธ์ก่อนหน้า). แทนที่SourceProjectArn
ในคำสั่งต่อไปนี้:คำสั่งส่งคืน
SourceProjectVersionArn
. หากคุณเห็นเอาต์พุตหลายบรรทัด ให้เลือกProjectVersionArn
ที่น่าสนใจ
ตอนนี้คุณพร้อมที่จะดำเนินการตามขั้นตอนเพื่อนำโซลูชันไปใช้แล้ว แทนที่ค่าของ SourceProjectArn
และ SourceProjectVersionArn
ในคำสั่งต่อไปนี้ด้วยค่าที่คุณสร้างขึ้น
1. เริ่มโมเดลและรันการอนุมานบนภาพตัวอย่าง
ในบัญชีต้นทาง ให้ป้อนรหัสต่อไปนี้เพื่อเริ่มโมเดล:
หลังจากโฮสต์โมเดลแล้วและอยู่ในสถานะกำลังทำงาน คุณสามารถรันการอนุมานได้
เราใช้รูปภาพต่อไปนี้ (demo1.jpeg และ demo2.jpeg) เพื่อเรียกใช้การอนุมาน อิมเมจเหล่านี้อยู่ในระบบไฟล์ในเครื่องของเราในไดเรกทอรีเดียวกันกับที่เรียกใช้คำสั่ง AWS CLI
รูปภาพต่อไปนี้คือ demo1.jpeg ซึ่งแสดงสนามหลังบ้าน
ดูรหัสอนุมานและผลลัพธ์ต่อไปนี้:
รูปภาพต่อไปนี้คือ demo2.jpeg ซึ่งแสดงห้องนอน
ดูรหัสอนุมานและผลลัพธ์ต่อไปนี้:
ผลการอนุมานแสดงว่ารูปภาพเป็นของคลาส backyard
และ bedroom
ด้วยคะแนนความเชื่อมั่น 45.77 และ 61.84 ตามลำดับ
2. กำหนดนโยบายทรัพยากร IAM สำหรับโมเดลที่ได้รับการฝึกอบรมเพื่ออนุญาตการเข้าถึงข้ามบัญชี
หากต้องการสร้างนโยบาย IAM ตามทรัพยากร ให้ทำตามขั้นตอนต่อไปนี้ในบัญชีต้นทาง:
- อนุญาตให้บัญชี AWS เฉพาะของคุณเข้าถึงทรัพยากรโดยใช้นโยบายทรัพยากร IAM ที่ให้มา (สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การสร้างเอกสารนโยบายโครงการ. แทนที่ค่าสำหรับ
TargetAWSAccountId
และSourceProjectVersionArn
ในนโยบายดังต่อไปนี้ - แนบนโยบายกับโครงการในบัญชีต้นทางโดยเรียกคำสั่งต่อไปนี้
แทนที่
SourceProjectArn
,PolicyName
,TargetAWSAccountId
และSourceProjectVersionArn
.ผลลัพธ์แสดงรหัสการแก้ไขนโยบายที่สร้างขึ้น:
ตอนนี้เราพร้อมที่จะคัดลอกโมเดลการฝึกอบรมจากบัญชีต้นทางไปยังบัญชีเป้าหมายแล้ว.
3. สร้างบัคเก็ต S3 ในบัญชีเป้าหมาย
คุณสามารถใช้บัคเก็ต S3 ที่มีอยู่ในบัญชีของคุณหรือสร้างบัคเก็ต S3 ใหม่ได้ สำหรับโพสต์นี้ เราเรียกสิ่งนี้ว่าถัง S3 DestinationS3Bucket
.
4. สร้างโครงการ Rekognition Custom Labels ใหม่
สร้างโครงการใหม่ด้วยรหัสต่อไปนี้:
สิ่งนี้จะสร้างไฟล์ TargetProjectArn
ในบัญชีเป้าหมาย:
สังเกตมูลค่าโครงการปลายทาง ProjectArn
สนาม. เราใช้ค่านี้ในคำสั่ง copy model ต่อไปนี้
5. คัดลอกโมเดลจากบัญชีต้นทางไปยังบัญชีเป้าหมาย
จัดหาแหล่งที่มาและเป้าหมาย ProjectArn
, แหล่งที่มา ProjectVersionArn
และกำหนดเป้าหมายที่ฝากข้อมูล S3 และคำนำหน้าคีย์ S3 ในโค้ดต่อไปนี้:
สิ่งนี้จะสร้างแบบจำลองที่คัดลอก TargetProjectVersionArn
ในบัญชีเป้าหมาย ดิ TargetVersionName
ในกรณีของเราได้รับการตั้งชื่อ copy_rooms_1
:
ตรวจสอบสถานะของกระบวนการคัดลอกแบบจำลอง:
สำเนาแบบจำลองจากบัญชีต้นทางไปยังบัญชีเป้าหมายจะเสร็จสมบูรณ์เมื่อ Status
เปลี่ยนเป็น COPYING_COMPLETED
:
6. เริ่มโมเดลและเรียกใช้การอนุมาน
ป้อนรหัสต่อไปนี้เพื่อเริ่มโมเดลในบัญชีเป้าหมาย:
ตรวจสอบสถานะของรุ่น:
โมเดลนี้โฮสต์และทำงานอยู่:
เรียกใช้การอนุมานด้วยรหัสต่อไปนี้:
7. ตรวจสอบผลการอนุมานว่าตรงกัน
คลาสและคะแนนความมั่นใจสำหรับรูปภาพ demo1.jpg และ demo2.jpg ในบัญชีเป้าหมายควรตรงกับผลลัพธ์ในบัญชีต้นทาง
สรุป
ในโพสต์นี้ เราได้สาธิตคุณลักษณะการคัดลอกแบบจำลอง Rekognition Custom Label คุณลักษณะนี้ช่วยให้คุณสามารถฝึกรูปแบบการจำแนกประเภทหรือการตรวจจับวัตถุในบัญชีหนึ่ง แล้วแบ่งปันแบบจำลองกับอีกบัญชีหนึ่งในภูมิภาคเดียวกัน วิธีนี้ช่วยลดความซับซ้อนของกลยุทธ์แบบหลายบัญชี โดยที่โมเดลสามารถฝึกได้ครั้งเดียวและแชร์ระหว่างบัญชีภายในภูมิภาคเดียวกันโดยไม่ต้องอบรมใหม่หรือแชร์ชุดข้อมูลการฝึกอบรม ซึ่งช่วยให้สามารถปรับใช้งานได้ในทุกบัญชีโดยเป็นส่วนหนึ่งของเวิร์กโฟลว์ MLOps ของคุณ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ การคัดลอกโมเดล Amazon Rekognition Custom Labelsหรือลองใช้คำแนะนำในโพสต์นี้โดยใช้ cloud Shell กับ AWS CLI
ในขณะที่เขียนนี้ คุณลักษณะการคัดลอกแบบจำลองใน Amazon Rekognition Custom Labels มีให้บริการในภูมิภาคต่อไปนี้:
- สหรัฐอเมริกาฝั่งตะวันออก (โอไฮโอ)
- สหรัฐอเมริกาฝั่งตะวันออก (เวอร์จิเนียเหนือ)
- สหรัฐอเมริกาฝั่งตะวันตก (ออริกอน)
- เอเชียแปซิฟิก (มุมไบ)
- เอเชียแปซิฟิก (โซล)
- เอเชียแปซิฟิก (สิงคโปร์)
- เอเชียแปซิฟิก (ซิดนีย์)
- เอเชียแปซิฟิก (โตเกียว)
- สหภาพยุโรป (แฟรงค์เฟิร์ต)
- สหภาพยุโรป (ไอร์แลนด์)
- สหภาพยุโรป (ลอนดอน)
ลองใช้คุณลักษณะนี้และโปรดส่งข้อเสนอแนะถึงเราผ่านทาง ฟอรัม AWS สำหรับ Amazon Rekognition หรือผ่านผู้ติดต่อฝ่ายสนับสนุนของ AWS
เกี่ยวกับผู้แต่ง
Amit Gupta เป็นสถาปนิกอาวุโสด้านโซลูชันบริการ AI ที่ AWS เขาหลงใหลในการช่วยให้ลูกค้าได้รับโซลูชันแมชชีนเลิร์นนิงที่มีสถาปัตยกรรมที่ดีในวงกว้าง
โยเกช จตุรเวดี เป็นสถาปนิกโซลูชันที่ AWS โดยมุ่งเน้นด้านการมองเห็นด้วยคอมพิวเตอร์ เขาทำงานร่วมกับลูกค้าเพื่อจัดการกับความท้าทายทางธุรกิจโดยใช้เทคโนโลยีคลาวด์ นอกเวลางาน เขาชอบเดินป่า ท่องเที่ยว และดูกีฬา
อาคัช ลึก เป็นวิศวกรซอฟต์แวร์อาวุโสของ AWS เขาสนุกกับการทำงานเกี่ยวกับคอมพิวเตอร์วิทัศน์ AI และระบบแบบกระจาย นอกเวลางาน เขาชอบเดินป่าและท่องเที่ยว
พัชมีน มิสทรี เป็นผู้จัดการผลิตภัณฑ์อาวุโสของ Amazon Rekognition Custom Labels นอกที่ทำงาน Pashmeen สนุกกับการเดินป่า ถ่ายภาพ และใช้เวลาอยู่กับครอบครัว
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- ความหมายของ Amazon
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล